核心知識點腦圖如下：

1、第一講：課程介紹

• 要點1：

上圖展示了兩種大型語言模型（LLMs）的對比：基礎(chǔ)語言模型（Base LLM）和指令調(diào)整語言模型（Instruction Tuned LLM）。

基礎(chǔ)語言模型（Base LLM）

功能：基礎(chǔ)語言模型能夠預(yù)測下一個單詞，這種預(yù)測是基于文本訓(xùn)練數(shù)據(jù)。

例子：圖中提供了一個故事的開頭：“Once upon a time, there was a unicorn that lived in a magical forest with all her unicorn friends（中文釋義：從前，有一只獨角獸和她所有的獨角獸朋友住在魔法森林里）”，這展示了模型如何根據(jù)給定的文本繼續(xù)生成故事。問答能力：它能夠回答基礎(chǔ)的問題，例如“法國的首都是什么？”，但它可能會產(chǎn)生問題文本，如有害輸出，這些輸出與基礎(chǔ)語言模型的性質(zhì)有關(guān)，因為它們僅基于預(yù)測下一個最可能的單詞，而不是遵循特定的指令。

指令調(diào)整語言模型（Instruction Tuned LLM）

• 功能：這種模型試圖遵循指令，它通過在指令上進(jìn)行微調(diào)（fine-tuning，周鴻祎大佬經(jīng)常講），并在嘗試遵循這些指令時進(jìn)行優(yōu)化。

• 微調(diào)方法：使用RLHF（Reinforcement Learning with Human Feedback，中文釋義：人類反饋強化學(xué)習(xí)）進(jìn)行微調(diào)，即結(jié)合強化學(xué)習(xí)和人類反饋。

• 三H原則：幫助（Helpful）、誠實（Honest）、無害（Harmless）。

例子：當(dāng)問到“法國的首都是什么？”時，指令調(diào)整的模型會更準(zhǔn)確地回答“法國的首都是巴黎”。

總結(jié)來說，圖中的主要區(qū)別在于基礎(chǔ)模型側(cè)重于文本數(shù)據(jù)的下一個詞預(yù)測，而指令調(diào)整模型則側(cè)重于理解和遵循指令，提供更準(zhǔn)確、更有用、更安全的輸出。

2、第二講：使用準(zhǔn)則

• 要點1：好提示詞的第一個原則——寫出清晰且準(zhǔn)確的提示

指令必須清晰的三個核心原因：

核心一——避免歧義：清晰的指令讓機器沒有猜測的空間，可以直接執(zhí)行。

核心二——提高效率：清晰的指令可以讓機器快速理解并采取行動，節(jié)約時間。

核心三——確保結(jié)果準(zhǔn)確：指令清晰可以確保機器提供的結(jié)果是我們所期待的。

• 要點2：好提示詞的第一個原則——給大模型思考的時間

要點2所說的“給大模型思考的時間”，其實是在指導(dǎo)我們?nèi)绾胃咝У嘏c大型語言模型（如我）進(jìn)行交互。

下面是三個核心要點的解讀：

（1）等待模型回應(yīng)：

模型需要時間處理你的請求和生成回答，就像你向朋友提問后要等待他們思考并回答一樣。

（2）避免打斷：

在模型回答之前不要急于提出新問題，這就像不打斷別人說話，給對方完成表達(dá)的機會。

這個一般模型也不允許。

（3）逐步提問：

如果有復(fù)雜的問題，可以分步驟提問，讓模型逐一解決，就像解難題一樣，一步一個腳印來解答。

這是最核心的，大問題務(wù)必精準(zhǔn)拆解成小問題，且根據(jù)回復(fù)逐步調(diào)優(yōu)。

3、第三講：提示詞不是一步到位的，而通過反復(fù)迭代逐步完善的。

吳恩達(dá)老師“這幅圖展示了一個名為“迭代式提示開發(fā)”的循環(huán)流程圖，它代表一個反饋循環(huán)，用于改進(jìn)和完善提示（可能是編程、數(shù)據(jù)輸入或任何需要精確指示的場合）的質(zhì)量。流程由四個主要部分組成：

1、Idea（想法）: 這是流程的開始階段，你需要有一個初始想法或設(shè)計，這將成為你的起始點。

2、Implementation (code/data) Prompt（實現(xiàn)（代碼/數(shù)據(jù)）提示）: 根據(jù)想法，你會創(chuàng)建一個初步的提示，如果是編程領(lǐng)域，可能是編寫代碼或準(zhǔn)備數(shù)據(jù)輸入。

3、Experimental result（實驗結(jié)果）: 使用你的提示進(jìn)行實驗后，你將獲得某些結(jié)果，這些結(jié)果可能會或不會符合你的預(yù)期。

4、Error Analysis（錯誤分析）: 如果結(jié)果不符合預(yù)期，你需要進(jìn)行錯誤分析，查找為什么會出現(xiàn)這樣的結(jié)果，可能是提示不夠清晰、具體或存在邏輯錯誤。

這個過程是迭代的，意味著你會不斷重復(fù)這個循環(huán)，每一次都根據(jù)之前的反饋來調(diào)整和改進(jìn)你的提示，直到實驗結(jié)果符合你的預(yù)期。

圖下方的“Prompt guidelines”列出了優(yōu)化提示時應(yīng)遵循的指導(dǎo)原則：

1、Be clear and specific（要清晰和具體）: 提示需要有足夠的詳細(xì)信息，避免歧義——這點反復(fù)強調(diào)過了。

2、Analyze why result does not give desired output（分析為什么結(jié)果不符合預(yù)期輸出）: 當(dāng)結(jié)果不如意時，深入分析原因（模型會分析，咱們也不要坐等，要結(jié)合經(jīng)驗進(jìn)行分析），理解導(dǎo)致結(jié)果偏差的因素。

3、Refine the idea and the prompt（改進(jìn)想法和提示）: 根據(jù)分析結(jié)果調(diào)整你的想法和提示。

4、Repeat（重復(fù)）: 不斷重復(fù)這一過程（反復(fù)迭代），每次都嘗試提高提示的有效性。

這個流程是設(shè)計思維和敏捷開發(fā)的典型，強調(diào)持續(xù)改進(jìn)和適應(yīng)性。

4、第四講：最興奮的功能——文本總結(jié)

為大段文本形成摘要，以便我們快速的獲取信息。

新版GPT4最多能讓用戶輸入3萬2千token（大概50頁英文文字長度，網(wǎng)上說法大約25000字）。

5、第五講：模型推理：

省去了早期開發(fā)需要自己訓(xùn)練模型的工作，現(xiàn)在一個API搞定！

6、第六講：格式轉(zhuǎn)化 Transforming

• Html 轉(zhuǎn) JSON等各種轉(zhuǎn)換：原來咱們用復(fù)雜的正則，現(xiàn)在大模型API快速搞定。

• 校對寫的所有內(nèi)容：論文、評論、文稿等。

• 支持各種語言的翻譯

• GPT4 的圖片轉(zhuǎn)文本，文本轉(zhuǎn)圖片功能也非常強大。

7、第7講：文本擴寫

• Chatgpt可以作為頭腦風(fēng)暴的伙伴，基于我們的提示詞展開文本擴寫。

• 建議負(fù)責(zé)任的使用，比如：不要生成垃圾郵件。

• 可用于文檔助理，比如：郵件助理。

8、第8講：自定義聊天機器人

用途舉例：

• AI 客服助理；

• 餐廳AI接單員

等等......

注意：角色的設(shè)定很重要。

9、小結(jié)

9.1 寫出好的提示詞的兩個核心要點

• 1、寫出清晰和具體指令的重要性

• 2、給予模型足夠的時間來“思考”。

9.2 迭代式提示開發(fā)

這是一種通過不斷優(yōu)化和細(xì)化提示來改進(jìn)模型響應(yīng)的方法。

9.3 模型的幾項能力

• 總結(jié)

• 推斷

• 轉(zhuǎn)換

• 擴展信息。

這些能力在構(gòu)建聊天機器人時尤為重要，它們使得機器人能夠處理各種任務(wù)，從理解和回應(yīng)用戶輸入到生成新的內(nèi)容。

模型非常有趣，可以放心去玩！！——咱們就是得多用，才能知道怎么更好得使用用！

10、中英文字母視頻地址

https://www.bilibili.com/video/BV1s24y1F7eq