吴恩达 x OpenAI Prompt Engineering教程中文笔记

Datawhale干货

作者：刘俊君，Datawhale成员

完整课程：《吴恩达ChatGPT最新课程》

Reasons & Importance

大规模语言模型（LLMs）对于研究、发现和进步非常重要，因为它们能够：

• 加速科研进程：快速检索信息，提高科研效率。
• 促进跨学科合作：整合不同学科知识，促进交流与合作。
• 智能推理与发现：协助科学家发现新方法和视角。

此外，LLMs有助于测试和评估模型的局限性，包括了解模型偏差、完善模型能力和提高安全性。它们还能启用各种创新型应用程序，如自然语言处理、虚拟助手和创意产业。

提示工程的相关技术

课程中介绍了多种高级提示技术，旨在提高复杂任务的性能：

• 少量训练提示（Few-shot prompts）
• 思维链提示法（Chain-of-Thought, CoT prompting）
• 无提示思维链（Zero-Shot CoT）
• 自我一致性（Self-Consistency）
• 知识生成提示（Knowledge Generation Prompting）

这些技术可以改进和优化提示词，特别是在需要推理的任务上。

对抗性提示

对抗性提示是攻击者通过恶意指令操纵AI模型的技术。通过添加更多上下文或指令，如警告潜在恶意攻击的信息，可以减轻其影响。聊天GPT模型在处理恶意指令时能识别潜在恶意行为，并给出安全优先的回应。

提示工程的原则

有效的提示工程应遵循以下原则：

• 编写清晰且具体的说明。
• 给模型时间来思考。

视频中通过实例展示了如何利用上述原则指导模型进行任务。

高级提示技术

介绍了高级提示技术，如少样本提示、思维链提示等，它们有助于提高模型解决复杂任务的性能。

工具和应用

演示了如何使用LangChain结合LLM和外部工具解决特定问题，以及如何进行数据增强生成得到更丰富和有趣的结果。

编写提示词的代码模板

课程中展示了如何编写提示词的代码模板，不同场景下的模板会有所不同。