expanding the satas are taking a shorter piece of text, such as set of instructions or a list of topics and having the launch nitrogen model generate a longer piece of text such as an email or an essay about some topic there are some great uses of this, such as if you use a launch language model as a brainstorming ponder, but i just also want to acknowledge that there's some problematic use cases of this such as if someone were to use it to generate a launch amount of spam, so when you use these capabilities of a large language model, please use it only in a responsible way and in a way that holds people in this video we'll go through an example of how you can use a language model to generate a personalized email based on some information um the email is kind of self proclaimed to be from an ai bought which um as audrey mentioned is very important we're also going to use um another one of the models input parameters called temperature and this kind of allows you to vary the kind of degree of exploration and variety in the kind of models responses so let's get into it so before we get started we're going to kind of do the usual setup so set up the open ai python package and then also define our help of function get completion and now we're going to write a custom email response to a customer review and so given a customer view and the sentiment we're going to generate a custom response now we're going to use the language model to generate a custom email to a customer based on a customer review and the sentiment of the review so we've already extracted the sentiment using the kind of prompts that we saw in the inferring video and then this is the customer review for a blender and now we're going to customize the reply based on the sentiment and so here the instruction is you're a customer service ai assistant your task is to send an email reply to about your customer given the customer email to limited by three backticks generate or apply to thank the customer for their review, if the sentiment is positive or neutral thank them for their review, if the sentiment is negative apologize and suggest that they can reach out to customer service make sure to use specific details from the review right, in a concise and professional tone and sign the email as ai customer agent and when you're using a language model to generate text that you're going to show to a user, it's very important to have this kind of transparency and let the user know that the text they're seeing was generated by ai and then we'll just input the customer review and the review sentiment and also note that this pop isn't necessarily important, because we could actually use this prompt to also extract the review sentiment and then in a follow up step write the email um but just for the sake of the example well, we've already extracted the sentiment from the review and so here we have a response to the customer it kind of addresses details that the customer mentioned in their review and kind of as we instructed suggest that they reach out to customer service because that this is just an ai customer service agent next we're going to use a parameter of the language model called temperature that will allow us to change the kind of variety of the model's responses so you can kind of think of temperature as the degree of exploration or kind of randomness of the model and so for this particular phrase my favorite food is the kind of most likely next word that the model predicts is pizza and the kind of next to most likely it suggests are sushi and tacos and so at a temperature of zero the model will always choose the most likely next word which in this case is pizza and that are higher temperature um it will kind of also choose one of the less likely words and not even at an even higher temperature it might even choose tacos which only kind of has a five percent chance of being chosen and you can imagine that kind of um as the model continues this final response so my favorite food is pizza and it kind of continues to generate more words this response will kind of diverg from the response um, the first response which is my favorite food is tacos and so as the kind of model continues these two responses will become more and more different in general when building applications where you want a kind of predictable at response, i would recommend using temperature zero throughout all of these videos we've i've been using temperature zero and i think that if you're trying to build a system that is reliable and predictable, you should go with this if you're trying to kind of use the model in a more creative way where you might kind of want a kind of wider variety of different outputs you might want to use a higher temperature so now, let's take the same prompt that we just used and let's try generating an email but let's use a higher temperature so in our get completion function that we've been using throughout the videos we have kind of specified a model and then also a temperature but we've kind of set them to default so now, let's try varying the temperature so we use the prompt and then let's try temperature zero point seven and so with temperature zero every time you execute the same prompt you should expect the same complete whereas with temperature zero point seven you'll get a different output every time so here, we have our email and as you can see it's different to the email that we kind of receive previously and let's just execute it again to show that we'll get a different email again and here, we have another different email so i recommend that you kind of play around with temperature yourself maybe you can pause the video now and try this prompt with a variety of different temperatures just to see how the outputs vary so to summarize at higher temperatures the outputs from the model are kind of more random you can almost think of it as that at higher temperatures the assistant is more distractable, but maybe more creative the next video we're going to talk more about the chat completions and point format, and how you can create a custom chatbot using this format。
粉丝558获赞3008

不要看字幕翻译版 openai 和吴文达大佬联合推出的 chat g b t 提示词工程的课程,一定要去看原版,原版才会有课程同步的笔记。我们打开课程,点击下面的 transcript, 就能看到视频中的文案内容,然后用你的浏览器翻译一下就可以了。 我是比较习惯保留原文的翻译,这样有些翻译感觉奇奇怪怪的时候,就可以看一下英文大概是什么意思。中间这个部分是视频中演示的代码笔记,你可以根据课程讲解的内容,直接在这里进行些实操。这个课程是免费的啊,大家都可以去看一下。

大家好,我是老陈,最近吴文达教授出了一个关于 check gbt 的提示词的课程,讲的非常的好,由于是英文的,所以很多同学跟我找中文的资料,那今天的话,我就用十分钟的时间总结一下这个课程,帮助大家快速的掌握好提示词的开发和使用技巧。 那这些技巧的话,不仅仅可以用于 check gb 的开发,还可以用于自己本地搭建的大语言模型,比如说羊驼,比如说清华的 gln 的模型,那像我文达的这个框架呢,就是这么做的,那开发了很多的功能, 那掌握了这些技巧的话,大家也可以根据自己的需要开发各种各样的智能应用。首先我们来先来说一下 open ai 的调用方式,那在 open ai 的官网里面呢,他提供了很多种调用方式啊,比如说 python 的,比如说 node 的,以及 各种各样的语言呢,在这里都可以找得到。那好,那我们这一节课呢,我们就以拍省的形式来进行一个教学,首先大家安装一下拍省的环境, 如果不用于开发的话,大家也可以在 travel gbd 的网站直接用下面教学的方式与 ai 进行聊天。有了拍审环境,我们就首先安装一下 open ai 的依赖库,然后呢我们在 open ai 的官网,我们去获取一下我们的这个 key, 那在这里呢,我们可以自己去创建一个新的 key 啊,那这里的话我们就直接创建好了,那我们就直接去进行一个使用即可啊,没有创建的话,你就点击创建,然后呢你把那个复制下来, 粘贴到这个位置上就可以了。接着我们来看一下 open i 的接口调用,接口调用很简单,就是调用起这样子的一个函数, 那这个函数里面呢有三个参数,第一个呢就是设置我们参数的模型,那我们的模型的话,我们可以使用这个 g p t 三点五 topo 也可以使用,如果你有这个内测资格的这个用户的话,你可以使用 g p t 四。接着的话我们去设置一下我们的这个聊天的信息,那聊天信息的话,它是一个数组, 那在这个数组里面呢,因为我们可能就是会有多轮的对话,那多轮对话的话,那就是会有这个用户的这个你聊天的内容,然后呢 ai 助手回你的这个信息, 然后你又继续聊天内容啊,那你把这些信息一起发送给到 openi, 那么他才会知道你们上下文聊了哪些内容,他在下一句应该回你什么,他才知道啊?如果你只有一句话,对吧?那他是不知道你上面所说的内容是什么的。好,那现在话我们是第一句,对吧?那第一句那我们就直接 发送那一个信息,对吧?就发送一个信息,那么我们的这个角色是用户,但的话后面我们还会教大家怎么去设置一个系统的这样子的一个节约色系统角色呢,它可以在多轮对话里面不断的引导 ai 角色的回应,而且呢用户不会注意到系统的消息。现在我们先用最简单的方式,我们啊作为用户发给用户第一条消息 啊,那就是在数组里面发送一个对象,然后呢把这个内容贴就是我们要发送的信息给到这里。第三个系数就是我们的温度系数, 那这个温度系数呢?可以控制我们输出的一个随机程度,如果我们现在设置为零,那么他就输出了一个大部分具有确定性的啊,但是呢又会保留少量的可变性,那也就说你的回答的问题他大部分都是一致的,可能就有一小部分 有一点随机,那如果你是想要让他比较随机性比较强,那比较有这个创新思维的话,那么你可以把这个数值设置的大一点啊,数值越大,那他的这个发散思维就越强啊,那这里的话,我们就是更希望他能够稳定的输出,那么我们就设置为零。 如果你想要 ai 能够正确的回答你所想要的内容,那么你就需要去编写清晰和具体的指令,不然 ai 也会糊弄你。那我们如何才能编写清晰具体的指令呢?那么首先我们就要使用分隔符来清晰明确的表示不同的部分,我们分隔符可以使用 反引号、引号、括号或者是一些标签来进行设置。例如我们这里有一段话,那么我们希望 ai 把这个文本总结成一句话,那这个时候的话,我们就可以这样子去 说,把用三个反引号括起来的文本总结成一句话,这里就明确指出了我们要把三个引号里面的这些文本总结成一句话。这里是 python 的一个语法 啊,相当于就是我们把这部分的字符串放到了这里,那现在话我们运行一下,很快就帮我们把这段话总结出来了,我们通过分割符让 ai 明确的知道指令里的每一部分的内容, 我们还需要明确让 ai 知道他应该输出什么样的一个结构内容给到我们,我们可以让他输出折损的格式, htl 的格式以及 macdon 的格式都是可以的。例如像这个案例,请生成包括书名、作者类别 的三本虚构的书籍清单啊,并以 justin 的格式提供,那这里的话,我们就会让他明确以 justin 的格式来进行返回, 那么在执行之后呢,他就会给到返回我们对应的折省格式的一个结果。接着我们还可以让我们的 ai 做一些条件判断的事情来回答我们的内容。例如这里呢,有一段文本讲的是如何泡茶, 那这里的话,泡茶的话他是一段文字啊,就讲了整个泡茶的过程,那这里的话,我们就希望能把这样子的一个泡茶过程按照这样子的一个指令,就是让他编写成第一步要做什么,第二步 做什么,第三步做什么,然后一直完成整个泡茶的过程。那这样话,那我们可以看到就通过这个明确的这个指令啊,第一步,第二步,第三步,对吧?告诉他怎么去泡好这一步茶, 他就会进行一个总结,没有问题。但是呢,如果我们给的这一段文字啊,没有这样子的一个过程,对吧?他仅仅只是讲述的是,比如说,哎,出去外面游玩,对不对啊? 讲的就是一个出去玩的一个段落,那么这个说话是总结不出来的,那如果是总结不出来的话,那我就希望就是说他能够返回给到我们,就是这里 没有提供任何的步骤,那所以的话,这里的话他就可以做一个判断,就是就是如果文本中不包含一系列指令,则直接写未提供步骤。第二段文字呢,运行之后的结果呢,就是未提供步骤了, 我们还可以给 ai 提供一些少量的视力,哎,你就给他举例子,对吧?比如说啊,像,比如说你要给我像这样子的啊,风格一致的回答,对吧?比如说,哎,我说要教我耐心,那你就啊说一一堆什么比喻,对吧?来讲这个道理 啊,那我说要教我任性,对吧?他又会搞一堆比喻,对吧?教你什么是任性,哎,就是这样子的,哎,给 ai 一点案例出。 除了这个之外呢,我们还可以让模型啊按步骤的去完成,就是说有些东西他不是一一蹴而就的啊,一蹴而就的话,可能 ai 他不知道怎么做,但是呢,你让模型对吧?按你的步骤一步一步的来, 好,那他会做了。比如说这里有一段话讲的是兄妹两人去山上打水,那么在中间呢,他们遇到了 一些意外,并且摔伤了,但是呢整个过程呢,就是让他们的这个冒险精神呢没有减弱,然后继续充满愉悦的进行探索。那要把这样子的一段话要把它概括成呢一句话,然后把这一句话呢,你再什么再让他翻译成法语,再接着从这个法语里面 去列出每个人的名字。最后呢输出一个 json 格式的对象啊,让他执行下面这个一步一步的操作,对吧?然后并且呢把每一步操作, 对吧?用这个换行服分格出来。好,如果你直接对吧啊,告诉他,对吧啊?干什么啊?直接输出这个,呃,这个折损格式,他可能不知道干什么, 但是呢,如果让他一步一步的去做,对吧?啊?那 ok, 他知道要怎么做了,然后呢,他就会把这个结果正确的输出出来,哎,比如说,哎,兄妹在山顶里面打水,发生意外,但仍然保持冒险的精神, 然后呢把它翻译成法语,然后再接着取出这两个人的名字啊,最后把它转成我们的 jason 格式。 有时候的话,我们是希望让 ai 来检查一下我们做的某个方案是否是正确的,那这个时候的话,那么我们会让 ai 先自己思考一下这个解决方案,然后再跟我们的方案进行一个比较,然后再做出这个解答,这样子的话会更加的准确。就比如说,啊,像这样, 哎,判断学生的这个解决方案是否正确,比如说啊,他正在建造一个太阳能发电站,需要帮助计算财务,对吧?啊?那这个时候呢,我们就告诉他,对吧?这个财务各种啊,需要花费是多少? 那最终的话,他的这个解决对吧?方案是什么样子的?请问对吧?学生的这个解决方案是否正确?如果就直接这样子提问的话,那么可能他就只会告诉你,对吧?解决方案是正确的还是不正确的,而且给出来的答案呢,很可能是不正确的。那么这个时候的话,我们就希望让 ai 自己先出一套解决方案,然后再做比较, 比如说列出步骤,首先对吧,你自己先解决问题,然后将你的方案与学生的方案进行比较,评估学生的解决方案是否正确,在自己完成之前呢,请勿决定学生的解决方案是否正确,那么使用以下格式,对吧?啊?问题,对吧?等等。啊。 然后呢?学生解决方案是什么?然后呢?实际的解决方案和步骤是什么?然后呢?你就开始进行一个回答,对吧?然后他就会回答,对吧?啊?正确的解决方案应该是什么?然后呢?学生的解决方案是否正确,对吧?啊?然后最后得到不正确。然后还有一个局限性呢,就是 ai 他很可能会编造一些知识, 所以的话你尽可能提供他正确的资料,让他进行一个编写,那这样话才能尽可能减少他 会自己幻想一些东西加入进来。接着我们一定要认识到我们写的这个 ai 的指令啊,一定是要不断的迭代优化的。不是说我们学了刚刚前面的内容,我们一次性写的这个指令就是非常准确的啊, 他就能够给我们所想要的,我们一定是不断的进行一个迭代和优化。比如说,哎,我们需要把这个产品的这个说明书转成一份 营销的文案,那这个时候的话,那我们我们可能哎写好了这个说明书,对吧?然后给到我们的 ai, 然后让他去写一份营销文案,但他可能写的,哎,一开始会给你哎,比较复杂的,对吧?那么我们就希望哎让他进行一个总结,对吧?那比如说生成几个特点,对吧?或者是五十个字 不要写那么一长串,又或者是说我们会发现他有一些错误的地方,或者是说他的一些他所关注的地方不是你所想要的关注点, 那你就会指示他,对吧?哎,你要侧重于什么样的一个方面?比如说我是像这个家居零售商的啊,应该要具有技术的性质,侧重于产品的材料结构啊,你要让他侧重于哪一方面? 因为他给你的点并不是你想要 get 到的点,对吧?然后呢我们还可以让他用一个表格的形式进行描述,那这个 描述的话,我们可以让他转成这个 h 跳,对吧?啊?他就会给你 h 跳,直接拿着这个 h 跳,对吧?就可以显示出我们的网页的表格后面吴文达教授里面的文本概括推断文本转换和文本扩展,那么这些其实都是在二和三里面的一个 小的扩展,那概括的话,那就是说,哎,我们怎么去把对一个段落进行一个概括,然后呢?推断啊?就是,哎,我认为,对吧?这一段话啊,他讲的是什么?然后他的这个态度是什么?他的情绪是什么?对他进行一个概括,然后呢我们还可以进行一个文本转换,对吧?可以将中文转换英英文, 将这个英文,对吧?转换成法语等等等等等啊?文本的扩展呢?就是说,哎,我有一句话,对吧?我希望他能扩展成一篇邮件,对吧?或者扩展成一一篇文章等等等等啊,那这个就是 ai 的所具有的一些功能,那这 这些功能的话都可以使用我们二和三才前面我们所讲到的这些技巧来去完成我们的这个内容。最后我们来说一下对话聊天,对话聊天的话,我们就是需要把多轮的对话,对吧?啊?传过去,那在多轮对话里面呢,我们可以去设置一个 系统的这个角色,系统 ai 呢可以不断的引导角色如何扮演好一个 ai, 例如系统角色,这里是 设置让 ai 扮演一个莎士比亚的说话助手,那这样话在交流中 ai 呢就会不断的扮演像莎士比亚一样进行说话,用这种方式呢我们就可以让 ai 去 cosplay 我们任何时候想要的角色, 那在这里呢我们就说,哎,我困了,那他就会按照我所设定的方式去回答我。最后呢我们来看一下这个订餐机器人的案例,在这个案例里呢,我们的这里首先设置这个系统的这个角色, 就是告诉他你是一个订餐机器人,你要做什么事情,比如说你要问候顾客收集订单的信息啊,并且呢要询问是否自取或者是外送,然后呢最后呃告诉订单总金额,并且送上祝福啊,整个的一个过程你是需要做哪些事情?那最后呢我们还要说一下,就是 我们的这个菜单包括了哪些?然后饮料有哪些,对吧?配料有哪些?那在这里的话,我们就直接啊把这个用户,比如说嗨,然后呢 先输进去,那他就会返回我们的欢迎词给我们,然后呢我们重点就是让他去得到我们对应的这个订单,对吧?他就会不断的去收集你的订单信息,比如说我们需要啊披萨,对吧? 那这个时候的话,他会他就会问你,你需要明确哪些披萨,对不对啊?那么这些都是在我们设置好 好的这些,然后不断的循环把我们啊输入的内容,对吧?他在根据你的这个输出返回你你所需要做哪些事情,那这里的话我们就需要去选择哪哪种披萨,对吧?告诉他,对吧?我不要辣的, 那这里的话他就会告诉我们啊,哪种披萨是没有辣的,对不对?然后比如说没有辣的话,就是芝士披萨啊,他就会问我要哪种尺寸啊?那吃不了那么多, 来个小的。然后呢他就会根据我们的这个知识,披萨这个价格告诉我们,然后呢还问我们需要加哪些配料吗?然后我们就说不需要,然后呢告诉他的地址啊,比如说我们就写花城广场, ok, 那这个时候的话,他还问我们要不要附加内容,对吧?啊?那我们就写不需要。最后呢他就认为我们完成了这个订单,那我 完成这个订单之后呢,我们在这里的话,我们就可以把这个上面我们所设置的所有内容,然后呢做再加上最后一段啊,最后一段话啊,就是系统的这个话,那就什么就是创建一个订单,然后呢把上面的每一件商品的价格全部给他列出来,以折损的格式, 那 ok, 我们就让他列出来,他就会根据我们回答这个内容,对吧?啊?然后呢去创建出这个订单出来,好,那这样的话我们这个就做好了, 通过上面学习啊,我相信大家已经掌握了如何写好这个指令,去建立自己的聊天机器人,那么根据自己的需要,对吧?自定义并修改系统消息, 让他去完成不同的角色的扮演,让他拥有不同的知识。好了,那么我们这一节就讲到这里,大家抓紧的去学习使用起来吧,拜拜。

书接上回,话说吴恩达教授的课程里用到的 chat gpt 模型 which is called gpt three point five turbo, 并通过 chat completions 接口来收发消息。关于这些接口的详细内容暂时先不展开,目前我们记住这个辅助函数就行,它可以让我们使用提示词和查看生成内容变得更容易。 就是这个 get completion 辅助函数,他把提示词作为输入,然后输出 chat gpt 的回答。 现在让我们正式进入主题,来看看高效写提示词的第一条原则,言之有物又有序,也就是说要尽可能的让提示词写的内容明确并且逻辑清晰,这样模型生成的内容更能让你得偿所 愿。不要搞混了清晰和剪短这两个概念,很多时候,长一点的提示词能提供更清晰的内容,让模型生成更令人心满意足的答案。与这个原则相关的第一个策略是 使用分格符,让输入的内容和提示词精卫分明。先来看一下这个例子,把这依托答辩复制粘贴过来到丘比特 notebook 里。于是我们有了这一段文本,我们要处理的就是如何用一句话总结这段文本。 注意看,在提示词里也写了一段描述,大致意思就是三个反引号括起来的这段文本用一句话来总结,注意看,丁是丁,卯是卯。提示词,这里区分了指令描述和纯文本内容,然后就 用前面提到的 get composition 函数来获取回答,最后再打印出来,静候三秒。 如您所见,结果已然呈现。我们通过分隔符非常清晰的让模型去总结一段明确的内容。 这个例子里的分隔符是三个反引号,当然还可以是其他任意的标点符号,比如引号、扩折号、间括号,甚至是 x、 m、 l 标签等等。 只要清晰的告诉 gpt 模型,这个符号里面的内容已经被隔离了,可以作为纯粹的文本内容使用。分隔符还可以帮助我们避免提示词注入攻击。用这个一句话总结一段文本的例子来解释一下,如果别人提供的一段文本 包含了让模型去执行其他操作的描述,而你组合后的提示词没有用分格符来隔离这段文本描述,那么就可能让模型生成驴唇不对马嘴的答案。 注意看,假设一段文本包含黄色的内容,模型就会忘记自己的任务是要总结这段文本,去做风马牛不相及的事情。写一首可爱的丫丫的诗好了,例子举到这里, 看这一页 ppt 来总结。接下来吴恩达教授的话又在我脑中浮现,是时候展示真正的实践了。 暂停视频,千篇一律的英文看着脑壳疼,换成万里挑一的中文如何?正好近期热播的漫长的季节口碑狂飙。复制一段剧情简介,让 chat e p 用一句话来总结。回到课程自带的这个实验环境,把 text 里的这段英文全部替换成刚刚复制的内容。而且我们想让 chat gpt 用中文来回答这个例子给的英文提示词里还得在末尾加两个词, in chinese。 加完我们就可以来运行一下看看结果了。静候三秒, 有趣的灵魂都有一点疯狂,我是 ai 小狂人,欢迎大家点赞评论转发收藏,强烈推荐关注我不迷路!

欢迎来到未来练习社,今天的主题是叉 g p t prompt 提示词的课程,那今天的参考资料其实是吴恩达博士和 openni 官方出的一期提示词工程教学视频,我会将视频的内容拆除几期,和大家用我自己的理解来分享这个课程。那么首先想要了解提示词,我们就要了解现在最火爆的 l l m 是什么。 l l m 等于 large language model 大型语言模型,像大家熟知的大大型语言模型有 g p t 三, g p t 四 lamda, 也就是谷歌的 bard, 然后 blue 就 howling face 还有 lama 等等这些模型。其实大型语言模型可以分成两部分,一个是基础大模型 base l l m s, 还有指令调试大模型, 呃, instruction tuned l m m 这两个区别是什么呢?那其实基础大模型他的能力是通过文本训练数据预测下一句话是什么,也就是他其实有很多很多的数据样本,他通过学习之后,他可以知道你的下一句话想说什么。呃,举个例子,比如说如果我们给他一个提示词,说很久以前有一只独角兽,那基础大模型他就会回答说无忧无虑的和他的伙伴住在森林里。 但是当我们问的一个问题的时候,比如说我们问到法国的首都在哪里,那技术大模型,根据他被训练的一些数据,网上的一些内容,他其实可能会问一些相关的其他问题,比如说法国的人口有多少,法国的流通货币是什么?法国最大的城市是哪里?而他不会直接去回答这个问题, 那么指令调试大模型就可以做类似的事情,也就是他可以尝试执行指令。那同样是这个例子,如果我们问他法国的首都在哪里,他就会回答,法国的首都在巴黎。那其实指令调试大模型,也就是咱们所谓的微调模型。指令调试的步骤 大概分为这几类,首先通过基础大模型,因为他已经经过了大量的文字训练数据去训练,所以把它作为一个基础进行微调调的方式,也就是通过指令教育这个大模型,更好地去遵循和执行他即将获得的 的直流。那最后呢,我们也会用一种方法叫 r l h f, 也就是人类反馈,强化学习,不断地通过人工干预纠正大模型的错误,告诉大模型哪个是对的呢? 是错的,让他更好的去帮助人类去做一些指定的工作。那么其实如何理解微调模型的意义呢?就是假设你有一个很聪明的助手,那么但他不知道他需要完成什么样的任务,或者他不知道你想给他的任务是什么,那你就需要通过描述告诉他任务内容。 举个例子,比如说你如果告诉大模型,请给我写一篇关于马斯克的文章,那这个指令其实是并不具体的,他可能写出任何形式的文章出来。那如果你在指令当中加入一些 细节的描述,比如说他的商业成就是什么?他的自然生活是什么样的?他的人类共性有哪些呢?那其实这个大模型就会写出更好的文章,或者你可以指定一个口吻,你是想让 ai 以专业记者的口吻描述这个事情,还是以幽默风趣的把它方式来描述, 或者写这张这篇文章之前,你可以告诉大模型你需要去阅读哪些内容以来帮助他更好的去完成一个任务,这都是你在微调当中可以做的一件事情。那么下一个课题我们将讲到提示四工程的两大原则。关注我,了解更多 ai 信息。

不要再花冤枉钱买圈 gpp 课啦,赶紧看看这个免费的宝藏课! open i 官方出品,免费的可以自由下载,有中文字幕,斯坦福大学 ai 实验室主任和 open i 联合制作的,超级实用又权威,简直就是课程界的一股清流,一分钱不收,免费看。一共九集视频呢,主要讲的是教大家如何正确的用 pruns 指令 利用好 hp, 包括会讲到一些地层的逻辑和一些势力,然后还有不同场景下的一些应用,包括这个机器人等等。网址放在评论区,现在就去看。

你是不是被网上五花八门的菜技 pt 教程搞得头晕脑胀,不知道该选哪一个?是不是学习了一堆案例之后只会抄别人的案例? 是不是只知道案例之问问题却不知道怎么举一反三?是不是交了几百块学费却感觉什么都没留下来? 那是因为你没有从底层原理弄清楚菜 gpt 到底是什么,可以做什么,不可以做什么。跟着我学,不要再交钱当韭菜了。我已经都淌过这些浑水,把无用的教程都筛选了一遍,核心的教程就那么几个,学习完就不用再看其他的资料了。 下面介绍的这个课程是吴文达大师汉伊萨佛佛利奇讲解的,从标题也可以看出来,主要面对对象是开发者会,讲的深一点。不过前面几节讲的还是比较易懂的,大家可以学习一下。武文达是斯坦福大学计算机系副教授,人工智能实验室主任。伊萨佛佛是欧贝 公司的技术人员。这个课的质量不用我多说了吧。觉得文字内容太多的,还有总结过的思维导图,收藏下来忘了的时候拿出来看一下就可以了。 老规矩,点赞、关注评论三年,在评论区打,想要在私信我免费要学习资料在线回。后续还有更多的名争利和 sable defusion 资料给你们。

很多人都会用 xsjbt 来总结文章摘要,一般情况下,我比较喜欢用按条列出这篇文章的重点,这样类似提示死掉的模型帮我总结文章内容,但这也只是初级的玩法。接下来我们会用一个总结提取客户评价的例子,来让你了解到模型在这个方面上的更多能力。 这里有一条客户购买熊猫玩具的评价,我为我的女儿生日买了这个熊猫王玩具,她非常喜欢。你可以暂停下来看这个客户都说了什么事情,或者呢,我们也可以直接让模型帮我们总结这段话。那么我们编写提示词如下,你的任务是将电商网站的客户评价总结为一个短摘要,需要提取摘要的评价在三连接号内,摘要呢最多为三十个字。 模型返回了简短的摘要。这里我使用了一个参数值,温度值来调整模型的输出。在 g p t 三点五模型里边,温度值是调整模型输出内容的随机性一个参数,它的范围呢是零到一之间。温度值越低,模型生成的结果随机性越低,更适合让模型完成确定和可控。 温度值越高呢,说明越随机越不可预测适合创作型的内容。温度值的默认值是零点七,因此几乎每次你的提示词都会返回不同的内容。 也就是说,如果你需要他帮你写个文案的话,可以将温度值调高一点。但在这个场景下,我需要更准确的总结客户的评价,所以我将温度值设为了零。 我们还可以进一步优化提示词,将客户评价的总结分发给其他部门,比如客服,运输,定价,我们将指定改为你需要总结三个摘要,然后分别提供给这三个部门。客服,运输定价,然后使用表格进行输出。 可以看到模型很好的总结了每个部门所需要关注的摘要,客服部收到了客户满意度方面的内容,运输部收到了和运输相关的评价,定价部呢,收到对价格的建议,如果你需要准确的提取信息,你应该用提取,而不是用总结,这样可以更准确的提取原文。比如我将提示词中的总结改为提取以后模型返回的更精 精简的内容。如果客户评价有很多的话,你还可以通过提示词中的步骤引导来让模型重复的执行指令。假设呢,这里有四条不同产品的评价,也要实现摘要和分发的任务。 你可以看到这四个评价里面包含熊猫,保温玩具,台灯,电动牙刷,还有一个搅拌器。我们可以进一步修改提示词,将所有的评价放到三连接号内,并用两个连接号来进行分割,这样模型就能区分出他们。然后呢,我们让模型每次从一个评价提取摘要,并用表格输出给三个部门, 我们看一下结果,模型很漂亮的完成的任务。以上呢就是本次的课程,希望这个课程可以启发你,如果对你有帮助的话,请点赞收藏,这是我继续更新。在下节课里边,我们会分享如何使用拆的 gbt 来进行文本内容的推断和分析。我是六桑,我们下期再见。

there's so much text in today's world pretty much none of us have enough time to read all the things we wish we had time to so one of the most exciting applications i've seen of large language models this is use it to summarize texts and this is something that i'm seeing multiple teams build into multiple software applications you can do this in the chat gpt web interface? i do this all the time to summarize articles so i can just kind of read the content of many more articles and i previously could if you want to do this more programmatically you'll see how to in this lesson so that let's take into the code to see how you could use this yourself to summarize texts? so let's start up with the same start to code as you saw before of important ai know the api key and here's that get to patient whole per function i'm going to use as the running example the task of summarizing this product review got to spend the plush toy from adults his birthday who loves it and takes it everywhere and so on and so on if you're building an e commerce website and there's just a large volume of reviews, having a tool to summarize the lengthy reviews could give you a way to very quickly glance over more reviews to get a better sense of what all your customers are thinking so here's a prompt for generating a summary your thomas is generous for somebody ever probably reviewed from e commerce website somewhere as a review below and so on in that most 30 words and so this is soft think you panda plush toys up by daughter the small of the price arrive early not bad it's a pretty good summary and as you saw in the previous video, you can also play with things like controlling the character account or the number of sentences to affect the length of this summary now sometimes, when creating a summary, if you have a very specific purpose in mind for the summary for example, if you want to give feedback to the shipping department, you can also modify the prompt to reflect that so that they can generate a summary that is more applicable to one particular group in your business so for example, if i add to give feedback to the shipping department, let's say i changed this too it's time to focus on aspects that mention shipping into the rear of the product and if i run this then again, you get a summary but instead of starting off with soften cupe and plush toy it now focuses on the fact that it arrived a day earlier than expected and then this thought has you know other details then or as another example, if we aren't trying to give feedback to the shipping department, but let's say we want to give feedback to the pricing department so the pricing department is responsible with determining the price of the product and i'm going to tell it to focus on and the aspects are relevant to the price and perceive value then just generates a different summary that it says maybe the price may be too high for a size now in the summaries that i've generated for the shipping department or the pricing department, it focus a bit more on information relevant to those specific departments and in fact feel free to post a video now and maybe ask it to generate information for the product department responsible for the custom experience of the product or for something else that you think might be interested in to an e commerce site, but in these summaries even though it generated their information relevant to shipping it had some of the information too which you could decide or may not be hopeful so depending on how you want to summarize it? you can also ask it to extract information rather than summarize it so here's a prompt that says it has extract relevant information to give feedback to shipping department and now it just says probably arrived the day earlier than expected without all of the other information, which was also hopeful in a general summary but less specific to shipping department if all i want to know is what happened with the shipping lastly, let me just share of you a concrete example for how to use this in a workflow to help summarize multiple reviews to make them easier to read so here are a few reviews kind of long, but you know here's the second review for a standing lamp need a lamp on the bedroom here's the third review from the electric 2 brush my dental hygienist recommended kind of a long review about a electric tube brush this is a review for blender when they said, so said 17 pieces of someone seasonal sale and so on and so on this is actually a lot of text if you want to feel free to pause the video and read through all this text, but one of you want to know what these reviewers wrote without having to stop and read all this in detail so i'm going to set review, one to be just the product review that we had up there and i'm going to put all of these reviews into a list and now if i implement a full loop over the reviews, so here's my prompt and here i've asked it to summarize it in at most 20 words then let's have it get the response and print it out and let's run that and it prints out the first review is that pantatory review some review of the lamp some review of the two brush and then the blender and so if you have websites where you have hundreds of reviews? you can imagine how you might use this to build a dashboard to take huge numbers reviews generate short summaries of them so that you or someone else can browse the reviews much more quickly and then if they wish maybe click in to see the original longer review and this can help you efficiently get a better sense of what all of your customers are thinking all right so that's it for summarizing and i hope that you can picture if you have any applications with many pieces of text, how you can use prompts like these to summarize them to help people quickly get a sense of what's into text the many pieces of text and perhaps optionally diggin more if they wish in the next video, we'll look at another capability of large language models, which is to make inferences using text for example what have you had a game product reviews and you wanted to very quickly get a sense of which product reviews have a positive or a negative sentiment let's take a look at how to do that in the next video,

吴文达再次推出三门限时免费 aigc 课程,干货满满。我不开玩笑,此类课程给培训机构定价至少大几千块,我强烈推荐你们去看看,尤其是应用开发者。 第一节课主要教你如何使用 chat g b t a p i 来构建复杂的系统。什么意思呢?像我们经常使用的 party 背后,其实都是使用多个 a p i 来调用大语言模型。第二节课主要教你如何使用啷腔来开发应用。比如你想开发企业知识库、客服系统,甚至聊天机器人,都可以学习这门课程。 第三节课主要介绍扩散模型的工作技术细节。像我们熟知的 ai 绘画、米德哲尼和 stable deficial 都利用了这项技术。先收藏起来,我去学习了。

hi, there my name is chinat and i'm an international student from hong kong i'm curious to ask because you know i'm hoping that after i graduate i can hopefully go back home to work closer with family by the same time i feel like by going back i'm closing a lot of doors behind me and because for example in hong kong for example you can't access chat gbt without a us number which makes access to some of these resources really difficult so i'm curious to see what are your thoughts about navigating this complex modern landscape yeah, i don't want to comment on them i don't know complicated that does actually one thing i'm seeing up into quite a few places in a year recently and what i'm seeing is that many countries are developing surprisingly good capabilities for building large language model applications the concentration of talent for genesibia deep tech is very concentrated in in the san francisco bay area i think because there basically two teams that did a lot of the early groundbreaking work yeah google brain, my former team and open ai and subsequently people left and start a lot of companies here in california bay area so i think that concentrated italian is very high and interesting even when i'm in you know seattle grace city lotter city on weekends you know i hang out with friends, but the conversation is not about genestery i whereas here it kind of like if you go to coffee shop actually one of my friends was visiting from taiwan so he was hanging out with us for a week they went back and he said yeah i went to coffee shop and you know there was no one talking about ai that's so weird so at least at this moment in time this really heavy concentration, but i see less the deep tech layer but the application layer i see that skill set developing quite quickly globally as well oh, and i think the option is in a lot of places would be local opportunities。

吴温达老师真的太勤奋了,这不,最新的免费公开课又发布了,这是他与昊天 face 合作开发的新短期课程,使用 gradio 构建深程式人工智能应用程序。现在任何 ai 爱好者都可以在这份课程中学习如何构建用户友好型应用程序。最关键的是,你无需了解或运行任何一行代码。 过这个课程你就可以了解如何用 ai 来构建一个应用程序。但是他本身只有英文字幕,所以我们把它下载下来。接下来就是见证奇迹的时刻。打开我上周推荐的这个 mimoai, 这是一个基于深层式大语言模型的实时字幕翻译工具。好,我们选择好刚才下载的视频,然后选择一个模型, 接着提前设置好一些基本的参数,接着点击转换好刚才字幕。转换大概花了一分钟的时间,这里我直接略过,我们可以看到中文字幕已经直接挂到视频上去了,这个真的太强大了,所以说我们每个人还是要跟上时代的发展。当然你可以说我差成功, 但是想学习你还是得有工具。这个已经挂上字幕的课程我可能会同步到小破站,大家也可以关注一下。 model with a friendly web interface directly in python in this course。

最权威的 chat gpt 提示工程课程来了!四月二十七日,吴恩达联手 open i 推出面向广大开发者的 chat gpt 提示工程课程。该系列课程共包含八小节,总计一个半小时。 课程从大语言模型、工作方式展开,展示了学习应用开发所需的最佳实践,其中提到的概念都附带了视力讲解,对新人很友好。目前现实免费开放中,后续我会推出课程学习总结,欢迎大家共同学习探讨。

open ai 和硅谷技术大佬温达最近联合推出了提示词工程的课程,呃,最近刚刚学完,大家可以去看一看原版,里面有课程同步的笔记,点击笔记下面的 transcript, 就可以看到视频文案中的内容, 然后因为它是英文的,所以你用 ai 翻译一下就可以了。而中间的这个部分呢,是视频演示的代码笔记,可以根据课程讲解的内容 直接在这里进行实操。因为整个的课程啊,是完全免费的,有点类似于工艺的性质,所以大家有时间都可以去看一下他帮助你更好地驾驭 ai, 控制他们来实现你的功能,会有特别大的帮助。

这是第一本大模型的入门指南,汇聚了 ai 大佬吴文达与 openai 合作打造的大语言模型系列经典课程,从模型原理到应用落地,全方位介绍大模型的开发技能,即便你没有丰富编程经验,也可以顺利入门, 开发出有实用价值的 ai 产品。具体看,书中首先介绍 prompt engineering 的方法,通过案例,你可以学习文本总结、推力转换等 prompt 设计技巧。然后,本书会指导你基于叉 gpt 提供的 api 开发一个完整的、全面的智能问答系统。 此外,在 long time 部分,你将会学习如何结合框架 long chain, 使用 chat g, p, t, a p i 来搭建基于 l l m 的应用程序。最后,本书重点探讨了如何使用 long chain 来整合自己的私有数据。

还记得我给你们推荐的 coser 的课程吗?就是吴文达教授讲的给所有人的人工智能课。在经过了二十天的学习之后,我们把所有课程内容都整理了出来,现在跟大家做一个分享。文字的内容我们整理在了网页上,我们来仔细看一下。 课程的英文名是 iforevivon, 这个发音真是尴尬。课程的中文名称是适用于所有人的人工智能课程。我们的团队把他们全部归纳整理在了笔记里。从四月十九号开始,经历了二十天才完成了全部的课程。左边是整体的课程提高, 共分为四大部分。第一部分的主题是什么?是原。第二部分的主题是搭建 i 项目。第三部分的主题是在你的公司中使用 i, 其中的 i 转型手册十分惊艳。第四部分站在了社会的角度,探讨 好了一系列带来的问题和解决办法。让我们稍微仔细的再从头开始。当你点开每一个二级标题,就会展开我们做的笔记内容。笔记截取了视频的关键,并高度总结了课程内容。每一节的内容都十分充实。第一部分主要介绍基础知识、 术语和基本的认知。第二部分系统的带领我们了解选择与搭建 i 项目的各个环节。第三部分是全部教程的核心。人工智能转型手册帮助每一个向实践人工智能的人有了一个可以英雄的最基础的框架体系。 怕你们只看笔记会遗漏内容。我们把所有的视频也做了整理,稍微有点尔卡。每一个单元的讲义和每一节课的视频还是回到我们的课程笔记, 为了避免笔记内容有遗漏,我们把每节课的文字脚本都做了记录。能看出来吧,不只是复制,我们都做了整理、分析和规律。 如果你真的打算从事人工智能的事业,第四部分我认为是最重要的。这部分在跟你讲价值观,是真正决定长远发展的灵魂。 啰嗦到这里,分享给每一个想在人工智能时代做些事的人。

a lot of people mention they wanted to learn to code this video is sponsored by code damn there are a learning platform that allows you to learn all the fundamentals you would need to be job ready for programming they have a full stack development roadmap with a course that goes along with it that teaches you all of this you can jump in there and even if for example you've learned some front end, you can learn all the rest of that including backhand and much more by simply clicking on this roadmap and finding what you want to learn their courses are interactive they've got a full ide an environment that lets you learn to code with reworld examples projects quizzes and much more this means that you can jump in there, you can select what you want to run or what you want to learn you can play around with the environment and even if you get stuck, they've integrated chad gpt into it, so it's like a little assistant that helps you along the way, this is really cool。

如何用车载 ppt 一分钟自动生成这样的神奇 ppt? 而且讲义内容都不需要你写,我五十八秒教会你!我教了四千多位老师做客卖课,很多知识博主最头疼的就是做 ppt, 为什么别人的课程 ppt 高级又简洁,你自己做出来的讲义却是一团乱麻?其实并不是别人的 ppt 能力强,而是会用 ai 工具来提效。 今天分享用 chat gpt 一键自动生成高级 ppt 的方法。先往后看,首先,出大纲做地基。想自动生成课程 ppt, 你需要让 ai 先帮你出个完美的课程大纲, 他会根据你的大纲来联想你要讲的内容,然后提炼 ppt 里面要放哪些词。当然,你也可以让他根据你给的文章来提炼重点出 ppt。 其次,巧用神器, 把升升的课程大纲导入到我们的神器工具里,就可以一键自动升升 ppt 了,升升效果类似于这样,这样真的特别高级,而且还能根据你的要求随意修改内容。神器的名字和用法 我扔在评论区啊!而且用拆的 gpt 不但能替你写大纲,还能做 ppt, 课程定位、人群分析,甚至客人竹子稿,他都能帮你完成。所有这些黑科技,都在我的 ai 闪电做客法里面有详细教程。这课发布五天,单靠短视频就卖了四百多单, 五百单立刻涨价,下个视频我教你,肚子里没货怎么用 gpd 自动写课程数字稿?关注我,学习更多做客卖课知识! 你相信吗?这份 ppt 我只用了两分钟就完成了,而我仅仅输入了一个主题,告别过去花一天时间写 ppt 这件事吧!因为 ai 写 ppt 的时代真的来了!某身购推出重磅全新功能 chat ppt, 核心主打基于一个核心观点与内容主题,一键生成全文型 ppt 出稿同时参照行业属性和用户需 九,渲染出高内容、高设计、高表达的 ppt 文档。自三月一日 chat ppt 邀约内测起,十四天时间内共有两万五千名内测朋友参与其中,总生成七万八千份 ppt 文档,二十七万条指令数据,全员三百三十六小时累计生成八千一百万字 ppt 所支持的语音指令已经涵盖超过两百家,不仅包括文档级、页面级、 元素级、文本级和属性级等五大类,后续还提供基于 ppt 文档创作的自研的智能动画、智能排版等指令系统,让我们创作的 ppt 更加简单。目前产品正式对外公测,公测体验请登录 chat ppt 点 u 杠 ai 点 com 提交申请,下载最新插件即可使 使用。快来加入 chat ppt 吧,提出你宝贵的意见,我们一起将 ppt 凡卷进行到底,让 ppt 创作更简单!

我五天用 chat gpd 做了一套课,两天卖了快四百分,累计卖课十多万,关键课程质量还不错。很多人好奇我为什么能用 ai 做客,又快又好。今天分享头部教育公司 ai 做客的全流程,一个视频让 chat gpd 成为你的高级打工仔,现在我看你以后一定会用到。 第一,自动写刻名和大纲。如何写出让人看了就想买的各种大纲?你自己写的估计大概率就是这样。但是 ai 能帮你写出这样 和这样的完全符合大纲的营销解要素,有好处,有过程,有好奇,有数字。第二,自动写试听课和政课。很多老师最头疼的就是怎么写出高麦克率的试听课和干货失足的政课。只要用了合适的提问框架,你也能调教出 ai 讲课高手,帮你写出这样 这样的课程。第三,搞定 ppt 和麦克文案。新手直播中很多发出怎么写 ppt, 如何提炼重点,其实 chat ppt 能帮你搞定这样 高级感十足 ppt, 省掉大量的机械工作。那如何让拆了 ppt 帮你写出让人看了就想买的课程大纲?如何三分钟搞定试听课和政课稿?如何闪电写出 ppt 详情页和麦克文案?我在我的 ai 闪电做客法中把我们七天做出一门爆款课的详细 ai 制作流程都放进去了,很多学员已经尝鲜了,赞不绝口。 这课不光有十二节精华课程,还配了 ai 做客营,同频沟通,成长最快。橱窗去看,目前是第一波,后面会持续涨价。关注我,学习更多做客麦克知识!

做外贸如何把 chai gpt 结合我们的社媒 instagram 所结合起来?大家看一下,这是我们的一个高级班的同学跟我们在学习的 instagram 的社媒, 现在他把所有的产品展示到他的账号里面,显得非常专业。但是大家要知道,做好一个社媒,他的来源于渠道,包括所吸引的客户,一定是根据他的图片以及他的标签以及他的文案,这三点是非常重要。让我们打开看一下他的内容, 在这里我们能看到他所昂传的产品都是按照我们的要求做的,非常专业,同时他有自己的文案以及自己的 标签。但是有一个问题,大家发现我们通常跟我们在学习的差不多,有两千多个同学里面有很多同学在做 instagram 的时候,他愿意把这个文案只写的 就像我们常说的阿里巴巴国际站啊,或者普通一个电商平台,上面会显示啊,它的成分,尺寸,包装啊,包括它的一些特点,仅此而已。但是这种文案就不能够得到很好的 引流的效果。比如说我们在 instagram 上和 facebook 上要用我们的专业的文案,这种文案我们现在结合到 chat gbt, 我给大家展示一下我们是做一个什么样的文案而得到了客户的反馈的好评。 这两天在我们的外贸课程里,我们教我们的学生如何运用和驾驭 chat gpt 啊,我们给的更精准的指令,以及更加系统化的啊这种要求。比如您是一个生产反光安全工作服的工厂,您现在要在社 上宣传某一款产品,涤纶面料环保耐穿,适合夜间工作使用,可以有提高工作人员的夜间安全系数。请用一段话描述一下这款产品,并用温暖感人的话术,大家一定要记住啊, 温暖感人的话术来展示工作者的辛苦,让更多的人感受他们的辛苦,并给他们最好的关心和爱护。请用英文展示。所以呢,当你如果把它作为谷歌的任何的一种搜索引擎这种功能的使用, 您是用不好叉 c p t 的,因为现在我们所用的叉 c p a r 科技,它是完全颠覆于以前的传统的,只是用于搜索的啊这种层面上。所以大家一定要学 学会去培养你的机器人,知道他的主要的功效是什么样,然后让他展示更强的他的本领。那我们看一下拆机器机器人给我们一番啊啊一番表达的内容。这些内容里面其实大家仔细翻一下,会有非常精彩的内容。假设 我把第一个打开进行一些翻译啊,大家慢慢看一下,其中这句话证明了我们坚定不移的致力于保护那些在阴影中辛勤劳作的人。 其实他完全已经把我们的产品,他的特点,使用的范围所结合到真正的生活当中,通过这种相当于叙事的散文来描述一件产品,反而能起到非常好的引流,或者 达到所有客户的一种共鸣。大家一定要把最好的科技结合到我们的实际工作中啊。今后我们在我们的外贸课程中会给大家展示更多的与 chat, cbt 和外贸有关的相关的内容和课程。