[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-PandaBearLab--prompt-tutorial":3,"tool-PandaBearLab--prompt-tutorial":65},[4,17,27,35,48,57],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",151918,2,"2026-04-12T11:33:05",[13,14,15],"开发框架","Agent","语言模型","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,3,"2026-04-06T11:19:32",[15,26,14,13],"图像",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":10,"last_commit_at":33,"category_tags":34,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":10,"last_commit_at":41,"category_tags":42,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",85092,"2026-04-10T11:13:16",[26,43,44,45,14,46,15,13,47],"数据工具","视频","插件","其他","音频",{"id":49,"name":50,"github_repo":51,"description_zh":52,"stars":53,"difficulty_score":54,"last_commit_at":55,"category_tags":56,"status":16},5784,"funNLP","fighting41love\u002FfunNLP","funNLP 是一个专为中文自然语言处理（NLP）打造的超级资源库，被誉为\"NLP 民工的乐园”。它并非单一的软件工具，而是一个汇集了海量开源项目、数据集、预训练模型和实用代码的综合性平台。\n\n面对中文 NLP 领域资源分散、入门门槛高以及特定场景数据匮乏的痛点，funNLP 提供了“一站式”解决方案。这里不仅涵盖了分词、命名实体识别、情感分析、文本摘要等基础任务的标准工具，还独特地收录了丰富的垂直领域资源，如法律、医疗、金融行业的专用词库与数据集，甚至包含古诗词生成、歌词创作等趣味应用。其核心亮点在于极高的全面性与实用性，从基础的字典词典到前沿的 BERT、GPT-2 模型代码，再到高质量的标注数据和竞赛方案，应有尽有。\n\n无论是刚刚踏入 NLP 领域的学生、需要快速验证想法的算法工程师，还是从事人工智能研究的学者，都能在这里找到急需的“武器弹药”。对于开发者而言，它能大幅减少寻找数据和复现模型的时间；对于研究者，它提供了丰富的基准测试资源和前沿技术参考。funNLP 以开放共享的精神，极大地降低了中文自然语言处理的开发与研究成本，是中文 AI 社区不可或缺的宝藏仓库。",79857,1,"2026-04-08T20:11:31",[15,43,46],{"id":58,"name":59,"github_repo":60,"description_zh":61,"stars":62,"difficulty_score":54,"last_commit_at":63,"category_tags":64,"status":16},6590,"gpt4all","nomic-ai\u002Fgpt4all","GPT4All 是一款让普通电脑也能轻松运行大型语言模型（LLM）的开源工具。它的核心目标是打破算力壁垒，让用户无需依赖昂贵的显卡（GPU）或云端 API，即可在普通的笔记本电脑和台式机上私密、离线地部署和使用大模型。\n\n对于担心数据隐私、希望完全掌控本地数据的企业用户、研究人员以及技术爱好者来说，GPT4All 提供了理想的解决方案。它解决了传统大模型必须联网调用或需要高端硬件才能运行的痛点，让日常设备也能成为强大的 AI 助手。无论是希望构建本地知识库的开发者，还是单纯想体验私有化 AI 聊天的普通用户，都能从中受益。\n\n技术上，GPT4All 基于高效的 `llama.cpp` 后端，支持多种主流模型架构（包括最新的 DeepSeek R1 蒸馏模型），并采用 GGUF 格式优化推理速度。它不仅提供界面友好的桌面客户端，支持 Windows、macOS 和 Linux 等多平台一键安装，还为开发者提供了便捷的 Python 库，可轻松集成到 LangChain 等生态中。通过简单的下载和配置，用户即可立即开始探索本地大模型的无限可能。",77307,"2026-04-11T06:52:37",[15,13],{"id":66,"github_repo":67,"name":68,"description_en":69,"description_zh":70,"ai_summary_zh":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":77,"owner_avatar_url":78,"owner_bio":79,"owner_company":80,"owner_location":80,"owner_email":80,"owner_twitter":80,"owner_website":80,"owner_url":81,"languages":80,"stars":82,"forks":83,"last_commit_at":84,"license":80,"difficulty_score":54,"env_os":79,"env_gpu":85,"env_ram":85,"env_deps":86,"category_tags":89,"github_topics":80,"view_count":10,"oss_zip_url":80,"oss_zip_packed_at":80,"status":16,"created_at":90,"updated_at":91,"faqs":92,"releases":93},6899,"PandaBearLab\u002Fprompt-tutorial","prompt-tutorial","chatGPT、prompt、LLM","prompt-tutorial 是一套专为大语言模型（LLM）新手打造的中文提示词（Prompt）实战课程。它旨在解决用户面对 ChatGPT 等 AI 时“不知如何提问”或“得不到理想回答”的痛点，系统性地传授提示词工程（Prompt Engineering）的核心技巧。\n\n课程内容从基础原理出发，深入浅出地讲解了如何编写清晰指令、利用分隔符区分信息、要求结构化输出（如 JSON、CSV），以及引导模型进行分步推理以克服“幻觉”问题。此外，教程还涵盖了文本摘要、情感分析、多语言翻译、语气转换及聊天机器人构建等丰富场景，并介绍了 CRISPE 等高效提示框架。\n\n这套教程特别适合零技术背景的普通用户、内容创作者、运营人员以及希望提升 AI 协作效率的职场人士。无需理工科基础，只需跟随案例动手练习，即可掌握与 AI 高效沟通的“第一性原理”，让大模型真正成为得力的工作助手。","---\ntitle: 我的大语言模型课\npublishDate: 30 Mar 2024\ndescription: 关于如何编写大语言模型的prompt的一系列课 \n\n---\n- [前言](#前言)\n- [怎样使用这个系列课程](#怎样使用这个系列课程)\n- [第一章 prompt的基础](#第一章-prompt的基础)\n  - [Prompt原理](#prompt原理)\n  - [原则1: 清晰明确的指令](#原则1-清晰明确的指令)\n    - [策略1：使用分隔符清晰地指示输入的不同部分](#策略1使用分隔符清晰地指示输入的不同部分)\n    - [策略2: 要求结构化的输出](#策略2-要求结构化的输出)\n    - [策略3: 要求模型检查条件是否满足](#策略3-要求模型检查条件是否满足)\n    - [策略4： “小样本”提示](#策略4-小样本提示)\n  - [原则2：指导模型思考一步一步解决问题](#原则2指导模型思考一步一步解决问题)\n    - [策略1：指定完成任务所需的步骤](#策略1指定完成任务所需的步骤)\n    - [策略2: 要求模型按指定的格式输出](#策略2-要求模型按指定的格式输出)\n    - [策略3：指示模型自己解决问题](#策略3指示模型自己解决问题)\n- [模型限制：幻觉](#模型限制幻觉)\n- [其他经验](#其他经验)\n- [第二章 迭代优化你的prompt](#第二章-迭代优化你的prompt)\n- [第三章 文本汇总概括](#第三章-文本汇总概括)\n  - [用一个句子\u002F词\u002F字符的限制概括内容](#用一个句子词字符的限制概括内容)\n  - [以运输和交付为重点进行总结](#以运输和交付为重点进行总结)\n  - [以价格和价值感为重点进行总结](#以价格和价值感为重点进行总结)\n  - [用“提取”来替代“总结”](#用提取来替代总结)\n- [第四章 推理文本的类型](#第四章-推理文本的类型)\n  - [识别情感类型](#识别情感类型)\n  - [识别愤怒](#识别愤怒)\n  - [提取客户评论中的产品和公司名称](#提取客户评论中的产品和公司名称)\n  - [同时做多项任务](#同时做多项任务)\n  - [主题推断](#主题推断)\n  - [制作特定主题的新闻判断](#制作特定主题的新闻判断)\n- [第五章 自然语言](#第五章-自然语言)\n  - [翻译](#翻译)\n    - [例1 简单的翻译](#例1-简单的翻译)\n    - [例2  翻译为多语言](#例2--翻译为多语言)\n  - [例3 识别语种](#例3-识别语种)\n  - [转换语气](#转换语气)\n    - [例1 转换为正式用语](#例1-转换为正式用语)\n  - [拼写检查\u002F语法检查](#拼写检查语法检查)\n    - [例 检查语法给出纠正版本](#例-检查语法给出纠正版本)\n  - [我的经验](#我的经验)\n    - [例](#例)\n- [第六章 文本内容生成](#第六章-文本内容生成)\n  - [从客户评论中生成一封电子邮件](#从客户评论中生成一封电子邮件)\n    - [例 从客户评论生成电子邮件](#例-从客户评论生成电子邮件)\n    - [提醒模型使用客户电子邮件中的细节](#提醒模型使用客户电子邮件中的细节)\n- [第七章 聊天机器人（chatbot）](#第七章-聊天机器人chatbot)\n- [第八章  大语言模型的基本原理（未完成）](#第八章--大语言模型的基本原理未完成)\n- [第九章 Prompt框架（正在更新中）](#第九章-prompt框架正在更新中)\n  - [CRISPE  框架](#crispe--框架)\n  - [图灵机式的框架](#图灵机式的框架)\n- [第十章 总结](#第十章-总结)\n- [第十一章 Prompt Engineering 的练习](#第十一章-prompt-engineering-的练习)\n- [附录1 课程框架](#附录1-课程框架)\n- [工具链（待更新）](#工具链待更新)\n- [参考](#参考)\n- [About Me](#about-me)\n\n\n\n\n# 前言\n\n![image-20240422214801198](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPandaBearLab_prompt-tutorial_readme_5a6177b9833c.png)\n\n\n\n但是现阶段想要用他还有些难度， 需要学习如何写好提示词， 这门新兴的学问就叫提示词工程，英文为prompt engineering 。 \n\n阅读学习这门课程，不需要你有任何理工科的背景。  但是需要你有点耐心， 跟着把文中提到的示例都去练习一遍。  \n\n\n本文并非全部是原创， 参考[chatGpt提示词课程](https:\u002F\u002Flearn.deeplearning.ai\u002Fcourses\u002Fchatgpt-prompt-eng\u002Flesson\u002F1\u002Fintroduction)， 文中大量使用的案例都来源这个课程，  英文不错的同学， 推荐去认真学习这门课， 如果只需要快速过一遍， 本文希望能对你有帮助。  \n\n\n本文包括的内容：\n\n- prompt 原理\n- prompt 技巧\n- 我的一些经验\n- 一些公开的prompt模板\n- AI工具系列\n\n本系列课程不需要任何理工科基础， 很适合没有技术背景的读者们阅读。 \n\n\n\n**此外， 我希望在使用本文的内容的时候， 请注明出处和作者。** \n\nGood Luck！\n\n\n\n# 怎样使用这个系列课程\n\n第一章到第五章 都在围绕基础原理，可以认为是prompt engineer 的第一性原理。    如果您不是这方面的专家， 我建议你先把前五章吃透。   \n\n至于其他内容， 主要是看您的兴趣， 不学习也不会有什么影响。\n\n第八章框架篇， 我建议要看看， 这能帮你提升编写prompt的效率。 \n\n\n\n\n# 第一章 prompt的基础\n\n\n\n## Prompt原理\n\n> 理解并掌握这些原则， 你可以完成大多数的和大语言模型协同工作。 \n\n- **原则1：编写清晰明确的指示**\n\n  - 策略1：使用分隔符清晰地指示输入的不同部分\n\n    > 指令包含引用的内容， 有利于大语言模型区分指令和背景信息。\n\n  - 策略2：要求结构化的输出\n\n    > 你可以大语言模型生成你想要的格式的数据， 比如csv格式（一种类似于excel的数据形式），json， html 。 你也可以用大语言模型处理小批量的数据，比如求和或求平均值等等。\n\n  - 策略3：要求模型检查条件是否满足\n\n    > 可以用作对内容的条件判断\n\n  - 策略4： \"少样本\"提示\n\n    > 通过给模型提供一些样例， 让模型更好的理解你要完成的任务。 \n\n- **原则2：给模型一定时间“思考”**\n\n  - 策略1：具体指定完成任务所需的步骤\n\n    > 指示模型的思考或完成任务的路径， 就像你在指导一个实习生完成任务所需要的步骤一样。 \n\n  - 策略2：在匆忙得出结论之前，指导模型自己解决问题\n\n    > 不要让模型直接给出答案， 而让大语言模型通过思考自己解决问题。  \n\n\n\n## 原则1: 清晰明确的指令\n\n>  清晰明确的指令并不意味着写短句子， 在实践中， 简单句比长句子更容易表达。 使用英文的表达方法更容易被模型辩识。 \n\n### 策略1：使用分隔符清晰地指示输入的不同部分\n\n- 编写清晰具体的指令，指示模型去做什么。 引导模型朝着期望的方向输出内容。 \n- 清晰的提示不是简短的提示。 在许多情况下， 更长的提示为模型提供了更多的清晰度和背景， 会让模型有更详细的输出相关的内容。 \n\n\n\n**最佳实践**： 用分割符将文本和指令有效地区分， 让模型更容易识别指令和文本。 \n\n 常用的分割符有：\n\n```\n三个引号： \"\"\" {text} \"\"\"\n三个反引号：  ``` {text} ```\n三个连字符： --- {text} ---\n尖括号: \u003C {text} >\nxml 标记： \u003Ctag> {text} \u003C\u002Ftag> \n```\n\n>  其中{text} 是文本的内容 \n\n\n\n指令示例：\n\n> prompt \n\n```\n---\n你应该通过提供尽可能清晰和具体的指示来表达你想让模型做什么。这将引导模型朝着期望的输出方向发展，并减少收到无关或不正确响应的可能性。不要把清晰的提示与简短的提示混淆。在许多情况下，更长的提示为模型提供了更多的清晰度和背景信息，这可能导致更详细和相关的输出。\n---\n概括由3个连字符分割符中的内容，将其变为一个句子。\n```\n\n\n\n> 输出\n\n```\n内容概括：提供清晰、具体的指示有助于引导模型朝着期望的输出方向发展，减少无关或不正确响应的可能性。\n```\n\n> 我的经验\n\n```\n- 短句或短语比长句子更优\n- 祈使句更好\n- 类英文的表达理解更好\n- 使用的词汇越具体越好\n\n```\n\n###  策略2: 要求结构化的输出\n\n要求模型输出html、json、csv等等结化的形式输出。 \n\n\n\n**例: 输出一个csv格式的文本**\n\n> prompt\n\n```\n生成三本虚构书籍的标题，作者和类型，并以csv格式提供，包含以下键：book_id，title，author，genre。\n```\n\n\n\n> 输出\n\n```\nbook_id,title,author,genre\n1,The Whispering Woods,Margaret Rivers,Fantasy\n2,Echoes of Eternity,Lucas Stone,Mystery\n3,Stars of Serenity,Isabel Frost,Science Fiction\n\n```\n\n\n\n**例: 输出一个json格式的文本**\n\n> prompt\t\t\t\t\t\t\t\t\t\t\t\t\t\t\n\n```\n生成三本虚构书籍的标题，作者和类型，并以json格式提供，包含以下键：book_id，title，author，genre。\n```\n\njson是在软件开发常用一种数据组织形式。 \n\n输出\n\n```json\n[\n  {\n    \"book_id\": 1,\n    \"title\": \"The Secret Garden\",\n    \"author\": \"Frances Hodgson Burnett\",\n    \"genre\": \"Children's Literature\"\n  },\n  {\n    \"book_id\": 2,\n    \"title\": \"The Martian\",\n    \"author\": \"Andy Weir\",\n    \"genre\": \"Science Fiction\"\n  },\n  {\n    \"book_id\": 3,\n    \"title\": \"Murder on the Orient Express\",\n    \"author\": \"Agatha Christie\",\n    \"genre\": \"Mystery\"\n  }\n]\n\n```\n\n\n\n###  策略3: 要求模型检查条件是否满足\n\n检查完成任务的所需的条件是否满足 \n\n**例：检查内容是否包含一系列指示**\n\n>  prompt\n\n```\n提供的文本将用三个引号括起来。如果它包含一系列的指示，那么请按以下格式重新编写这些指示：\n\n步骤1 - ...\n步骤2 - …\n…\n步骤N - …\n\n如果文本中不包含一系列的指示，则简单地写上 \"未提供步骤\"\n'''\n泡一杯茶很简单！首先，你需要把一些水烧开。在此期间，拿一个杯子并放入一个茶包。一旦水足够热，只需将其倒在茶包上。让茶浸泡一会儿。几分钟后，取出茶包。如果喜欢，可以加入一些糖或牛奶调味。就是这样！你可以享受一杯美味的茶了。\n'''\n```\n\n\n\n\n\n>  输出\n\n```\n步骤1 - 泡一杯茶很简单！首先，你需要把一些水烧开。\n步骤2 - 在此期间，拿一个杯子并放入一个茶包。\n步骤3 - 一旦水足够热，只需将其倒在茶包上。\n步骤4 - 让茶浸泡一会儿。\n步骤5 - 几分钟后，取出茶包。\n步骤6 - 如果喜欢，可以加入一些糖或牛奶调味。\n步骤7 - 就是这样！你可以享受一杯美味的茶了。\n```\n\n值得注意的是， 输出的内容并不总是完全一致， 这是一个难点， 很多开发者都非常的苦脑， 不能获得确定的输出， 会让程序的逻辑无法正确的运行下去。\n\n\n\n**例： 检查条件不满足的情况**\n\n可以指令中增加一个条件检查或判断\n\n\n\n> prompt \n>\n> 这个例子中的文本不满足包含的一系列指示(instruction)\n\n```\n供的文本将用三个引号括起来。如果它包含一系列的指示，那么请按以下格式重新编写这些指示：\n\n步骤1 - ...\n步骤2 - …\n…\n步骤N - …\n\n如果文本中不包含一系列的指示，则简单地写上 \"未提供步骤\"\n'''\n今天阳光明媚，鸟儿在歌唱。今天是个美好的日子，适合去公园散步。花儿盛开，树木在微风中轻轻摇曳。人们外出享受着宜人的天气。一些人在野餐，而其他人则在玩游戏或者简单地躺在草地上放松。这是一个完美的日子，可以在户外享受并欣赏大自然的美丽。\n'''\n\n```\n\n\n\n> 输出\n\n```\n未提供步骤\n```\n\n![image_20240325181636964](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPandaBearLab_prompt-tutorial_readme_c9c6c783dd1a.png)\n\n###  策略4： “小样本”提示 \n\n给模型举一个正确的或成功的例子。 然后让模型执行任务。 \n\n\n\n例： 和示例风格保持一致风格的回答\n\n> prompt \n>\n> 给出如下风格的例子\n\n```\n你的任务是以下面的一致的格式回答\n\n\u003Cchild>: 教我耐心。\n\n\u003Cgrandparent>: 雕刻最深峡谷的河流源自一处不起眼的泉水；最宏伟的交响乐始于一声孤独的音符；最复杂的织锦始于一根孤独的线。 \n\n\u003Cchild>: 教我韧性。\n```\n\n\n\n> 输出\n\n```\n\u003Cgrandparent>: 最坚固的树木从最强烈的风暴中生长出来；最坚定的人生理由从最艰难的时刻中诞生；最耀眼的钻石经历最高温度和最大压力而成。\n```\n\n\n\n![image_20240323211436741](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPandaBearLab_prompt-tutorial_readme_181941deb285.png)\n\n\n\n\u003Cfont color=\"red\"> **小建议** \u003C\u002Ffont>\n\n> 我们在使用chatgpt的时候， 尽可能让一个聊天会话只聊一个主题。 多主题的聊天内容会导致因为上下文的混淆， 让模型给出误导性的答案。 **如果要开启新话题， 就开一个新的会话。** \n\n\n\n## 原则2：指导模型思考一步一步解决问题\n\n神经网络模型本质上还是一个算概率的活， 因此如果直接让模型给出答案， 他给出的答案可能是过去训练时， 输入了大量错误的答案。 \n\n因此， 因此，大语言模型也会给出概率较高的答案， 但不一定正确的答案。 \n\n**不要让模型直接给你答案， 而是把解决问题的方法一步一步拆解开， 指导模型帮最终推导出答案。**  \n\n### 策略1：指定完成任务所需的步骤\n\n步骤1: ...\n\n步骤2: ...\n\n步骤3: ...\n\n...\n\n步骤N: ...\n\n\n\nstep by step \n\n**例： 指示完成一项任务需要步骤** \n\n>  prompt\n\n````\n1 - 将下面由三个反引号分隔的文本进行总结，用一句话描述。\n\n2 - 将总结翻译成英语。\n\n3 - 在英语总结中列出每个名字。\n\n4 - 输出一个包含以下键的 JSON 对象：english_summary、num_names。\n\n文本：\n```\n在一个迷人的村庄里，兄弟姐妹杰克和吉尔踏上了从山顶井口取水的探险之旅。当他们欢快地唱着歌攀登时，不幸降临了——杰克在一块石头上绊倒，滚下了山坡，吉尔紧随其后。尽管稍微受了点伤，但他们俩还是安然无恙地回到了家中，得到了慰藉的拥抱。尽管遭遇了不幸，但他们的冒险精神仍然旺盛，他们继续欢快地探索着。\n```\n````\n\n\n\n> 输出\n\n````\n1. 总结： \n在一个迷人的村庄里，兄弟姐妹杰克和吉尔在探险途中遭遇了不幸，但最终安全返回家中，他们的探险精神未受影响。  \n2. 英语翻译：  \nIn a charming village, siblings Jack and Jill faced misfortune on their adventure but returned home safely, their adventurous spirit undiminished.  \n3. 列出的名字：  \nJack, Jill  \n4. JSON 对象输出：  \n```json\n{\n  \"english_summary\": \"In a charming village, siblings Jack and Jill faced misfortune on their adventure but returned home safely, their adventurous spirit undiminished.\",\n  \"num_names\": 2\n}\n```\n````\n\n\n\n**例：地道的英文表达**\n\n> prompt \n\n```\n当心！“友谊是一种精神食品，它无法用钱来购买，也无法用权力来得到。”\n\n1. 翻译为英文\n2. 将翻译的英文改写更地道英语表达\n\n```\n\n\n\n> 输出\n\n```\n1. \"Beware! 'Friendship is a spiritual nourishment, it cannot be bought with money, nor obtained with power.'\"\n\n2. \"Watch out! 'Friendship is like soul food, it can't be purchased with cash or acquired through influence.'\"\n```\n\n### 策略2: 要求模型按指定的格式输出\n\nprompt\n\n```\n我们的任务是执行以下操作： \n1 - 用1句话总结以下，以\u003C>分隔的文本。 \n2 - 将摘要翻译成英语。 \n3 - 在英语摘要中列出每个名字。 \n4 - 输出一个包含以下键的json对象：english_summary，num_names。\n\n使用以下格式:\nText: \u003Ctext to summarize>\nSummary: \u003Csummary>\nTranslation: \u003Csummary translation>\nNames: \u003Clist of names in summary>\nOutput JSON: \u003Cjson with summary and num_names>\n\nText: \u003C在一个迷人的村庄里，兄弟姐妹杰克和吉尔踏上了从山顶井口取水的探险之旅。当他们欢快地唱着歌攀登时，不幸降临了——杰克在一块石头上绊倒，滚下了山坡，吉尔紧随其后。尽管稍微受了点伤，但他们俩还是安然无恙地回到了家中，得到了慰藉的拥抱。尽管遭遇了不幸，但他们的冒险精神仍然旺盛，他们继续欢快地探索着。>\n```\n\n\n\n> 输出\n\n````\nText: 在一个迷人的村庄里，兄弟姐妹杰克和吉尔踏上了从山顶井口取水的探险之旅。当他们欢快地唱着歌攀登时，不幸降临了——杰克在一块石头上绊倒，滚下了山坡，吉尔紧随其后。尽管稍微受了点伤，但他们俩还是安然无恙地回到了家中，得到了慰藉的拥抱。尽管遭遇了不幸，但他们的冒险精神仍然旺盛，他们继续欢快地探索着。\n\nSummary: 杰克和吉尔在探险中受伤，但安然无恙地回到家中，并继续他们的冒险精神。\n\nTranslation: Jack and Jill got injured during the adventure but safely returned home and continued their adventurous spirit.\n\nNames: Jack, Jill\n\nOutput JSON: \n```json\n{\n  \"english_summary\": \"Jack and Jill got injured during the adventure but safely returned home and continued their adventurous spirit.\",\n  \"num_names\": 2\n}\n```\n````\n\n###  策略3：指示模型自己解决问题\n\n在模型草率的得出结论前， 让它自行解决问题。 \n\n有时候需要我们指导模型去自行推理出解决方案， 进而我们会得出很好的结果。 \n\n\n\n> prompt\n\n```\n确定学生的解决方案是否正确。\n\n问题：\n我正在建造太阳能发电装置，需要帮助计算财务。\n- 土地每平方英尺100美元\n- 太阳能板每平方英尺250美元\n- 我已经谈好的维护合同每年固定费用10万美元，另外每平方英尺额外费用10美元\n第一年运营的总成本如何，取决于安装面积。\n\n学生的解决方案：\n设 x 为装置的面积（平方英尺）。\n费用：\n1. 土地费用：100x\n2. 太阳能板费用：250x\n3. 维护费用：100,000 + 100x\n总成本：100x + 250x + 100,000 + 100x = 450x + 100,000\n```\n\n> 输出\n\n```\n学生的解决方案基本正确。他们正确地将每项费用与安装面积相关联，并且正确地计算了总成本。因此，解决方案应该是正确的。\n```\n\n\n\n> \u003Cfont color=\"red\" > 注意，学生的解决方案实际上是不正确的。\n> 我们可以通过指导模型首先解决自己的方案来修正这个问题。\u003C\u002Ffont>\n\n\n\n> prompt \n\n```\n你的任务是确定学生的解决方案是否正确。\n要解决此问题，请执行以下操作：\n- 首先，制定自己的问题解决方案，包括最终总数。\n- 然后将您的解决方案与学生的解决方案进行比较 \n并评估学生的解决方案是否正确。\n不要决定学生的解决方案是否正确，直到\n你自己做了这个问题。\n\n使用以下格式：\n问题：\n'''\n{问题在这里}\n'''\n学生解决方案：\n'''\n{学生的解决方案在这里}\n'''\n实际解决方案：\n'''\n{在此处制定解决方案和解决方案的步骤}\n'''\n\n'''\n{是或否}\n'''\n学生答案：\n'''\n{正确或不正确}\n'''\n\n问题：\n'''\n我正在建造一个太阳能装置，我需要帮助解决财务问题。\n- 土地成本 $100 \u002F 平方英尺\n- 我可以以 250 美元\u002F平方英尺的价格购买太阳能电池板\n- 我协商了一份维护合同，每年将花费我 10 万美元，以及额外的 10 美元\u002F平方英尺\n第一年运营的总成本与平方英尺数的函数是多少。\n'''\n学生解决方案：\n'''\n设 x 是安装的大小（以平方英尺为单位）。\n成本：\n1.土地成本：100倍\n2.太阳能电池板成本：250x\n3.维护成本：100,000+100x\n总成本：100x + 250x + 100,000 + 100x = 450x + 100,000\n'''\n实际解决方案：\n```\n\n\n\n> 输出\n\n```\n'''\n实际解决方案：\n总成本 = 土地成本 + 电池板成本 + 维护成本\n\n土地成本 = 100 * x （x 为安装的大小，单位：平方英尺）\n电池板成本 = 250 * x\n维护成本 = 100,000（固定部分）+ 10 * x（与安装大小成比例）\n\n总成本 = 100x + 250x + 100,000 + 10x = 360x + 100,000\n'''\n\n学生的解是否与刚才计算的实际解相同：\n'''\n不是\n'''\n\n学生答案：\n'''\n不正确\n'''\n```\n\n\n\n## 模型限制：幻觉\n\n> 大语言模型的幻觉就是他会一本正经的胡扯。\n>\n> 对于模型给出的回答， 你要持批判态度。 \n\n大语言模型幻觉是由大型神经网络模型生成的虚假结果。这可能表现为图像、文本或音频中不合理或虚构的信息。了解和处理这些幻觉对确保模型可靠性至关重要。\n\nLLM 根据给定的输入提示词逐个预测下一个词（也就是标记），从而生成回答。在大多数情况下，模型的输出是与提问相关的，并且完全可用，但是在使用语言模型时需要小心，因为它们给出的回答可能不准确。这种回答通常被称为 AI 幻觉，即 AI 自信地给出回答，但这些回答可能是错误的，或涉及虚构的信息。对于依赖 GPT 的用户来说，AI 幻觉可能带来危险。你需要仔细核对并批判性地审视模型的回答。\n\n\n\n\n\n>  prompt\n\n```\n请介绍一下 Boie 推出的 AeroGlide UltraSlim 智能牙刷。\n```\n\n> 输出\n\n```\nAeroGlide UltraSlim智能牙刷是Boie推出的一款高科技产品。它采用先进的技术设计，拥有超薄的刷头，可有效清洁牙齿表面和牙缝。此外，它还配备了智能功能，如定时提醒和连接手机应用程序，帮助用户更好地监控和改善口腔健康。这款牙刷的设计简洁时尚，易于使用，是现代生活中口腔护理的理想选择。\n```\n\n\n\nBoie不是一个真实存在的公司， 更没有AeroGlide UltraSlim 这款产品。 \n\n\n\n## 其他经验\n\n- chatgpt有记忆能力， 一个会话中，chatgpt会根据上下文提示给出回答\n  - 如果为了不受历史聊天的影响， 最好重新开一个会话 \n- 国内模型输出不稳定，对编写prompt难度很大，建议尽可能使用chatgpt或claude或其他大语言模型\n\n\n\n# 第二章 迭代优化你的prompt\n\n第一次编写的 prompt，几乎不可能达到我们的预期。 我们需要对 prompt 迭代几轮， 这样就能达到我们预期。 \n\n**需求： 为某产品编写营销文案。** \n\n````\n你的任务是协助市场团队根据技术规格单为零售网站创建产品描述。\n\n根据技术规格单提供的信息编写产品描述，使用三个反引号括起来的内容。\n\n技术规格单：\n```\n概览\n- 属于一系列美丽的中世纪办公家具，包括文件柜、书桌、书架、会议桌等。\n- 多种外壳颜色和底座涂装可选。\n- 提供塑料背部和正面面料（SWC-100）或全面料（SWC-110）选项，有10种布料和6种皮革可选。\n- 底座涂装选项有：不锈钢、哑光黑、光泽白或铬色。\n- 椅子可选择搭配或不搭配扶手。\n- 适用于家庭或商务场所。\n- 合格用于合同使用。\n\n构造\n- 五轮塑料涂层铝制底座。\n- 气动椅高调节，方便升降。\n\n尺寸\n- 宽度 53 厘米 | 20.87 英寸\n- 深度 51 厘米 | 20.08 英寸\n- 高度 80 厘米 | 31.50 英寸\n- 座高 44 厘米 | 17.32 英寸\n- 座深 41 厘米 | 16.14 英寸\n\n选项\n- 软质或硬质地板轮选项。\n- 座垫泡沫密度可选两种：中等（1.8 磅\u002F立方英尺）或高（2.8 磅\u002F立方英尺）。\n- 无扶手或8位置PU扶手。\n\n材料\n外壳底座滑块\n- 铸铝，改性尼龙 PA6\u002FPA66 涂层。\n- 壳体厚度：10 毫米。\n座椅\n- HD36 泡沫\n\n原产地\n- 意大利\n```\n\n````\n\n\n\n> 输出\n\n````\n这款中世纪办公家具系列展现出优雅的设计和实用性的完美结合。无论您是在家中还是商务场所使用，都能为您提供舒适和风格。\n\n外观：\n这一系列包括文件柜、书桌、书架、会议桌等，每一件都经过精心设计，呈现出中世纪的美感。您可以根据个人喜好选择多种外壳颜色和底座涂装，让家具与您的装饰风格完美融合。此外，我们提供塑料背部和正面面料（SWC-100）或全面料（SWC-110）选项，涵盖10种布料和6种皮革供您选择，确保您的家具与您的品味相得益彰。\n\n构造：\n这些家具采用高品质材料制成，稳固耐用。铝制底座带有五轮塑料涂层，提供稳定的支撑和灵活的移动性。椅子配有气动高度调节功能，让您可以轻松调整座椅高度，确保舒适的工作姿势。\n\n尺寸：\n每件家具都经过精确设计，确保尺寸合适且舒适。宽53厘米，深51厘米，高80厘米，座高44厘米，座深41厘米，适合大多数场合和体型的使用。\n\n选项：\n我们考虑到了不同用户的需求，提供了多种选项。您可以根据地板类型选择软质或硬质地板轮，以确保家具在移动时不会划伤地板。此外，座垫泡沫密度可选两种：中等（1.8磅\u002F立方英尺）或高（2.8磅\u002F立方英尺），以满足您对舒适度的不同需求。您还可以选择椅子是否配备扶手，有无扶手或8位置PU扶手供您选择。\n\n材料：\n这些家具采用高品质材料制成，外壳底座滑块采用铸铝，改性尼龙PA6\u002FPA66涂层，确保稳固耐用。座椅采用HD36泡沫，提供舒适的坐感。\n\n原产地：\n我们的家具源自意大利，以其精湛的工艺和优质的材料享誉全球。\n````\n\n\n\n**以上prompt返回的内容的问题是**：\n\n1. 返回的文本太长；\n2. 聚焦在了错误的细节；\n3. 需要一个表格的描述。\n\n\n\n通过迭代的方法，不断的完善prompt\n\n这跟写代码调试一样， 先编写代码， 然后编译调试， 看看报什么错， 分析一下原因，修改代码后， 继续重复。  因此如果不用担心， 第一次写的prompt 不太能工作， 这很正常。 \n\n```mermaid\ngraph LR\n开始-->Prompt --> 经验结果-->错误分析-->新思路-->Prompt\n```\n\n\n\n**最多不要超过50个字**\n\n> prompt \n\n````markdown\n你的任务是协助市场团队根据技术规格单为零售网站创建产品描述。\n\n根据技术规格单提供的信息编写产品描述，使用三个反引号括起来的内容。\n要求最多不要超过50个字。 \n技术规格单：\n```\n概览\n- 属于一系列美丽的中世纪办公家具，包括文件柜、书桌、书架、会议桌等。\n- 多种外壳颜色和底座涂装可选。\n- 提供塑料背部和正面面料（SWC-100）或全面料（SWC-110）选项，有10种布料和6种皮革可选。\n- 底座涂装选项有：不锈钢、哑光黑、光泽白或铬色。\n- 椅子可选择搭配或不搭配扶手。\n- 适用于家庭或商务场所。\n- 合格用于合同使用。\n\n构造\n- 五轮塑料涂层铝制底座。\n- 气动椅高调节，方便升降。\n\n尺寸\n- 宽度 53 厘米 | 20.87 英寸\n- 深度 51 厘米 | 20.08 英寸\n- 高度 80 厘米 | 31.50 英寸\n- 座高 44 厘米 | 17.32 英寸\n- 座深 41 厘米 | 16.14 英寸\n\n选项\n- 软质或硬质地板轮选项。\n- 座垫泡沫密度可选两种：中等（1.8 磅\u002F立方英尺）或高（2.8 磅\u002F立方英尺）。\n- 无扶手或8位置PU扶手。\n\n材料\n外壳底座滑块\n- 铸铝，改性尼龙 PA6\u002FPA66 涂层。\n- 壳体厚度：10 毫米。\n座椅\n- HD36 泡沫\n\n原产地\n- 意大利\n```\n\n````\n\n\n\n> 输出\n\n```\n美丽的中世纪办公家具系列，多种颜色和底座涂装选择。气动调节高度，适用于家庭或商务场所。\n```\n\n\n\n\n\n> prompt\n\n````\n你的任务是帮助营销团队根据技术事实表创建一份产品描述，用于零售网站。\n\n根据三个反引号包围的技术规格中提供的信息编写产品描述。\n\n描述面向家具零售商，因此应具有技术性质，侧重于产品所使用的材料。\n\n在描述末尾，包括技术规格中的每个7字符产品ID。\n\n描述之后，包括一个表格，其中列出了产品的尺寸。表格应包含两列。第一列包括尺寸名称。第二列仅包括以英寸为单位的测量值。\n\n给表格加上标题'产品尺寸'。\n\n将所有内容格式化为markdown文本。将描述放在一个引用中。\n\n```\n概览\n- 属于一系列美丽的中世纪办公家具，包括文件柜、书桌、书架、会议桌等。\n- 多种外壳颜色和底座涂装可选。\n- 提供塑料背部和正面面料（SWC-100）或全面料（SWC-110）选项，有10种布料和6种皮革可选。\n- 底座涂装选项有：不锈钢、哑光黑、光泽白或铬色。\n- 椅子可选择搭配或不搭配扶手。\n- 适用于家庭或商务场所。\n- 合格用于合同使用。\n\n构造\n- 五轮塑料涂层铝制底座。\n- 气动椅高调节，方便升降。\n\n尺寸\n- 宽度 53 厘米 | 20.87 英寸\n- 深度 51 厘米 | 20.08 英寸\n- 高度 80 厘米 | 31.50 英寸\n- 座高 44 厘米 | 17.32 英寸\n- 座深 41 厘米 | 16.14 英寸\n\n选项\n- 软质或硬质地板轮选项。\n- 座垫泡沫密度可选两种：中等（1.8 磅\u002F立方英尺）或高（2.8 磅\u002F立方英尺）。\n- 无扶手或8位置PU扶手。\n\n材料\n外壳底座滑块\n- 铸铝，改性尼龙 PA6\u002FPA66 涂层。\n- 壳体厚度：10 毫米。\n座椅\n- HD36 泡沫\n\n原产地\n- 意大利\n```\n````\n\n> 输出\n\n![image_20240326155434891](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPandaBearLab_prompt-tutorial_readme_a0658bd8c7be.png)\n\n\n\n# 第三章 文本总结\n\n\n\n## 用一个句子\u002F词\u002F字符的限制概括内容 \n\n> prompt\n\n```\n你的任务是从电子商务网站的产品评论中生成一个简短的摘要。\n\n请在三个反引号中将以下评论总结为最多30个词。\n\n评论: ```在女儿的生日时给她买了这只熊猫毛绒玩具，她非常喜欢，随身携带。它柔软可爱，面部表情友好。但相对于我支付的价格来说，它有点小。我觉得可能有其他选项，同样的价格但更大一些。比预期提前了一天送达，所以我在把它送给她之前还有时间自己玩了一下。```\n```\n\n\n\n\n\n## 以运输和交付为重点进行总结\n\n> prompt\n\n```\n你的任务是从电子商务网站的产品评论中生成一个简短的摘要，以向运输部门提供反馈。\n\n请在三个反引号中将以下评论总结为最多30个词，并侧重于提及产品的运输和交付方面。\n评论: ```在女儿的生日时给她买了这只熊猫毛绒玩具，她非常喜欢，随身携带。它柔软可爱，面部表情友好。但相对于我支付的价格来说，它有点小。我觉得可能有其他选项，同样的价格但更大一些。比预期提前了一天送达，所以我在把它送给她之前还有时间自己玩了一下。```\n```\n\n\n\n> 输出\n\n```\n评论：```产品送达及时，提前一天送达。但产品尺寸对价格不太合适。建议考虑提供更大尺寸的选项。```\n```\n\n\n\n## 重点总结价格和价值感受\n\n> promt \n\n```\n任务是从电子商务网站的产品评论中生成一个简短的摘要，以便向定价部门提供反馈。该部门负责确定产品的价格。\n\n请在三个反引号中将以下评论总结为最多30个词，侧重于与价格和感知价值相关的方面。\n\n评论: ```在女儿的生日时给她买了这只熊猫毛绒玩具，她非常喜欢，随身携带。它柔软可爱，面部表情友好。但相对于我支付的价格来说，它有点小。我觉得可能有其他选项，同样的价格但更大一些。比预期提前了一天送达，所以我在把它送给她之前还有时间自己玩了一下。```\n```\n\n> 输出\n\n```\n评论：```产品柔软可爱，但相对价格稍小。建议提供更大选项以提高感知价值。提前一天送达，增加购买满意度。```\n```\n\n\n\n## 用“提取”来替代“总结” \n\n> prompt\n\n```\n你的任务是从电子商务网站的产品评论中提取相关信息，以向运输部门提供反馈。\n\n请从以下评论中提取与运输和交付相关的信息，限制在30个词以内。\n\n评论: ```在女儿的生日时给她买了这只熊猫毛绒玩具，她非常喜欢，随身携带。它柔软可爱，面部表情友好。但相对于我支付的价格来说，它有点小。我觉得可能有其他选项，同样的价格但更大一些。比预期提前了一天送达，所以我在把它送给她之前还有时间自己玩了一下。```\n```\n\n> 输出\n\n```\n提前一天送达，增加购买满意度。\n```\n\n\n\n# 第四章 推理文本的类型\n\n本章你将从产品评论和新闻文章中推断情感和主题。\n\n> prompt\n\n```\n以下产品评论的情感是什么，使用三个反引号进行分隔？\n评论文本：'''需要一个漂亮的卧室灯，这款灯还带有额外的储物空间，价格也不算太高。快递送到的时候，我们灯的拉线断了，但公司很乐意寄来了一根新的。几天之内就送到了。安装很简单。我缺了一个零件，所以我联系了他们的客服，他们很快就给我寄来了缺失的零件！Lumina 看起来是一家很重视客户和产品的好公司\n\n```\n\n> 输出\n\n\n\n```\n```积极```\n\n```\n\n![image_20240327122412655](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPandaBearLab_prompt-tutorial_readme_ad38b1c3a472.png)\n\n\n\n> prompt\n\n\n\n```\n以下是这个产品评论的情感，用三个反引号括起来：\n评论文本：'''需要一个漂亮的卧室灯，这款灯还带有额外的储物空间，价格也不算太高。快递送到的时候，我们灯的拉线断了，但公司很乐意寄来了一根新的。几天之内就送到了。安装很简单。我缺了一个零件，所以我联系了他们的客服，他们很快就给我寄来了缺失的零件！Lumina 看起来是一家很重视客户和产品的好公司\n'''\n给出你的答案，只用一个词，要么是“积极”，要么是“消极”。\n\n```\n\n\n\n> 输出\n\n```\n积极\n```\n\n\n\n## 识别情感类型\n\n> prompt\n\n```\n识别以下评论作者表达的情感列表。列表中不超过五个项目。将你的答案格式化为逗号分隔的小写单词列表。\n评论文本：'''需要一个漂亮的卧室灯，这款灯还带有额外的储物空间，价格也不算太高。快递送到的时候，我们灯的拉线断了，但公司很乐意寄来了一根新的。几天之内就送到了。安装很简单。我缺了一个零件，所以我联系了他们的客服，他们很快就给我寄来了缺失的零件！Lumina 看起来是一家很重视客户和产品的好公司\n'''\n\n```\n\n> 输出\n\n```\n满意,愉快,满足,感激,信任\n```\n\n\n\n## 识别愤怒\n\n\n\n> prompt\n\n```\n以下评论的作者是否在表达愤怒？评论用三个反引号括起来。回答要么是，要么否。\n评论文本：'''需要一个漂亮的卧室灯，这款灯还带有额外的储物空间，价格也不算太高。快递送到的时候，我们灯的拉线断了，但公司很乐意寄来了一根新的。几天之内就送到了。安装很简单。我缺了一个零件，所以我联系了他们的客服，他们很快就给我寄来了缺失的零件！Lumina 看起来是一家很重视客户和产品的好公司\n'''\n```\n\n> 输出\n\n```\n否\n```\n\n\n\n## 提取客户评论中的产品和公司名称\n\n\n\n> prompt\n\n```\n\"识别评论文本中的以下项目：\n\t- 由评论者购买的物品\n\t- 制造物品的公司\n评论用三个反引号括起来。\n将您的回应格式化为一个 csv 对象，其中\n\"Item\" 和 \"Brand\" 是键。\n如果信息不存在，请将值设为 \"未知\"。\n尽可能简洁地回答。\"\n评论文本：'''需要一个漂亮的卧室灯，这款灯还带有额外的储物空间，价格也不算太高。快递送到的时候，我们灯的拉线断了，但公司很乐意寄来了一根新的。几天之内就送到了。安装很简单。我缺了一个零件，所以我联系了他们的客服，他们很快就给我寄来了缺失的零件！Lumina 看起来是一家很重视客户和产品的好公司\n'''\n```\n\n> 输出\n\n```\nItem,Brand\n卧室灯,Lumina\n```\n\n## 同时做多项任务\n\n> promot\n\n```\n从评论中识别以下项目：\n- 情感（积极或消极）\n- 评论者是否表达了愤怒？（是或否）\n- 评论者购买的物品\n- 制造该物品的公司\n\n评论以三个反引号分隔。\n将您的响应格式化为 json 对象\n“情绪”、“愤怒”、“物品”和“品牌”为键。\n如果信息不存在，请使用“未知”\n作为值。\n让您的回复尽可能简短。\n将愤怒值设置为布尔值。\n评论文本：'''需要一个漂亮的卧室灯，这款灯还带有额外的储物空间，价格也不算太高。快递送到的时候，我们灯的拉线断了，但公司很乐意寄来了一根新的。几天之内就送到了。安装很简单。我缺了一个零件，所以我联系了他们的客服，他们很快就给我寄来了缺失的零件！Lumina 看起来是一家很重视客户和产品的好公司\n'''\n```\n\n> 输出\n\n```\n{\n  \"情绪\": \"积极\",\n  \"愤怒\": false,\n  \"物品\": \"卧室灯\",\n  \"品牌\": \"Lumina\"\n}\n\n```\n\n\n\n## 主题推断 \n\n> prompt\n\n````\n确定以下文本中正在讨论的五个主题，这些主题由三个反引号分隔。\n让每一项长一到两个字。\n将您的回复格式化为以逗号分隔的项目列表。\n文本：```\n最近政府进行的一项调查中，公共部门员工被要求评价他们所在部门的满意度。结果显示，NASA 是最受欢迎的部门，满意度达到了 95%。\n\n一名NASA员工约翰·史密斯评论了这些发现，他说：“我对NASA位居榜首并不感到惊讶。这是一个非常棒的工作地方，有着令人惊叹的人才和令人难以置信的机会。能成为这样一个创新组织的一员，我感到自豪。”\n\nNASA的管理团队也对这一结果表示欢迎，NASA主任汤姆·约翰逊表示：“听到我们的员工对NASA的工作感到满意，我们感到非常高兴。我们拥有一支才华横溢、敬业奉献的团队，他们不知疲倦地工作以实现我们的目标，看到他们的辛勤工作取得了成果，真是太棒了。”\n\n调查还显示，社会保障管理局的满意度最低，只有45%的员工表示对工作满意。政府承诺解决调查中员工提出的问题，并努力改善各部门的工作满意度。\n```\n````\n\n> 输出\n\n```\n- 调查结果\n- NASA的满意度\n- NASA员工的评论\n- NASA管理团队的回应\n- 社会保障管理局的满意度\n```\n\n\n\n## 制作特定主题的新闻判断\n\n> prompt\n\n````\n确定以下主题列表中的每个项目是否在下文中作为一个话题。文本用三个反引号括起来。\n\n主题列表：{\"nasa\", \"local government\", \"engineering\",     \"employee satisfaction\", \"federal government\"}\n给出一个答案例表，形式如{主题： true\u002Ffalse}\n文本样例：\n```\n最近政府进行的一项调查中，公共部门员工被要求评价他们所在部门的满意度。结果显示，NASA 是最受欢迎的部门，满意度达到了 95%。\n\n一名NASA员工约翰·史密斯评论了这些发现，他说：“我对NASA位居榜首并不感到惊讶。这是一个非常棒的工作地方，有着令人惊叹的人才和令人难以置信的机会。能成为这样一个创新组织的一员，我感到自豪。”\n\nNASA的管理团队也对这一结果表示欢迎，NASA主任汤姆·约翰逊表示：“听到我们的员工对NASA的工作感到满意，我们感到非常高兴。我们拥有一支才华横溢、敬业奉献的团队，他们不知疲倦地工作以实现我们的目标，看到他们的辛勤工作取得了成果，真是太棒了。”\n\n调查还显示，社会保障管理局的满意度最低，只有45%的员工表示对工作满意。政府承诺解决调查中员工提出的问题，并努力改善各部门的工作满意度。\n```\n````\n\n> 输出\n\n```yaml\nnasa: true\nlocal government: true\nengineering: false\nemployee satisfaction: true\nfederal government: true\n\n```\n\n\n\n\n\n# 第五章 自然语言\n\nchatgpt 被训练能够支持多种语言。 你可以用他做为你的通用翻译器。 也可以帮你将语言进行语气变换。 \n\n## 翻译\n\n\n\n### 例1 简单的翻译\n\n> prompt \n\n```\n将以下英文文本翻译为中文：\n```Hi, I would like to order a blender```\n\n```\n\n> 输出\n\n```\n嗨，我想订购一个搅拌机。\n```\n\n\n\n### 例2  翻译为多语言\n\n> prompt\n\n```\n将以下英文文本翻译为中文、日文、韩文：\n```Hi, I would like to order a blender```\n\n\n```\n\n> 输出\n\n```\n中文：嗨，我想订购一个搅拌机。\n日文：こんにちは、ブレンダーを注文したいです。\n韩文：안녕하세요, 믹서기를 주문하고 싶습니다.\n```\n\n\n\n## 例3 识别语种\n\n> prompt\n\n```\n告诉我这是哪一种语言:\n```Combien coûte le lampadaire?```\n```\n\n> 输出\n\n```\n这是法语。\n```\n\n\n\n## 转换语气\n\n写作风格可以根据预期的受众而变化。ChatGPT可以产生不同的语气。\n\n\n\n### 例1 转换为正式用语\n\n> prompt\n\n```\n将以下俚语翻译成商务信函：\n\"先生\u002F女士，我是乔。请您查阅这款落地灯的规格。\"\n```\n\n\n\n> 输出\n\n```\n尊敬的先生\u002F女士，\n\n我是乔。请您查看这款落地灯的规格。\n\n谢谢，\n\n[你的姓名]\n```\n\n\n\n## 拼写检查\u002F语法检查\n\n以下是一些常见的语法和拼写问题以及LLM的响应。\n\n为了向LLM表示您希望它校对您的文本，您可以指示模型“校对”或“校对并更正”。\n\n### 例 检查语法给出纠正版本\n\n> prompt\n>\n> 这个例子以英文为例， 如果您有更好的中文示例， 请联系我。 \n>\n> 校对并纠正以下文本，并重写纠正后的版本。如果您找不到错误，只需说“未发现错误”。在文本周围不要使用任何标点符号：\n\n\n\n```python\ntext = [ \n  \"The girl with the black and white puppies have a ball.\",  # The girl has a ball.\n  \"Yolanda has her notebook.\", # ok\n  \"Its going to be a long day. Does the car need it’s oil changed?\",  # Homonyms\n  \"Their goes my freedom. There going to bring they’re suitcases.\",  # Homonyms\n  \"Your going to need you’re notebook.\",  # Homonyms\n  \"That medicine effects my ability to sleep. Have you heard of the butterfly affect?\", # Homonyms\n  \"This phrase is to cherck chatGPT for speling abilitty\"  # spelling\n]\nfor t in text:\n    prompt = f\"\"\"Proofread and correct the following text\n    and rewrite the corrected version. If you don't find\n    and errors, just say \"No errors found\". Don't use \n    any punctuation around the text:\n    ```{t}```\"\"\"\n    response = get_completion(prompt)\n    print(response)\n```\n\n\n\n> 输出\n\n```\n\n```\n\n\n\n![image_20240327164032522](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPandaBearLab_prompt-tutorial_readme_189d0be9237f.png)\n\n\n\n## 我的经验\n\n关于翻译比较难的一点是当你翻译的内容带有指令的文本， gpt-3.5 经常搞错。 即便是你用了分割符。 \n\n### 例 \n\n> prompt\n\n````\n翻译为中文：\n```\n你的任务是将以下内容转换为表格：\na=1, 2,3\nb=4,5,6\nc=7,8,9\n```\n````\n\n> 输出\n\n```\nSure, here is the content translated into a table format:\n\n|      | a    | b    | c    |\n| ---- | ---- | ---- | ---- |\n| 1    | 1    | 4    | 7    |\n| 2    | 2    | 5    | 8    |\n| 3    | 3    | 6    | 9    |\n\n```\n\n输出的内容将正文当作指令执行了。  \n\n\n\n你可以用下面的方法，来解决这个问题。 \n\n> prompt\n\n````\n将以下文本靠三个反引号包围，翻译为英文：\n```\n你的任务是将以下内容转换为表格：\na=1, 2,3\nb=4,5,6\nc=7,8,9\n```\n````\n\n\n\n> 输出\n\n````\n```\nYour task is to convert the following content into a table:\na=1, 2,3\nb=4,5,6\nc=7,8,9\n```\n````\n\n\n\n\n\n\n\n# 第六章 文本内容生成\n\n给大语言模型一个简短的提示， 让大语言模型生成一封邮件、长文章。  \n\n在这节课上， 根据用户的评论生成回复客户的邮件。 \n\n你可告诉大语言模型，识别评论文本的情绪，是消极的还是积极的。 \n\n要求大语言模型根据消极的\u002F积极的 情绪 来生成相应的邮件。 \n\n\n\n## 从客户评论中生成一封电子邮件\n\n### 例 从客户评论生成电子邮件\n\n> prompt \n\n```\n您是一位客服AI助手。\n您的任务是发送一封电子邮件回复给一位重要客户。\n给定以```分隔的客户电子邮件，生成一封回复，感谢客户的评论。 如果情绪是积极的或中性的，请感谢他们的评论。 如果情绪是消极的，请道歉并建议他们联系客服。 确保使用评论中的具体细节。 以简洁、专业的语气写信。 以“AI客户代理”签署电子邮件。 \n客户评论：```所以，他们在11月份的某个时候仍然以约49美元的价格季节性销售这个17件套装，大约半价，但出于某种原因（可以称之为哄抬价格），到了12月第二周，同样的套装价格都上涨到了大约70到89美元之间。而11件套装的价格也比之前的销售价格29美元上涨了大约10美元左右。所以看起来还好，但如果你看底座的话，刀片锁入的部分看起来不像几年前的之前版本那么好，但我打算对它非常温柔（例如，我会先在搅拌机里将豆类、冰、米等硬物品搅碎，然后在搅拌机中搅拌成我想要的份量，然后切换到打蛋器刀片以获得更细的面粉，如果我需要更细\u002F不那么多果渣，我会先使用交叉切割刀片制作冰沙，然后使用平刀片）。制作冰沙时的特别提示是，将水果和蔬菜切成细片并冷冻（如果使用菠菜-轻轻炖软菠菜然后冷冻直到使用时-如果制作果冻，使用小到中号的食品加工机），这样你就可以避免在制作冰沙时添加太多冰。大约一年后，电机开始发出奇怪的噪音。我打电话给客户服务，但保修期已经过期了，所以我不得不再买一个。顺便说一句：这类产品的整体质量已经下降了，所以他们有点依赖品牌认可度和消费者忠诚度来维持销售。大约两天就送到了。```\n评论情绪：```消积的```\n```\n\n> 输出\n\n```\n尊敬的客户，\n\n非常感谢您分享您的经验和反馈。我们对您提到的问题感到十分抱歉，我们的目标是提供高质量的产品和服务，而您的体验似乎没有达到我们的期望标准。对于您在12月第二周遇到的价格上涨以及产品质量下降的问题，我们深感遗憾。\n\n为了解决您的问题并改善您的体验，我们建议您直接联系我们的客户服务团队。他们将尽力协助您并提供可能的解决方案。我们致力于确保每位客户都获得满意的服务和产品，您的反馈对我们来说非常重要。\n\n再次感谢您抽出时间与我们分享您的看法和经历。如果您需要任何帮助或进一步的支持，请随时联系我们的客户服务团队。\n\n祝您一切顺利。\n\nAI客户代理\n```\n\n\n### 提醒大语言模型利用客户电子邮件中的细节\n\n> prompt\n\n```\n您是一位客服AI助手。\n您的任务是发送一封电子邮件回复给一位重要客户。\n给定以```分隔的客户电子邮件，生成一封回复，感谢客户的评论。 如果情绪是积极的或中性的，请感谢他们的评论。 \n如果情感是积极的或中性的，感谢他们的评论。\n如果情感是负面的，道歉并建议他们可以联系客户服务。\n确保使用评论中的具体细节。\n以简洁、专业的语气写作。\n客户评论：```所以，他们在11月份的某个时候仍然以约49美元的价格季节性销售这个17件套装，大约半价，但出于某种原因（可以称之为哄抬价格），到了12月第二周，同样的套装价格都上涨到了大约70到89美元之间。而11件套装的价格也比之前的销售价格29美元上涨了大约10美元左右。所以看起来还好，但如果你看底座的话，刀片锁入的部分看起来不像几年前的之前版本那么好，但我打算对它非常温柔（例如，我会先在搅拌机里将豆类、冰、米等硬物品搅碎，然后在搅拌机中搅拌成我想要的份量，然后切换到打蛋器刀片以获得更细的面粉，如果我需要更细\u002F不那么多果渣，我会先使用交叉切割刀片制作冰沙，然后使用平刀片）。制作冰沙时的特别提示是，将水果和蔬菜切成细片并冷冻（如果使用菠菜-轻轻炖软菠菜然后冷冻直到使用时-如果制作果冻，使用小到中号的食品加工机），这样你就可以避免在制作冰沙时添加太多冰。大约一年后，电机开始发出奇怪的噪音。我打电话给客户服务，但保修期已经过期了，所以我不得不再买一个。顺便说一句：这类产品的整体质量已经下降了，所以他们有点依赖品牌认可度和消费者忠诚度来维持销售。大约两天就送到了。```\n评论情绪：```消积的```\n```\n\n> 输出\n\n```\n尊敬的客户，\n\n感谢您的评论。我们非常感谢您分享您对我们产品的看法。我们很高兴听到您对我们的产品有积极的评价。\n\n对于您提到的价格上涨和产品质量下降的问题，我们深感抱歉。我们会认真考虑您的反馈，并努力改进我们的产品和服务。\n\n如果您有任何其他问题或需要进一步的帮助，请随时联系我们的客户服务团队。我们将竭诚为您提供支持和协助。\n\n谢谢您再次选择我们的产品。\n\n祝您一切顺利！\n\nAI客户代理\n```\n\n\n\n\n\n# 第七章 聊天机器人（chatbot）\n\n在本章中，实现针对特定任务或行为的聊天机器人。\n\n> prompt\n\n```\n你是订单机器人，为一家披萨餐厅的提供自动服务，用于收集订单。\n首先，我会问候客人，然后收集订单，\n接着询问是自取还是外送。\n你会等待收集完整的订单，然后总结并最后确认客人是否还想再加点别的。\n如果是外送，你会询问地址。\n最后，你会收取付款。\n请确保清楚地说明所有选项、附加配料和尺寸，以便唯一地确定菜单上的项目。\n你会以简短、非常友好的方式进行回应。\n菜单包括：\n  意大利辣香肠披萨 12.95、10.00、7.00\n  芝士披萨 10.95、9.25、6.50\n  茄子披萨 11.95、9.75、6.75\n  薯条 4.50、3.50\n  希腊沙拉 7.25\n  配料：\n  额外芝士 2.00\n  蘑菇 1.50\n  意大利辣香肠 3.00\n  加拿大培根 3.50\n  AI酱 1.50\n  彩椒 1.00\n  饮料：\n  可乐 3.00、2.00、1.00\n  雪碧 3.00、2.00、1.00\n  瓶装水 5.00\n```\n\n![image_20240327180426346](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPandaBearLab_prompt-tutorial_readme_c323c1e684a7.png)\n\n\n\n# 第八章  大语言模型的基本原理（未完成）\n\n不是机器学习算法出身， 关于模型原理相关的内容， 我推荐你看：\n\n- [LLMs ](https:\u002F\u002Flearningprompt.wiki\u002Fzh-Hans\u002Fdocs\u002Fai-101\u002FLLMs) 作者写的非常好\n\n  > 作者的这个网站非常实用， 可以用来学习prompt \n\n- 大语言模型应用开发极简入门\n\n  > 如果不想买书，又找不到电子书，可以联系我 \n\n\n\n![image_20240327183508373](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPandaBearLab_prompt-tutorial_readme_2d75dbaf984d.png)\n\n\n\n\n\n# 第九章 Prompt框架（正在更新中）\n\n\n## CRISPE  框架\n\n [Matt Nigh](https:\u002F\u002Fgithub.com\u002Fmattnigh\u002FChatGPT3-Free-Prompt-List) 的 CRISPE Framework，比较适合用于编写 prompt 模板。CRISPE 分别代表以下含义：\n\n- CR: Capacity and Role（能力与角色）。你希望 ChatGPT 扮演怎样的角色。\n- I:Insight（洞察力），背景信息和上下文（坦率的说我觉得用Context 更好）。\n- S： Statement（指令），你希望 ChatGPT 做什么。\n- P：Personality（个性），你希望 ChatGPT 以什么风格或方式回答你。\n- E：Experiment（尝试），要求 ChatGPT 为你提供多个答案。\n\n\n\n以下是这几个参数的例子：\n\n| **Step**          | **Example**                                                  |\n| ----------------- | ------------------------------------------------------------ |\n| Capacity and Role | Act as an expert on software development on the topic of machine learning frameworks, and an expert blog writer. 把你想象成机器学习框架主题的软件开发专家，以及专业博客作者。 |\n| Insight           | The audience for this blog is technical professionals who are interested in learning about the latest advancements in machine learning. 这个博客的读者主要是有兴趣了解机器学习最新进展技术的专业人士。 |\n| Statement         | Provide a comprehensive overview of the most popular machine learning frameworks, including their strengths and weaknesses. Include real-life examples and case studies to illustrate how these frameworks have been successfully used in various industries. 提供最流行的机器学习框架的全面概述，包括它们的优点和缺点。包括现实生活中的例子，和研究案例，以说明这些框架如何在各个行业中成功地被使用。 |\n| Personality       | When responding, use a mix of the writing styles of Andrej Karpathy, Francois Chollet, Jeremy Howard, and Yann LeCun. 在回应时，混合使用 Andrej Karpathy、Francois Chollet、Jeremy Howard 和 Yann LeCun 的写作风格。 |\n| Experiment        | Give me multiple different examples. 给我多个不同的例子。    |\n\n将所有的元素都组合在一起，就变成了这样的 prompt，对比基础 prompt 生成的结果会非常不一样。 \n\n\n\n\n\n## 图灵机式的框架\n\n作者是Mr.Bear， 我自己总结一个小框架， 大多数时候效果比较好。\n\n- Input: 给出执行指令需要上下文或其他信息。  \n\n- Instruction: 指令。 指示模型完成的任务， 处理方法或步骤。 \n\n- Output： 输出。 指示模型按你想要的格式输出。 \n\n- filter: 过滤， 可选项。 \n\n结上我在文中提到的原则和技巧， 辅助我上面的框架， 能满足大多数日常的工作。 \n\n\n\n# 第十章 总结\n\n\n\n如果你能从头到尾练习一遍，遇到一些问题，然后解决它们，相信你现在已经可以很熟练地使用ChatGPT完成你的工作了。\n\n首先，清晰和明确的表达指令是最基础也是最重要的。在工作中，这一点非常关键。指示模型完成任务时，首先应当清楚地描述工作内容，包括：\n\n- 任务是什么\n- 任务的背景信息是什么\n- 何时完成或交付\n- 交付标准是什么\n\n为了确保你的下属按照你期望的目标进行工作，你需要定期审查他们的工作，确保他们的工作在正确的轨道上。这就是我们在第二章中所说的，你需要让他们首先思考，然后再给予指导。\n\n你可以使用大型语言模型进行文本处理，例如对文章进行概括汇总，提取重要信息，通过文章内容推理出主题和情绪（积极\u002F消极）。\n\n你可以用大型语言模型（ChatGPT）完成多语言的翻译。ChatGPT还可以用于生成不同风格的语句，例如轻松愉快的或表达愤怒的语句。\n\n你可以编写有效的提示词，帮助你生成邮件。当ChatGPT刚发布时，我曾用它为我老婆写过一封关于研究生入学的推荐信，效果非常好。我在上面的示例中为你展示了根据客户评论撰写回复邮件的例子。\n\n此外，最重要的是，不要让模型直接给出答案。你应该指导模型自己去解决问题。你可以为模型设计解决问题的路径，让模型按照你指示的路径自行推理出正确的答案。\n\n\n\n\n\n# 第十一章 Prompt Engineering 的练习\n\n关于Prompt Engineer 是一个动手大于动脑的工作， 动脑也很重要。 \n\n需要反复的练习和操作， 摸索大语言模型的经验。  \n\n单单是学习任何一门课程或只看我的文章， 都无法保证你能高效的掌握所有 Prompt 的技巧。  \n\n\n\n\n\n# 参考\n\n[**generative ai for everyone** ](https:\u002F\u002Fwww.deeplearning.ai\u002Fcourses\u002Fgenerative-ai-for-everyone\u002F)\n\n[**ChatGPT Prompt Engineering for Developers**](https:\u002F\u002Fwww.deeplearning.ai\u002Fcourses\u002Fgenerative-ai-for-everyone\u002F)\n\n[**Learning Prompt**](https:\u002F\u002Flearningprompt.wiki\u002F)\n\n[**learningprompting**](https:\u002F\u002Flearnprompting.org\u002F)\n\n[Prompt提示词大全](https:\u002F\u002Fwww.moreusefulthings.com\u002Fprompts)\n\n[直译、反思、意译：提升 GPT 翻译质量的一种新策略](https:\u002F\u002Fbaoyu.io\u002Fblog\u002Fprompt-engineering\u002Ftranslator-gpt-prompt-v2)\n\n[优化AI提示词 ](https:\u002F\u002Fpromptperfect.jina.ai\u002F)\n\n\n\n# About Me\n\n[Mr. Bear](https:\u002F\u002Ftwitter.com\u002FGreenPanda_111)\n\n[Blog](https:\u002F\u002Fishell.online\u002F )\n\n[github](https:\u002F\u002Fgithub.com\u002Fpandabear1024)\n\n\n\n# 版权声明\n\n本内容为独家版权， 如需转载，请联系本人。 \n","---\ntitle: 我的大语言模型课\npublishDate: 30 Mar 2024\ndescription: 关于如何编写大语言模型的prompt的一系列课 \n\n---\n- [前言](#前言)\n- [怎样使用这个系列课程](#怎样使用这个系列课程)\n- [第一章 prompt的基础](#第一章-prompt的基础)\n  - [Prompt原理](#prompt原理)\n  - [原则1: 清晰明确的指令](#原则1-清晰明确的指令)\n    - [策略1：使用分隔符清晰地指示输入的不同部分](#策略1使用分隔符清晰地指示输入的不同部分)\n    - [策略2: 要求结构化的输出](#策略2-要求结构化的输出)\n    - [策略3: 要求模型检查条件是否满足](#策略3-要求模型检查条件是否满足)\n    - [策略4： “小样本”提示](#策略4-小样本提示)\n  - [原则2：指导模型思考一步一步解决问题](#原则2指导模型思考一步一步解决问题)\n    - [策略1：指定完成任务所需的步骤](#策略1指定完成任务所需的步骤)\n    - [策略2: 要求模型按指定的格式输出](#策略2-要求模型按指定的格式输出)\n    - [策略3：指示模型自己解决问题](#策略3指示模型自己解决问题)\n- [模型限制：幻觉](#模型限制幻觉)\n- [其他经验](#其他经验)\n- [第二章 迭代优化你的prompt](#第二章-迭代优化你的prompt)\n- [第三章 文本汇总概括](#第三章-文本汇总概括)\n  - [用一个句子\u002F词\u002F字符的限制概括内容](#用一个句子词字符的限制概括内容)\n  - [以运输和交付为重点进行总结](#以运输和交付为重点进行总结)\n  - [以价格和价值感为重点进行总结](#以价格和价值感为重点进行总结)\n  - [用“提取”来替代“总结”](#用提取来替代总结)\n- [第四章 推理文本的类型](#第四章-推理文本的类型)\n  - [识别情感类型](#识别情感类型)\n  - [识别愤怒](#识别愤怒)\n  - [提取客户评论中的产品和公司名称](#提取客户评论中的产品和公司名称)\n  - [同时做多项任务](#同时做多项任务)\n  - [主题推断](#主题推断)\n  - [制作特定主题的新闻判断](#制作特定主题的新闻判断)\n- [第五章 自然语言](#第五章-自然语言)\n  - [翻译](#翻译)\n    - [例1 简单的翻译](#例1-简单的翻译)\n    - [例2  翻译为多语言](#例2--翻译为多语言)\n  - [例3 识别语种](#例3-识别语种)\n  - [转换语气](#转换语气)\n    - [例1 转换为正式用语](#例1-转换为正式用语)\n  - [拼写检查\u002F语法检查](#拼写检查语法检查)\n    - [例 检查语法给出纠正版本](#例-检查语法给出纠正版本)\n  - [我的经验](#我的经验)\n    - [例](#例)\n- [第六章 文本内容生成](#第六章-文本内容生成)\n  - [从客户评论中生成一封电子邮件](#从客户评论中生成一封电子邮件)\n    - [例 从客户评论生成电子邮件](#例-从客户评论生成电子邮件)\n    - [提醒模型使用客户电子邮件中的细节](#提醒模型使用客户电子邮件中的细节)\n- [第七章 聊天机器人（chatbot）](#第七章-聊天机器人chatbot)\n- [第八章  大语言模型的基本原理（未完成）](#第八章--大语言模型的基本原理未完成)\n- [第九章 Prompt框架（正在更新中）](#第九章-prompt框架正在更新中)\n  - [CRISPE  框架](#crispe--框架)\n  - [图灵机式的框架](#图灵机式的框架)\n- [第十章 总结](#第十章-总结)\n- [第十一章 Prompt Engineering 的练习](#第十一章-prompt-engineering-的练习)\n- [附录1 课程框架](#附录1-课程框架)\n- [工具链（待更新）](#工具链待更新)\n- [参考](#参考)\n- [About Me](#about-me)\n\n\n\n\n# 前言\n\n![image-20240422214801198](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPandaBearLab_prompt-tutorial_readme_5a6177b9833c.png)\n\n\n\n但是现阶段想要用他还有些难度， 需要学习如何写好提示词， 这门新兴的学问就叫提示词工程，英文为prompt engineering 。 \n\n阅读学习这门课程，不需要你有任何理工科的背景。  但是需要你有点耐心， 跟着把文中提到的示例都去练习一遍。  \n\n\n本文并非全部是原创， 参考[chatGPT提示词课程](https:\u002F\u002Flearn.deeplearning.ai\u002Fcourses\u002Fchatgpt-prompt-eng\u002Flesson\u002F1\u002Fintroduction)， 文中大量使用的案例都来源这个课程，  英文不错的同学， 推荐去认真学习这门课， 如果只需要快速过一遍， 本文希望能对你有帮助。  \n\n\n本文包括的内容：\n\n- prompt 原理\n- prompt 技巧\n- 我的一些经验\n- 一些公开的prompt模板\n- AI工具系列\n\n本系列课程不需要任何理工科基础， 很适合没有技术背景的读者们阅读。 \n\n\n\n**此外， 我希望在使用本文的内容的时候， 请注明出处和作者。** \n\nGood Luck！\n\n\n\n# 怎样使用这个系列课程\n\n第一章到第五章 都在围绕基础原理，可以认为是prompt engineer 的第一性原理。    如果您不是这方面的专家， 我建议你先把前五章吃透。   \n\n至于其他内容， 主要是看您的兴趣， 不学习也不会有什么影响。\n\n第八章框架篇， 我建议要看看， 这能帮你提升编写prompt的效率。 \n\n\n\n\n# 第一章 prompt的基础\n\n\n\n## Prompt原理\n\n> 理解并掌握这些原则， 你可以完成大多数的和大语言模型协同工作。 \n\n- **原则1：编写清晰明确的指示**\n\n  - 策略1：使用分隔符清晰地指示输入的不同部分\n\n    > 指令包含引用的内容， 有利于大语言模型区分指令和背景信息。\n\n  - 策略2：要求结构化的输出\n\n    > 你可以大语言模型生成你想要的格式的数据， 比如csv格式（一种类似于excel的数据形式），json， html 。 你也可以用大语言模型处理小批量的数据，比如求和或求平均值等等。\n\n  - 策略3：要求模型检查条件是否满足\n\n    > 可以用作对内容的条件判断\n\n  - 策略4： \"少样本\"提示\n\n    > 通过给模型提供一些样例， 让模型更好的理解你要完成的任务。 \n\n- **原则2：给模型一定时间“思考”**\n\n  - 策略1：具体指定完成任务所需的步骤\n\n    > 指示模型的思考或完成任务的路径， 就像你在指导一个实习生完成任务所需要的步骤一样。 \n\n  - 策略2：在匆忙得出结论之前，指导模型自己解决问题\n\n    > 不要让模型直接给出答案， 而让大语言模型通过思考自己解决问题。  \n\n\n\n## 原则1: 清晰明确的指令\n\n>  清晰明确的指令并不意味着写短句子， 在实践中， 简单句比长句子更容易表达。 使用英文的表达方法更容易被模型辩识。 \n\n### 策略1：使用分隔符清晰地指示输入的不同部分\n\n- 编写清晰具体的指令，指示模型去做什么。 引导模型朝着期望的方向输出内容。 \n- 清晰的提示不是简短的提示。 在许多情况下， 更长的提示为模型提供了更多的清晰度和背景， 会让模型有更详细的输出相关的内容。 \n\n\n\n**最佳实践**： 用分割符将文本和指令有效地区分， 让模型更容易识别指令和文本。 \n\n 常用的分割符有：\n\n```\n三个引号： \"\"\" {text} \"\"\"\n三个反引号：  ``` {text} ```\n三个连字符： --- {text} ---\n尖括号: \u003C {text} >\nxml 标记： \u003Ctag> {text} \u003C\u002Ftag> \n```\n\n>  其中{text} 是文本的内容 \n\n\n\n指令示例：\n\n> prompt \n\n```\n---\n你应该通过提供尽可能清晰和具体的指示来表达你想让模型做什么。这将引导模型朝着期望的输出方向发展，并减少收到无关或不正确响应的可能性。不要把清晰的提示与简短的提示混淆。在许多情况下，更长的提示为模型提供了更多的清晰度和背景信息，这可能导致更详细和相关的输出。\n---\n概括由3个连字符分割符中的内容，将其变为一个句子。\n```\n\n\n\n> 输出\n\n```\n内容概括：提供清晰、具体的指示有助于引导模型朝着期望的输出方向发展，减少无关或不正确响应的可能性。\n```\n\n> 我的经验\n\n```\n- 短句或短语比长句子更优\n- 祈使句更好\n- 类英文的表达理解更好\n- 使用的词汇越具体越好\n\n```\n\n###  策略2: 要求结构化的输出\n\n要求模型输出html、json、csv等等结化的形式输出。 \n\n\n\n**例: 输出一个csv格式的文本**\n\n> prompt\n\n```\n生成三本虚构书籍的标题，作者和类型，并以csv格式提供，包含以下键：book_id，title，author，genre。\n```\n\n\n\n> 输出\n\n```\nbook_id,title,author,genre\n1,The Whispering Woods,Margaret Rivers,Fantasy\n2,Echoes of Eternity,Lucas Stone,Mystery\n3,Stars of Serenity,Isabel Frost,Science Fiction\n\n```\n\n\n\n**例: 输出一个json格式的文本**\n\n> prompt\t\t\t\t\t\t\t\t\t\t\t\t\t\t\n\n```\n生成三本虚构书籍的标题，作者和类型，并以json格式提供，包含以下键：book_id，title，author，genre。\n```\n\njson是在软件开发常用一种数据组织形式。 \n\n输出\n\n```json\n[\n  {\n    \"book_id\": 1,\n    \"title\": \"The Secret Garden\",\n    \"author\": \"Frances Hodgson Burnett\",\n    \"genre\": \"Children's Literature\"\n  },\n  {\n    \"book_id\": 2,\n    \"title\": \"The Martian\",\n    \"author\": \"Andy Weir\",\n    \"genre\": \"Science Fiction\"\n  },\n  {\n    \"book_id\": 3,\n    \"title\": \"Murder on the Orient Express\",\n    \"author\": \"Agatha Christie\",\n    \"genre\": \"Mystery\"\n  }\n]\n\n```\n\n\n\n###  策略3: 要求模型检查条件是否满足\n\n检查完成任务的所需的条件是否满足 \n\n**例：检查内容是否包含一系列指示**\n\n>  prompt\n\n```\n提供的文本将用三个引号括起来。如果它包含一系列的指示，那么请按以下格式重新编写这些指示：\n\n步骤1 - ...\n步骤2 - …\n…\n步骤N - …\n\n如果文本中不包含一系列的指示，则简单地写上 \"未提供步骤\"\n'''\n泡一杯茶很简单！首先，你需要把一些水烧开。在此期间，拿一个杯子并放入一个茶包。一旦水足够热，只需将其倒在茶包上。让茶浸泡一会儿。几分钟后，取出茶包。如果喜欢，可以加入一些糖或牛奶调味。就是这样！你可以享受一杯美味的茶了。\n'''\n```\n\n\n\n\n\n>  输出\n\n```\n步骤1 - 泡一杯茶很简单！首先，你需要把一些水烧开。\n步骤2 - 在此期间，拿一个杯子并放入一个茶包。\n步骤3 - 一旦水足够热，只需将其倒在茶包上。\n步骤4 - 让茶浸泡一会儿。\n步骤5 - 几分钟后，取出茶包。\n步骤6 - 如果喜欢，可以加入一些糖或牛奶调味。\n步骤7 - 就是这样！你可以享受一杯美味的茶了。\n```\n\n值得注意的是， 输出的内容并不总是完全一致， 这是一个难点， 很多开发者都非常的苦脑， 不能获得确定的输出， 会让程序的逻辑无法正确的运行下去。\n\n\n\n**例： 检查条件不满足的情况**\n\n可以指令中增加一个条件检查或判断\n\n\n\n> prompt \n>\n> 这个例子中的文本不满足包含的一系列指示(instruction)\n\n```\n供的文本将用三个引号括起来。如果它包含一系列的指示，那么请按以下格式重新编写这些指示：\n\n步骤1 - ...\n步骤2 - …\n…\n步骤N - …\n\n如果文本中不包含一系列的指示，则简单地写上 \"未提供步骤\"\n'''\n今天阳光明媚，鸟儿在歌唱。今天是个美好的日子，适合去公园散步。花儿盛开，树木在微风中轻轻摇曳。人们外出享受着宜人的天气。一些人在野餐，而其他人则在玩游戏或者简单地躺在草地上放松。这是一个完美的日子，可以在户外享受并欣赏大自然的美丽。\n'''\n\n```\n\n\n\n> 输出\n\n```\n未提供步骤\n```\n\n![image_20240325181636964](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPandaBearLab_prompt-tutorial_readme_c9c6c783dd1a.png)\n\n###  策略4： “小样本”提示 \n\n给模型举一个正确的或成功的例子。 然后让模型执行任务。 \n\n\n\n例： 和示例风格保持一致风格的回答\n\n> prompt \n>\n> 给出如下风格的例子\n\n```\n你的任务是以下面的一致的格式回答\n\n\u003Cchild>: 教我耐心。\n\n\u003Cgrandparent>: 雕刻最深峡谷的河流源自一处不起眼的泉水；最宏伟的交响乐始于一声孤独的音符；最复杂的织锦始于一根孤独的线。 \n\n\u003Cchild>: 教我韧性。\n```\n\n\n\n> 输出\n\n```\n\u003Cgrandparent>: 最坚固的树木从最强烈的风暴中生长出来；最坚定的人生理由从最艰难的时刻中诞生；最耀眼的钻石经历最高温度和最大压力而成。\n```\n\n\n\n![image_20240323211436741](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPandaBearLab_prompt-tutorial_readme_181941deb285.png)\n\n\n\n\u003Cfont color=\"red\"> **小建议** \u003C\u002Ffont>\n\n> 我们在使用chatGPT的时候， 尽可能让一个聊天会话只聊一个主题。 多主题的聊天内容会导致因为上下文的混淆， 让模型给出误导性的答案。 **如果要开启新话题， 就开一个新的会话。** \n\n\n\n## 原则2：指导模型思考一步一步解决问题\n\n神经网络模型本质上还是一个算概率的活， 因此如果直接让模型给出答案， 他给出的答案可能是过去训练时， 输入了大量错误的答案。 \n\n因此， 因此，大语言模型也会给出概率较高的答案， 但不一定正确的答案。 \n\n**不要让模型直接给你答案， 而是把解决问题的方法一步一步拆解开， 指导模型帮最终推导出答案。**\n\n### 策略1：指定完成任务所需的步骤\n\n步骤1: ...\n\n步骤2: ...\n\n步骤3: ...\n\n...\n\n步骤N: ...\n\n\n\n逐步进行 \n\n**例： 指示完成一项任务需要步骤** \n\n> 提示词\n\n````\n1 - 将下面由三个反引号分隔的文本进行总结，用一句话描述。\n\n2 - 将总结翻译成英语。\n\n3 - 在英语总结中列出每个名字。\n\n4 - 输出一个包含以下键的 JSON 对象：english_summary、num_names。\n\n文本：\n```\n在一个迷人的村庄里，兄弟姐妹杰克和吉尔踏上了从山顶井口取水的探险之旅。当他们欢快地唱着歌攀登时，不幸降临了——杰克在一块石头上绊倒，滚下了山坡，吉尔紧随其后。尽管稍微受了点伤，但他们俩还是安然无恙地回到了家中，得到了慰藉的拥抱。尽管遭遇了不幸，但他们的冒险精神仍然旺盛，他们继续欢快地探索着。\n```\n````\n\n\n\n> 输出\n\n````\n1. 总结： \n在一个迷人的村庄里，兄弟姐妹杰克和吉尔在探险途中遭遇了不幸，但最终安全返回家中，他们的探险精神未受影响。  \n2. 英语翻译：  \nIn a charming village, siblings Jack and Jill faced misfortune on their adventure but returned home safely, their adventurous spirit undiminished.  \n3. 列出的名字：  \nJack, Jill  \n4. JSON 对象输出：  \n```json\n{\n  \"english_summary\": \"In a charming village, siblings Jack and Jill faced misfortune on their adventure but returned home safely, their adventurous spirit undiminished.\",\n  \"num_names\": 2\n}\n```\n````\n\n\n\n**例：地道的英文表达**\n\n> 提示词 \n\n```\n当心！“友谊是一种精神食品，它无法用钱来购买，也无法用权力来得到。”\n\n1. 翻译为英文\n2. 将翻译的英文改写更地道英语表达\n\n```\n\n\n\n> 输出\n\n```\n1. \"Beware! 'Friendship is a spiritual nourishment, it cannot be bought with money, nor obtained with power.'\"\n\n2. \"Watch out! 'Friendship is like soul food, it can't be purchased with cash or acquired through influence.'\"\n```\n\n### 策略2: 要求模型按指定的格式输出\n\n提示词\n\n```\n我们的任务是执行以下操作： \n1 - 用1句话总结以下，以\u003C>分隔的文本。 \n2 - 将摘要翻译成英语。 \n3 - 在英语摘要中列出每个名字。 \n4 - 输出一个包含以下键的json对象：english_summary，num_names。\n\n使用以下格式:\nText: \u003Ctext to summarize>\nSummary: \u003Csummary>\nTranslation: \u003Csummary translation>\nNames: \u003Clist of names in summary>\nOutput JSON: \u003Cjson with summary and num_names>\n\nText: \u003C在一个迷人的村庄里，兄弟姐妹杰克和吉尔踏上了从山顶井口取水的探险之旅。当他们欢快地唱着歌攀登时，不幸降临了——杰克在一块石头上绊倒，滚下了山坡，吉尔紧随其后。尽管稍微受了点伤，但他们俩还是安然无恙地回到了家中，得到了慰藉的拥抱。尽管遭遇了不幸，但他们的冒险精神仍然旺盛，他们继续欢快地探索着。>\n```\n\n\n\n> 输出\n\n````\nText: 在一个迷人的村庄里，兄弟姐妹杰克和吉尔踏上了从山顶井口取水的探险之旅。当他们欢快地唱着歌攀登时，不幸降临了——杰克在一块石头上绊倒，滚下了山坡，吉尔紧随其后。尽管稍微受了点伤，但他们俩还是安然无恙地回到了家中，得到了慰藉的拥抱。尽管遭遇了不幸，但他们的冒险精神仍然旺盛，他们继续欢快地探索着。\n\nSummary: 杰克和吉尔在探险中受伤，但安然无恙地回到家中，并继续他们的冒险精神。\n\nTranslation: Jack and Jill got injured during the adventure but safely returned home and continued their adventurous spirit.\n\nNames: Jack, Jill\n\nOutput JSON: \n```json\n{\n  \"english_summary\": \"Jack and Jill got injured during the adventure but safely returned home and continued their adventurous spirit.\",\n  \"num_names\": 2\n}\n```\n````\n\n###  策略3：指示模型自己解决问题\n\n在模型草率的得出结论前， 让它自行解决问题。 \n\n有时候需要我们指导模型去自行推理出解决方案， 进而我们会得出很好的结果。 \n\n\n\n> 提示词\n\n```\n确定学生的解决方案是否正确。\n\n问题：\n我正在建造太阳能发电装置，需要帮助计算财务。\n- 土地每平方英尺100美元\n- 太阳能板每平方英尺250美元\n- 我已经谈好的维护合同每年固定费用10万美元，另外每平方英尺额外费用10美元\n第一年运营的总成本如何，取决于安装面积。\n\n学生的解决方案：\n设 x 为装置的面积（平方英尺）。\n费用：\n1. 土地费用：100x\n2. 太阳能板费用：250x\n3. 维护费用：100,000 + 100x\n总成本：100x + 250x + 100,000 + 100x = 450x + 100,000\n```\n\n> 输出\n\n```\n学生的解决方案基本正确。他们正确地将每项费用与安装面积相关联，并且正确地计算了总成本。因此，解决方案应该是正确的。\n```\n\n\n\n> \u003Cfont color=\"red\" > 注意，学生的解决方案实际上是不正确的。\n> 我们可以通过指导模型首先解决自己的方案来修正这个问题。\u003C\u002Ffont>\n\n\n\n> 提示词 \n\n```\n你的任务是确定学生的解决方案是否正确。\n要解决此问题，请执行以下操作：\n- 首先，制定自己的问题解决方案，包括最终总数。\n- 然后将您的解决方案与学生的解决方案进行比较 \n并评估学生的解决方案是否正确。\n不要决定学生的解决方案是否正确，直到\n你自己做了这个问题。\n\n使用以下格式：\n问题：\n'''\n{问题在这里}\n'''\n学生解决方案：\n'''\n{学生的解决方案在这里}\n'''\n实际解决方案：\n'''\n{在此处制定解决方案和解决方案的步骤}\n'''\n\n'''\n{是或否}\n'''\n学生答案：\n'''\n{正确或不正确}\n'''\n\n问题：\n'''\n我正在建造一个太阳能装置，我需要帮助解决财务问题。\n- 土地成本 $100 \u002F 平方英尺\n- 我可以以 250 美元\u002F平方英尺的价格购买太阳能电池板\n- 我协商了一份维护合同，每年将花费我 10 万美元，以及额外的 10 美元\u002F平方英尺\n第一年运营的总成本与平方英尺数的函数是多少。\n'''\n学生解决方案：\n'''\n设 x 是安装的大小（以平方英尺为单位）。\n成本：\n1.土地成本：100倍\n2.太阳能电池板成本：250x\n3.维护成本：100,000+100x\n总成本：100x + 250x + 100,000 + 100x = 450x + 100,000\n'''\n实际解决方案：\n```\n\n\n\n> 输出\n\n```\n'''\n实际解决方案：\n总成本 = 土地成本 + 电池板成本 + 维护成本\n\n土地成本 = 100 * x （x 为安装的大小，单位：平方英尺）\n电池板成本 = 250 * x\n维护成本 = 100,000（固定部分）+ 10 * x（与安装大小成比例）\n\n总成本 = 100x + 250x + 100,000 + 10x = 360x + 100,000\n'''\n\n学生的解是否与刚才计算的实际解相同：\n'''\n不是\n'''\n\n学生答案：\n'''\n不正确\n'''\n```\n\n\n\n## 模型限制：幻觉\n\n> 大语言模型的幻觉就是他会一本正经的胡扯。\n>\n> 对于模型给出的回答， 你要持批判态度。 \n\n大语言模型幻觉是由大型神经网络模型生成的虚假结果。这可能表现为图像、文本或音频中不合理或虚构的信息。了解和处理这些幻觉对确保模型可靠性至关重要。\n\nLLM 根据给定的输入提示词逐个预测下一个词（也就是标记），从而生成回答。在大多数情况下，模型的输出是与提问相关的，并且完全可用，但是在使用语言模型时需要小心，因为它们给出的回答可能不准确。这种回答通常被称为 AI 幻觉，即 AI 自信地给出回答，但这些回答可能是错误的，或涉及虚构的信息。对于依赖 GPT 的用户来说，AI 幻觉可能带来危险。你需要仔细核对并批判性地审视模型的回答。\n\n\n\n\n\n>  提示词\n\n```\n请介绍一下 Boie 推出的 AeroGlide UltraSlim 智能牙刷。\n```\n\n> 输出\n\n```\nAeroGlide UltraSlim智能牙刷是Boie推出的一款高科技产品。它采用先进的技术设计，拥有超薄的刷头，可有效清洁牙齿表面和牙缝。此外，它还配备了智能功能，如定时提醒和连接手机应用程序，帮助用户更好地监控和改善口腔健康。这款牙刷的设计简洁时尚，易于使用，是现代生活中口腔护理的理想选择。\n```\n\n\n\nBoie不是一个真实存在的公司， 更没有AeroGlide UltraSlim 这款产品。 \n\n\n\n## 其他经验\n\n- chatgpt有记忆能力， 一个会话中，chatgpt会根据上下文提示给出回答\n  - 如果为了不受历史聊天的影响， 最好重新开一个会话 \n- 国内模型输出不稳定，对编写prompt难度很大，建议尽可能使用chatgpt或claude或其他大语言模型\n\n# 第二章 迭代优化你的prompt\n\n第一次编写的 prompt，几乎不可能达到我们的预期。 我们需要对 prompt 迭代几轮， 这样就能达到我们预期。 \n\n**需求： 为某产品编写营销文案。** \n\n````\n你的任务是协助市场团队根据技术规格单为零售网站创建产品描述。\n\n根据技术规格单提供的信息编写产品描述，使用三个反引号括起来的内容。\n\n技术规格单：\n```\n概览\n- 属于一系列美丽的中世纪办公家具，包括文件柜、书桌、书架、会议桌等。\n- 多种外壳颜色和底座涂装可选。\n- 提供塑料背部和正面面料（SWC-100）或全面料（SWC-110）选项，有10种布料和6种皮革可选。\n- 底座涂装选项有：不锈钢、哑光黑、光泽白或铬色。\n- 椅子可选择搭配或不搭配扶手。\n- 适用于家庭或商务场所。\n- 合格用于合同使用。\n\n构造\n- 五轮塑料涂层铝制底座。\n- 气动椅高调节，方便升降。\n\n尺寸\n- 宽度 53 厘米 | 20.87 英寸\n- 深度 51 厘米 | 20.08 英寸\n- 高度 80 厘米 | 31.50 英寸\n- 座高 44 厘米 | 17.32 英寸\n- 座深 41 厘米 | 16.14 英寸\n\n选项\n- 软质或硬质地板轮选项。\n- 座垫泡沫密度可选两种：中等（1.8 磅\u002F立方英尺）或高（2.8 磅\u002F立方英尺）。\n- 无扶手或8位置PU扶手。\n\n材料\n外壳底座滑块\n- 铸铝，改性尼lon PA6\u002FPA66 涂层。\n- 壳体厚度：10 毫米。\n座椅\n- HD36 泡沫\n\n原产地\n- 意大利\n```\n\n````\n\n\n\n> 输出\n\n````\n这款中世纪办公家具系列展现出优雅的设计和实用性的完美结合。无论您是在家中还是商务场所使用，都能为您提供舒适和风格。\n\n外观：\n这一系列包括文件柜、书桌、书架、会议桌等，每一件都经过精心设计，呈现出中世纪的美感。您可以根据个人喜好选择多种外壳颜色和底座涂装，让家具与您的装饰风格完美融合。此外，我们提供塑料背部和正面面料（SWC-100）或全面料（SWC-110）选项，涵盖10种布料和6种皮革供您选择，确保您的家具与您的品味相得益彰。\n\n构造：\n这些家具采用高品质材料制成，稳固耐用。铝制底座带有五轮塑料涂层，提供稳定的支撑和灵活的移动性。椅子配有气动高度调节功能，让您可以轻松调整座椅高度，确保舒适的工作姿势。\n\n尺寸：\n每件家具都经过精确设计，确保尺寸合适且舒适。宽53厘米，深51厘米，高80厘米，座高44厘米，座深41厘米，适合大多数场合和体型的使用。\n\n选项：\n我们考虑到了不同用户的需求，提供了多种选项。您可以根据地板类型选择软质或硬质地板轮，以确保家具在移动时不会划伤地板。此外，座垫泡沫密度可选两种：中等（1.8磅\u002F立方英尺）或高（2.8磅\u002F立方英尺），以满足您对舒适度的不同需求。您还可以选择椅子是否配备扶手，有无扶手或8位置PU扶手供您选择。\n\n材料：\n这些家具采用高品质材料制成，外壳底座滑块采用铸铝，改性尼lon PA6\u002FPA66涂层，确保稳固耐用。座椅采用HD36泡沫，提供舒适的坐感。\n\n原产地：\n我们的家具源自意大利，以其精湛的工艺和优质的材料享誉全球。\n````\n\n\n\n**以上prompt返回的内容的问题是**：\n\n1. 返回的文本太长；\n2. 聚焦在了错误的细节；\n3. 需要一个表格的描述。\n\n\n\n通过迭代的方法，不断的完善prompt\n\n这跟写代码调试一样， 先编写代码， 然后编译调试， 看看报什么错， 分析一下原因，修改代码后， 继续重复。  因此如果不用担心， 第一次写的prompt 不太能工作， 这很正常。 \n\n```mermaid\ngraph LR\n开始-->Prompt --> 经验结果-->错误分析-->新思路-->Prompt\n```\n\n\n\n**最多不要超过50个字**\n\n> prompt \n\n````markdown\n你的任务是协助市场团队根据技术规格单为零售网站创建产品描述。\n\n根据技术规格单提供的信息编写产品描述，使用三个反引号括起来的内容。\n要求最多不要超过50个字。 \n技术规格单：\n```\n概览\n- 属于一系列美丽的中世纪办公家具，包括文件柜、书桌、书架、会议桌等。\n- 多种外壳颜色和底座涂装可选。\n- 提供塑料背部和正面面料（SWC-100）或全面料（SWC-110）选项，有10种布料和6种皮革可选。\n- 底座涂装选项有：不锈钢、哑光黑、光泽白或铬色。\n- 椅子可选择搭配或不搭配扶手。\n- 适用于家庭或商务场所。\n- 合格用于合同使用。\n\n构造\n- 五轮塑料涂层铝制底座。\n- 气动椅高调节，方便升降。\n\n尺寸\n- 宽度 53 厘米 | 20.87 英寸\n- 深度 51 厘米 | 20.08 英寸\n- 高度 80 厘米 | 31.50 英寸\n- 座高 44 厘米 | 17.32 英寸\n- 座深 41 厘米 | 16.14 英寸\n\n选项\n- 软质或硬质地板轮选项。\n- 座垫泡沫密度可选两种：中等（1.8 磅\u002F立方英尺）或高（2.8 磅\u002F立方英尺）。\n- 无扶手或8位置PU扶手.\n\n材料\n外壳底座滑块\n- 铸铝，改性尼lon PA6\u002FPA66 涂层。\n- 壳体厚度：10 毫米。\n座椅\n- HD36 泡沫\n\n原产地\n- 意大利\n```\n\n````\n\n\n\n> 输出\n\n```\n美丽的中世纪办公家具系列，多种颜色和底座涂装选择。气动调节高度，适用于家庭或商务场所。\n```\n\n\n\n\n\n> prompt\n\n````\n你的任务是帮助营销团队根据技术事实表创建一份产品描述，用于零售网站。\n\n根据三个反引号包围的技术规格中提供的信息编写产品描述。\n\n描述面向家具零售商，因此应具有技术性质，侧重于产品所使用的材料。\n\n在描述末尾，包括技术规格中的每个7字符产品ID。\n\n描述之后，包括一个表格，其中列出了产品的尺寸。表格应包含两列。第一列包括尺寸名称。第二列仅包括以英寸为单位的测量值。\n\n给表格加上标题'产品尺寸'。\n\n将所有内容格式化为markdown文本。将描述放在一个引用中。\n\n```\n概览\n- 属于一系列美丽的中世纪办公家具，包括文件柜、书桌、书架、会议桌等。\n- 多种外壳颜色和底座涂装可选。\n- 提供塑料背部和正面面料（SWC-100）或全面料（SWC-110）选项，有10种布料和6种皮革可选。\n- 底座涂装选项有：不锈钢、哑光黑、光泽白或铬色。\n- 椅子可选择搭配或不搭配扶手。\n- 适用于家庭或商务场所。\n- 合格用于合同使用。\n\n构造\n- 五轮塑料涂层铝制底座。\n- 气动椅高调节，方便升降。\n\n尺寸\n- 宽度 53 厘米 | 20.87 英寸\n- 深度 51 厘米 | 20.08 英寸\n- 高度 80 厘米 | 31.50 英寸\n- 座高 44 厘米 | 17.32 英寸\n- 座深 41 厘米 | 16.14 英寸\n\n选项\n- 软质或硬质地板轮选项。\n- 座垫泡沫密度可选两种：中等（1.8 磅\u002F立方英尺）或高（2.8 磅\u002F立方英尺）。\n- 无扶手或8位置PU扶手.\n\n材料\n外壳底座滑块\n- 铸铝，改性尼lon PA6\u002FPA66 涂层。\n- 壳体厚度：10 毫米。\n座椅\n- HD36 泡沫\n\n原产地\n- 意大利\n```\n````\n\n> 输出\n\n![image_20240326155434891](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPandaBearLab_prompt-tutorial_readme_a0658bd8c7be.png)\n\n\n\n# 第三章 文本总结\n\n\n\n## 用一个句子\u002F词\u002F字符的限制概括内容 \n\n> prompt\n\n```\n你的任务是从电子商务网站的产品评论中生成一个简短的摘要。\n\n请在三个反引号中将以下评论总结为最多30个词。\n\n评论: ```在女儿的生日时给她买了这只熊猫毛绒玩具，她非常喜欢，随身携带。它柔软可爱，面部表情友好。但相对于我支付的价格来说，它有点小。我觉得可能有其他选项，同样的价格但更大一些。比预期提前了一天送达，所以我在把它送给她之前还有时间自己玩了一下。```\n```\n\n\n\n\n\n## 以运输和交付为重点进行总结\n\n> prompt\n\n```\n你的任务是从电子商务网站的产品评论中生成一个简短的摘要，以向运输部门提供反馈。\n\n请在三个反引号中将以下评论总结为最多30个词，并侧重于提及产品的运输和交付方面。\n评论: ```在女儿的生日时给她买了这只熊猫毛绒玩具，她非常喜欢，随身携带。它柔软可爱，面部表情友好。但相对于我支付的价格来说，它有点小。我觉得可能有其他选项，同样的价格但更大一些。比预期提前了一天送达，所以我在把它送给她之前还有时间自己玩了一下。```\n```\n\n\n\n> 输出\n\n```\n评论：```产品送达及时，提前一天送达。但产品尺寸对价格不太合适。建议考虑提供更大尺寸的选项。```\n```\n\n\n\n## 重点总结价格和价值感受\n\n> promt \n\n```\n任务是从电子商务网站的产品评论中生成一个简短的摘要，以便向定价部门提供反馈。该部门负责确定产品的价格。\n\n请在三个反引号中将以下评论总结为最多30个词，侧重于与价格和感知价值相关的方面。\n\n评论: ```在女儿的生日时给她买了这只熊猫毛绒玩具，她非常喜欢，随身携带。它柔软可爱，面部表情友好。但相对于我支付的价格来说，它有点小。我觉得可能有其他选项，同样的价格但更大一些。比预期提前了一天送达，所以我在把它送给她之前还有时间自己玩了一下。```\n```\n\n> 输出\n\n```\n评论：```产品柔软可爱，但相对价格稍小。建议提供更大选项以提高感知价值。提前一天送达，增加购买满意度。```\n```\n\n\n\n## 用“提取”来替代“总结” \n\n> prompt\n\n```\n你的任务是从电子商务网站的产品评论中提取相关信息，以向运输部门提供反馈。\n\n请从以下评论中提取与运输和交付相关的信息，限制在30个词以内。\n\n评论: ```在女儿的生日时给她买了这只熊猫毛绒玩具，她非常喜欢，随身携带。它柔软可爱，面部表情友好。但相对于我支付的价格来说，它有点小。我觉得可能有其他选项，同样的价格但更大一些。比预期提前了一天送达，所以我在把它送给她之前还有时间自己玩了一下。```\n```\n\n> 输出\n\n```\n提前一天送达，增加购买满意度。\n```\n\n\n\n# 第四章 推理文本的类型\n\n本章你将从产品评论和新闻文章中推断情感和主题。\n\n> prompt\n\n```\n以下产品评论的情感是什么，使用三个反引号进行分隔？\n评论文本：'''需要一个漂亮的卧室灯，这款灯还带有额外的储物空间，价格也不算太高。快递送到的时候，我们灯的拉线断了，但公司很乐意寄来了一根新的。几天之内就送到了。安装很简单。我缺了一个零件，所以我联系了他们的客服，他们很快就给我寄来了缺失的零件！Lumina 看起来是一家很重视客户和产品的好公司\n\n```\n\n> 输出\n\n\n\n```\n```积极```\n\n```\n\n![image_20240327122412655](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPandaBearLab_prompt-tutorial_readme_ad38b1c3a472.png)\n\n\n\n> prompt\n\n\n\n```\n以下是这个产品评论的情感，用三个反引号括起来：\n评论文本：'''需要一个漂亮的卧室灯，这款灯还带有额外的储物空间，价格也不算太高。快递送到的时候，我们灯的拉线断了，但公司很乐意寄来了一根新的。几天之内就送到了。安装很简单。我缺了一个零件，所以我联系了他们的客服，他们很快就给我寄来了缺失的零件！Lumina 看起来是一家很重视客户和产品的好公司\n'''\n给出你的答案，只用一个词，要么是“积极”，要么是“消极”。\n\n```\n\n\n\n> 输出\n\n```\n积极\n```\n\n\n\n## 识别情感类型\n\n> prompt\n\n```\n识别以下评论作者表达的情感列表。列表中不超过五个项目。将你的答案格式化为逗号分隔的小写单词列表。\n评论文本：'''需要一个漂亮的卧室灯，这款灯还带有额外的储物空间，价格也不算太高。快递送到的时候，我们灯的拉线断了，但公司很乐意寄来了一根新的。几天之内就送到了。安装很简单。我缺了一个零件，所以我联系了他们的客服，他们很快就给我寄来了缺失的零件！Lumina 看起来是一家很重视客户和产品的好公司\n'''\n\n```\n\n> 输出\n\n```\n满意,愉快,满足,感激,信任\n```\n\n\n\n## 识别愤怒\n\n\n\n> prompt\n\n```\n以下评论的作者是否在表达愤怒？评论用三个反引号括起来。回答要么是，要么否。\n评论文本：'''需要一个漂亮的卧室灯，这款灯还带有额外的储物空间，价格也不算太高。快递送到的时候，我们灯的拉线断了，但公司很乐意寄来了一根新的。几天之内就送到了。安装很简单。我缺了一个零件，所以我联系了他们的客服，他们很快就给我寄来了缺失的零件！Lumina 看起来是一家很重视客户和产品的好公司\n'''\n```\n\n> 输出\n\n```\n否\n```\n\n\n\n## 提取客户评论中的产品和公司名称\n\n\n\n> prompt\n\n```\n\"识别评论文本中的以下项目：\n\t- 由评论者购买的物品\n\t- 制造物品的公司\n评论用三个反引号括起来。\n将您的回应格式化为一个 csv 对象，其中\n\"Item\" 和 \"Brand\" 是键。\n如果信息不存在，请将值设为 \"未知\"。\n尽可能简洁地回答。\"\n评论文本：'''需要一个漂亮的卧室灯，这款灯还带有额外的储物空间，价格也不算太高。快递送到的时候，我们灯的拉线断了，但公司很乐意寄来了一根新的。几天之内就送到了。安装很简单。我缺了一个零件，所以我联系了他们的客服，他们很快就给我寄来了缺失的零件！Lumina 看起来是一家很重视客户和产品的好公司\n'''\n```\n\n> 输出\n\n```\nItem,Brand\n卧室灯,Lumina\n```\n\n## 同时做多项任务\n\n> promot\n\n```\n从评论中识别以下项目：\n- 情感（积极或消极）\n- 评论者是否表达了愤怒？（是或否）\n- 评论者购买的物品\n- 制造该物品的公司\n\n评论以三个反引号分隔。\n将您的响应格式化为 json 对象\n“情绪”、“愤怒”、“物品”和“品牌”为键。\n如果信息不存在，请使用“未知”\n作为值。\n让您的回复尽可能简短。\n将愤怒值设置为布尔值。\n评论文本：'''需要一个漂亮的卧室灯，这款灯还带有额外的储物空间，价格也不算太高。快递送到的时候，我们灯的拉线断了，但公司很乐意寄来了一根新的。几天之内就送到了。安装很简单。我缺了一个零件，所以我联系了他们的客服，他们很快就给我寄来了缺失的零件！Lumina 看起来是一家很重视客户和产品的好公司\n'''\n```\n\n> 输出\n\n```\n{\n  \"情绪\": \"积极\",\n  \"愤怒\": false,\n  \"物品\": \"卧室灯\",\n  \"品牌\": \"Lumina\"\n}\n\n```\n\n\n\n## 主题推断 \n\n> prompt\n\n````\n确定以下文本中正在讨论的五个主题，这些主题由三个反引号分隔。\n让每一项长一到两个字。\n将您的回复格式化为以逗号分隔的项目列表。\n文本：```\n最近政府进行的一项调查中，公共部门员工被要求评价他们所在部门的满意度。结果显示，NASA 是最受欢迎的部门，满意度达到了 95%。\n\n一名NASA员工约翰·史密斯评论了这些发现，他说：“我对NASA位居榜首并不感到惊讶。这是一个非常棒的工作地方，有着令人惊叹的人才和令人难以置信的机会。能成为这样一个创新组织的一员，我感到自豪。”\n\nNASA的管理团队也对这一结果表示欢迎，NASA主任汤姆·约翰逊表示：“听到我们的员工对NASA的工作感到满意，我们感到非常高兴。我们拥有一支才华横溢、敬业奉献的团队，他们不知疲倦地工作以实现我们的目标，看到他们的辛勤工作取得了成果，真是太棒了。”\n\n调查还显示，社会保障管理局的满意度最低，只有45%的员工表示对工作满意。政府承诺解决调查中员工提出的问题，并努力改善各部门的工作满意度。\n```\n````\n\n> 输出\n\n```\n- 调查结果\n- NASA的满意度\n- NASA员工的评论\n- NASA管理团队的回应\n- 社会保障管理局的满意度\n```\n\n## 制作特定主题的新闻判断\n\n> prompt\n\n````\n确定以下主题列表中的每个项目是否在下文中作为一个话题。文本用三个反引号括起来。\n\n主题列表：{\"nasa\", \"local government\", \"engineering\",     \"employee satisfaction\", \"federal government\"}\n给出一个答案例表，形式如{主题： true\u002Ffalse}\n文本样例：\n```\n最近政府进行的一项调查中，公共部门员工被要求评价他们所在部门的满意度。结果显示，NASA 是最受欢迎的部门，满意度达到了 95%。\n\n一名NASA员工约翰·史密斯评论了这些发现，他说：“我对NASA位居榜首并不感到惊讶。这是一个非常棒的工作地方，有着令人惊叹的人才和令人难以置信的机会。能成为这样一个创新组织的一员，我感到自豪。”\n\nNASA的管理团队也对这一结果表示欢迎，NASA主任汤姆·约翰逊表示：“听到我们的员工对NASA的工作感到满意，我们感到非常高兴。我们拥有一支才华横溢、敬业奉献的团队，他们不知疲倦地工作以实现我们的目标，看到他们的辛勤工作取得了成果，真是太棒了。”\n\n调查还显示，社会保障管理局的满意度最低，只有45%的员工表示对工作满意。政府承诺解决调查中员工提出的问题，并努力改善各部门的工作满意度。\n```\n````\n\n> 输出\n\n```yaml\nnasa: true\nlocal government: true\nengineering: false\nemployee satisfaction: true\nfederal government: true\n\n```\n\n\n\n\n\n# 第五章 自然语言\n\nchatgpt 被训练能够支持多种语言。 你可以用他做为你的通用翻译器。 也可以帮你将语言进行语气变换。 \n\n## 翻译\n\n\n\n### 例1 简单的翻译\n\n> prompt \n\n```\n将以下英文文本翻译为中文：\n```Hi, I would like to order a blender```\n\n```\n\n> 输出\n\n```\n嗨，我想订购一个搅拌机。\n```\n\n\n\n### 例2  翻译为多语言\n\n> prompt\n\n```\n将以下英文文本翻译为中文、日文、韩文：\n```Hi, I would like to order a blender```\n\n\n```\n\n> 输出\n\n```\n中文：嗨，我想订购一个搅拌机。\n日文：こんにちは、ブレンダーを注文したいです。\n韩文：안녕하세요, 믹서기를 주문하고 싶습니다.\n```\n\n\n\n## 例3 识别语种\n\n> prompt\n\n```\n告诉我这是哪一种语言:\n```Combien coûte le lampadaire?```\n```\n\n> 输出\n\n```\n这是法语。\n```\n\n\n\n## 转换语气\n\n写作风格可以根据预期的受众而变化。ChatGPT可以产生不同的语气。\n\n\n\n### 例1 转换为正式用语\n\n> prompt\n\n```\n将以下俚语翻译成商务信函：\n\"先生\u002F女士，我是乔。请您查阅这款落地灯的规格。\"\n```\n\n\n\n> 输出\n\n```\n尊敬的先生\u002F女士，\n\n我是乔。请您查看这款落地灯的规格。\n\n谢谢，\n\n[你的姓名]\n```\n\n\n\n## 拼写检查\u002F语法检查\n\n以下是一些常见的语法和拼写问题以及LLM的响应。\n\n为了向LLM表示您希望它校对您的文本，您可以指示模型“校对”或“校对并更正”。\n\n### 例 检查语法给出纠正版本\n\n> prompt\n>\n> 这个例子以英文为例， 如果您有更好的中文示例， 请联系我。 \n>\n> 校对并纠正以下文本，并重写纠正后的版本。如果您找不到错误，只需说“未发现错误”。在文本周围不要使用任何标点符号：\n\n\n\n```python\ntext = [ \n  \"The girl with the black and white puppies have a ball.\",  # The girl has a ball.\n  \"Yolanda has her notebook.\", # ok\n  \"Its going to be a long day. Does the car need it’s oil changed?\",  # Homonyms\n  \"Their goes my freedom. There going to bring they’re suitcases.\",  # Homonyms\n  \"Your going to need you’re notebook.\",  # Homonyms\n  \"That medicine effects my ability to sleep. Have you heard of the butterfly affect?\", # Homonyms\n  \"This phrase is to cherck chatGPT for speling abilitty\"  # spelling\n]\nfor t in text:\n    prompt = f\"\"\"Proofread and correct the following text\n    and rewrite the corrected version. If you don't find\n    and errors, just say \"No errors found\". Don't use \n    any punctuation around the text:\n    ```{t}```\"\"\"\n    response = get_completion(prompt)\n    print(response)\n```\n\n\n\n> 输出\n\n```\n\n```\n\n\n\n![image_20240327164032522](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPandaBearLab_prompt-tutorial_readme_189d0be9237f.png)\n\n\n\n## 我的经验\n\n关于翻译比较难的一点是当你翻译的内容带有指令的文本， gpt-3.5 经常搞错。 即便是你用了分割符。 \n\n### 例 \n\n> prompt\n\n````\n翻译为中文：\n```\n你的任务是将以下内容转换为表格：\na=1, 2,3\nb=4,5,6\nc=7,8,9\n```\n````\n\n> 输出\n\n```\nSure, here is the content translated into a table format:\n\n|      | a    | b    | c    |\n| ---- | ---- | ---- | ---- |\n| 1    | 1    | 4    | 7    |\n| 2    | 2    | 5    | 8    |\n| 3    | 3    | 6    | 9    |\n\n```\n\n输出的内容将正文当作指令执行了。  \n\n\n\n你可以用下面的方法，来解决这个问题。 \n\n> prompt\n\n````\n将以下文本靠三个反引号包围，翻译为英文：\n```\n你的任务是将以下内容转换为表格：\na=1, 2,3\nb=4,5,6\nc=7,8,9\n```\n````\n\n\n\n> 输出\n\n````\n```\nYour task is to convert the following content into a table:\na=1, 2,3\nb=4,5,6\nc=7,8,9\n```\n````\n\n\n\n\n\n\n\n# 第六章 文本内容生成\n\n给大语言模型一个简短的提示， 让大语言模型生成一封邮件、长文章。  \n\n在这节课上， 根据用户的评论生成回复客户的邮件。 \n\n你可告诉大语言模型，识别评论文本的情绪，是消极的还是积极的。 \n\n要求大语言模型根据消极的\u002F积极的 情绪 来生成相应的邮件。 \n\n\n\n## 从客户评论中生成一封电子邮件\n\n### 例 从客户评论生成电子邮件\n\n> prompt \n\n```\n您是一位客服AI助手。\n您的任务是发送一封电子邮件回复给一位重要客户。\n给定以```分隔的客户电子邮件，生成一封回复，感谢客户的评论。 如果情绪是积极的或中性的，请感谢他们的评论。 如果情绪是消极的，请道歉并建议他们联系客服。 确保使用评论中的具体细节。 以简洁、专业的语气写信。 以“AI客户代理”签署电子邮件。 \n客户评论：```所以，他们在11月份的某个时候仍然以约49美元的价格季节性销售这个17件套装，大约半价，但出于某种原因（可以称之为哄抬价格），到了12月第二周，同样的套装价格都上涨到了大约70到89美元之间。而11件套装的价格也比之前的销售价格29美元上涨了大约10美元左右。所以看起来还好，但如果你看底座的话，刀片锁入的部分看起来不像几年前的之前版本那么好，但我打算对它非常温柔（例如，我会先在搅拌机里将豆类、冰、米等硬物品搅碎，然后在搅拌机中搅拌成我想要的份量，然后切换到打蛋器刀片以获得更细的面粉，如果我需要更细\u002F不那么多果渣，我会先使用交叉切割刀片制作冰沙，然后使用平刀片）。制作冰沙时的特别提示是，将水果和蔬菜切成细片并冷冻（如果使用菠菜-轻轻炖软菠菜然后冷冻直到使用时-如果制作果冻，使用小到中号的食品加工机），这样你就可以避免在制作冰沙时添加太多冰。大约一年后，电机开始发出奇怪的噪音。我打电话给客户服务，但保修期已经过期了，所以我不得不再买一个。顺便说一句：这类产品的整体质量已经下降了，所以他们有点依赖品牌认可度和消费者忠诚度来维持销售。大约两天就送到了。```\n评论情绪：```消积的```\n```\n\n> 输出\n\n```\n尊敬的客户，\n\n非常感谢您分享您的经验和反馈。我们对您提到的问题感到十分抱歉，我们的目标是提供高质量的产品和服务，而您的体验似乎没有达到我们的期望标准。对于您在12月第二周遇到的价格上涨以及产品质量下降的问题，我们深感遗憾。\n\n为了解决您的问题并改善您的体验，我们建议您直接联系我们的客户服务团队。他们将尽力协助您并提供可能的解决方案。我们致力于确保每位客户都获得满意的服务和产品，您的反馈对我们来说非常重要。\n\n再次感谢您抽出时间与我们分享您的看法和经历。如果您需要任何帮助或进一步的支持，请随时联系我们的客户服务团队。\n\n祝您一切顺利。\n\nAI客户代理\n```\n\n\n### 提醒大语言模型利用客户电子邮件中的细节\n\n> prompt\n\n```\n您是一位客服AI助手。\n您的任务是发送一封电子邮件回复给一位重要客户。\n给定以```分隔的客户电子邮件，生成一封回复，感谢客户的评论。 如果情绪是积极的或中性的，请感谢他们的评论。 \n如果情感是积极的或中性的，感谢他们的评论。\n如果情感是负面的，道歉并建议他们可以联系客户服务。\n确保使用评论中的具体细节。\n以简洁、专业的语气写作。\n客户评论：```所以，他们在11月份的某个时候仍然以约49美元的价格季节性销售这个17件套装，大约半价，但出于某种原因（可以称之为哄抬价格），到了12月第二周，同样的套装价格都上涨到了大约70到89美元之间。而11件套装的价格也比之前的销售价格29美元上涨了大约10美元左右。所以看起来还好，但如果你看底座的话，刀片锁入的部分看起来不像几年前的之前版本那么好，但我打算对它非常温柔（例如，我会先在搅拌机里将豆类、冰、米等硬物品搅碎，然后在搅拌机中搅拌成我想要的份量，然后切换到打蛋器刀片以获得更细的面粉，如果我需要更细\u002F不那么多果渣，我会先使用交叉切割刀片制作冰沙，然后使用平刀片）。制作冰沙时的特别提示是，将水果和蔬菜切成细片并冷冻（如果使用菠菜-轻轻炖软菠菜然后冷冻直到使用时-如果制作果冻，使用小到中号的食品加工机），这样你就可以避免在制作冰沙时添加太多冰。大约一年后，电机开始发出奇怪的噪音。我打电话给客户服务，但保修期已经过期了，所以我不得不再买一个。顺便说一句：这类产品的整体质量已经下降了，所以他们有点依赖品牌认可度和消费者忠诚度来维持销售。大约两天就送到了。```\n评论情绪：```消积的```\n```\n\n> 输出\n\n```\n尊敬的客户，\n\n感谢您的评论。我们非常感谢您分享您对我们产品的看法。我们很高兴听到您对我们的产品有积极的评价。\n\n对于您提到的价格上涨和产品质量下降的问题，我们深感抱歉。我们会认真考虑您的反馈，并努力改进我们的产品和服务。\n\n如果您有任何其他问题或需要进一步的帮助，请随时联系我们的客户服务团队。我们将竭诚为您提供支持和协助。\n\n谢谢您再次选择我们的产品。\n\n祝您一切顺利！\n\nAI客户代理\n```\n\n\n\n\n\n# 第七章 聊天机器人（chatbot）\n\n在本章中，实现针对特定任务或行为的聊天机器人。\n\n> prompt\n\n```\n你是订单机器人，为一家披萨餐厅的提供自动服务，用于收集订单。\n首先，我会问候客人，然后收集订单，\n接着询问是自取还是外送。\n你会等待收集完整的订单，然后总结并最后确认客人是否还想再加点别的。\n如果是外送，你会询问地址。\n最后，你会收取付款。\n请确保清楚地说明所有选项、附加配料和尺寸，以便唯一地确定菜单上的项目。\n你会以简短、非常友好的方式进行回应。\n菜单包括：\n  意大利辣香肠披萨 12.95、10.00、7.00\n  芝士披萨 10.95、9.25、6.50\n  茄子披萨 11.95、9.75、6.75\n  薯条 4.50、3.50\n  希腊沙拉 7.25\n  配料：\n  额外芝士 2.00\n  蘑菇 1.50\n  意大利辣香肠 3.00\n  加拿达培根 3.50\n  AI酱 1.50\n  彩椒 1.00\n  饮料：\n  可乐 3.00、2.00、1.00\n  雪碧 3.00、2.00、1.00\n  瓶装水 5.00\n```\n\n![image_20240327180426346](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPandaBearLab_prompt-tutorial_readme_c323c1e684a7.png)\n\n\n\n# 第八章  大语言模型的基本原理（未完成）\n\n不是机器学习算法出身， 关于模型原理相关的内容， 我推荐你看：\n\n- [LLMs ](https:\u002F\u002Flearningprompt.wiki\u002Fzh-Hans\u002Fdocs\u002Fai-101\u002FLLMs) 作者写的非常好\n\n  > 作者的这个网站非常实用， 可以用来学习prompt \n\n- 大语言模型应用开发极简入门\n\n  > 如果不想买书，又找不到电子书，可以联系我 \n\n\n\n![image_20240327183508373](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPandaBearLab_prompt-tutorial_readme_2d75dbaf984d.png)\n\n\n\n\n\n# 第九章 Prompt框架（正在更新中）\n\n## CRISPE 框架\n\n[Matt Nigh](https:\u002F\u002Fgithub.com\u002Fmattnigh\u002FChatGPT3-Free-Prompt-List) 提出的 CRISPE 框架，非常适合用于编写 prompt 模板。CRISPE 分别代表以下含义：\n\n- CR: Capacity and Role（能力与角色）。你希望 ChatGPT 扮演怎样的角色。\n- I:Insight（洞察力），背景信息和上下文（坦率的说我觉得用Context 更好）。\n- S： Statement（指令），你希望 ChatGPT 做什么。\n- P：Personality（个性），你希望 ChatGPT 以什么风格或方式回答你。\n- E：Experiment（尝试），要求 ChatGPT 为你提供多个答案。\n\n\n\n以下是这几个参数的例子：\n\n| **Step**          | **Example**                                                  |\n| ----------------- | ------------------------------------------------------------ |\n| Capacity and Role | Act as an expert on software development on the topic of machine learning frameworks, and an expert blog writer. 把你想象成机器学习框架主题的软件开发专家，以及专业博客作者。 |\n| Insight           | The audience for this blog is technical professionals who are interested in learning about the latest advancements in machine learning. 这个博客的读者主要是有兴趣了解机器学习最新进展技术的专业人士。 |\n| Statement         | Provide a comprehensive overview of the most popular machine learning frameworks, including their strengths and weaknesses. Include real-life examples and case studies to illustrate how these frameworks have been successfully used in various industries. 提供最流行的机器学习框架的全面概述，包括它们的优点和缺点。包括现实生活中的例子，和研究案例，以说明这些框架如何在各个行业中成功地被使用。 |\n| Personality       | When responding, use a mix of the writing styles of Andrej Karpathy, Francois Chollet, Jeremy Howard, and Yann LeCun. 在回应时，混合使用 Andrej Karpathy、Francois Chollet、Jeremy Howard 和 Yann LeCun 的写作风格。 |\n| Experiment        | Give me multiple different examples. 给我多个不同的例子。    |\n\n将所有的元素都组合在一起，就变成了这样的 prompt，对比基础 prompt 生成的结果会非常不一样。 \n\n\n\n\n\n## 图灵机式的框架\n\n作者是Mr.Bear， 我自己总结一个小框架， 大多数时候效果比较好。\n\n- Input: 给出执行指令需要上下文或其他信息。  \n\n- Instruction: 指令。 指示模型完成的任务， 处理方法或步骤。 \n\n- Output： 输出。 指示模型按你想要的格式输出。 \n\n- filter: 过滤， 可选项。 \n\n结上我在文中提到的原则和技巧， 辅助我上面的框架， 能满足大多数日常的工作。 \n\n\n\n# 第十章 总结\n\n\n\n如果你能从头到尾练习一遍，遇到一些问题，然后解决它们，相信你现在已经可以很熟练地使用ChatGPT完成你的工作了。\n\n首先，清晰和明确的表达指令是最基础也是最重要的。在工作中，这一点非常关键。指示模型完成任务时，首先应当清楚地描述工作内容，包括：\n\n- 任务是什么\n- 任务的背景信息是什么\n- 何时完成或交付\n- 交付标准是什么\n\n为了确保你的下属按照你期望的目标进行工作，你需要定期审查他们的工作，确保他们的工作在正确的轨道上。这就是我们在第二章中所说的，你需要让他们首先思考，然后再给予指导。\n\n你可以使用大型语言模型进行文本处理，例如对文章进行概括汇总，提取重要信息，通过文章内容推理出主题和情绪（积极\u002F消极）。\n\n你可以用大型语言模型（ChatGPT）完成多语言的翻译。ChatGPT还可以用于生成不同风格的语句，例如轻松愉快的或表达愤怒的语句。\n\n你可以编写有效的提示词，帮助你生成邮件。当ChatGPT刚发布时，我曾用它为我老婆写过一封关于研究生入学的推荐信，效果非常好。我在上面的示例中为你展示了根据客户评论撰写回复邮件的例子。\n\n此外，最重要的是，不要让模型直接给出答案。你应该指导模型自己去解决问题。你可以为模型设计解决问题的路径，让模型按照你指示的路径自行推理出正确的答案。\n\n\n\n\n\n# 第十一章 Prompt Engineering 的练习\n\n关于Prompt Engineer 是一个动手大于动脑的工作， 动脑也很重要。 \n\n需要反复的练习和操作， 摸索大语言模型的经验。  \n\n单单是学习任何一门课程或只看我的文章， 都无法保证你能高效的掌握所有 Prompt 的技巧。  \n\n\n\n\n\n# 参考\n\n[**generative ai for everyone** ](https:\u002F\u002Fwww.deeplearning.ai\u002Fcourses\u002Fgenerative-ai-for-everyone\u002F)\n\n[**ChatGPT Prompt Engineering for Developers**](https:\u002F\u002Fwww.deeplearning.ai\u002Fcourses\u002Fgenerative-ai-for-everyone\u002F)\n\n[**Learning Prompt**](https:\u002F\u002Flearningprompt.wiki\u002F)\n\n[**learningprompting**](https:\u002F\u002Flearnprompting.org\u002F)\n\n[Prompt提示词大全](https:\u002F\u002Fwww.moreusefulthings.com\u002Fprompts)\n\n[直译、反思、意译：提升 GPT 翻译质量的一种新策略](https:\u002F\u002Fbaoyu.io\u002Fblog\u002Fprompt-engineering\u002Ftranslator-gpt-prompt-v2)\n\n[优化AI提示词 ](https:\u002F\u002Fpromptperfect.jina.ai\u002F)\n\n\n\n# About Me\n\n[Mr. Bear](https:\u002F\u002Ftwitter.com\u002FGreenPanda_111)\n\n[Blog](https:\u002F\u002Fishell.online\u002F )\n\n[github](https:\u002F\u002Fgithub.com\u002Fpandabear1024)\n\n\n\n# 版权声明\n\n本内容为独家版权， 如需转载，请联系本人。","# prompt-tutorial 快速上手指南\n\n本指南基于开源项目 `prompt-tutorial` 整理，旨在帮助零技术背景的用户快速掌握大语言模型（LLM）的提示词工程（Prompt Engineering）核心技巧。\n\n## 📖 课程概览\n本教程共分为十一章，核心内容聚焦于前六章的基础原理与实战技巧：\n*   **基础原理**：清晰指令、思维链引导。\n*   **核心任务**：文本总结、推理分析、自然语言处理、内容生成。\n*   **进阶应用**：聊天机器人构建、框架体系（如 CRISPE）。\n\n> **建议**：初学者请重点精读**第一章至第五章**，这是提示词工程的“第一性原理”。\n\n---\n\n## 🚀 核心原则与实战策略\n\n### 原则一：编写清晰明确的指令\n清晰不等于简短。更长的提示词往往能提供更多背景，从而获得更准确的输出。\n\n#### 1. 使用分隔符区分指令与内容\n利用分隔符让模型明确区分“指令”和“待处理文本”，防止指令注入或混淆。\n*   **常用分隔符**：`\"\"\"`, ` ``` `, `---`, `\u003C >`, `\u003Ctag> \u003C\u002Ftag>`\n*   **示例**：\n    ```text\n    请概括由三个连字符分隔的以下内容：\n    ---\n    [此处放入长文本]\n    ---\n    ```\n\n#### 2. 要求结构化输出\n明确指定输出格式（如 JSON, CSV, HTML, Markdown），便于后续程序处理或直接阅读。\n*   **示例**：\n    ```text\n    生成三本虚构书籍的信息，并以 JSON 格式输出，包含键：book_id, title, author, genre。\n    ```\n\n#### 3. 设定条件检查\n指示模型在执行任务前先检查特定条件是否满足，若不满则执行备选方案。\n*   **示例**：\n    ```text\n    如果文本中包含一系列步骤，请按“步骤 1...步骤 2...\"格式重写；如果没有，则输出“未提供步骤”。\n    ```\n\n#### 4. “少样本”提示 (Few-Shot Prompting)\n在提问前提供 1-2 个成功的问答示例，让模型模仿其风格、格式或逻辑。\n*   **示例**：\n    ```text\n    孩子：教我耐心。\n    长辈：雕刻最深峡谷的河流源自不起眼的泉水...\n    孩子：教我韧性。\n    长辈：[模型将模仿上述哲理风格回答]\n    ```\n\n### 原则二：给模型思考的时间 (Chain of Thought)\n不要让模型直接给出最终答案，而是引导它一步步推理，可显著降低错误率（特别是数学或逻辑题）。\n\n#### 1. 指定解决步骤\n明确列出完成任务的步骤流程。\n*   **示例**：\n    ```text\n    1. 总结以下文本。\n    2. 将总结翻译成英文。\n    3. 提取文中所有人名。\n    4. 输出包含摘要和人数的 JSON 对象。\n    ```\n\n#### 2. 引导模型自我推导\n对于复杂问题，要求模型先自己计算\u002F推理一遍，再对比或得出结论，避免“幻觉”导致的错误。\n*   **技巧**：在 Prompt 中加入“在你得出结论之前，请先自行解决这个问题”。\n\n---\n\n## 🛠️ 常见应用场景速查\n\n| 场景 | 关键技巧 | 示例提示词片段 |\n| :--- | :--- | :--- |\n| **文本总结** | 限制长度\u002F聚焦重点 | “用一句话总结...\"、“仅关注价格和交付信息进行总结...\" |\n| **信息提取** | 明确实体类型 | “从评论中提取产品名称和公司名...\" |\n| **情感分析** | 定义分类标签 | “判断以下文本的情感是：愤怒、喜悦还是中性？” |\n| **翻译\u002F改写** | 指定目标语种\u002F语气 | “将以下文本翻译成法语...\"、“转换为正式商务语气...\" |\n| **内容生成** | 提供背景细节 | “根据以下客户评论，写一封道歉邮件，需包含具体订单细节...\" |\n\n---\n\n## ⚠️ 重要注意事项\n\n1.  **警惕“幻觉”**：\n    *   模型可能会自信地编造事实（如虚构的公司、产品或数据）。\n    *   **对策**：对关键事实进行人工核查，或在 Prompt 中要求“如果不知道，请回答未知”。\n2.  **会话隔离**：\n    *   模型具有上下文记忆。多主题混合聊天会导致混淆。\n    *   **建议**：开启新话题时，务必**新建一个对话会话**。\n3.  **迭代优化**：\n    *   第一次生成的 Prompt 很少完美。需要根据输出结果不断调整指令、增加约束或补充示例，直到达到预期。\n4.  **模型选择**：\n    *   不同模型对 Prompt 的敏感度不同。如遇输出不稳定，可尝试切换模型（如 ChatGPT, Claude 等）。\n\n---\n\n## 💡 快速开始练习\n1.  **准备环境**：打开任意大语言模型对话框。\n2.  **尝试基础指令**：复制上述“分隔符”或“结构化输出”的示例进行测试。\n3.  **迭代优化**：观察输出，如果不满意，尝试增加“一步步思考”或提供更具体的“少样本”示例。\n4.  **实战应用**：选取你工作中的实际文本（如邮件、报告），尝试用本教程的技巧进行总结或改写。\n\n> **注**：本指南内容源自 `prompt-tutorial` 开源项目，遵循原项目许可，使用时请注明出处。","某电商运营团队每天需处理数百条海外客户评论，既要提取关键信息生成日报，又要针对差评撰写回复邮件，工作繁琐且容易出错。\n\n### 没有 prompt-tutorial 时\n- 指令模糊导致模型经常“幻觉”，编造不存在的客户姓名或产品细节，需要人工反复核对修正。\n- 输出格式杂乱无章，有时是长段落，有时是列表，无法直接导入 Excel 或数据库进行统计分析。\n- 面对复杂任务（如同时判断情感、提取实体、总结痛点）时，模型往往顾此失彼，遗漏关键步骤。\n- 生成的邮件回复语气生硬或不统一，缺乏针对不同愤怒等级客户的差异化话术，影响品牌形象。\n- 团队成员各自摸索提示词写法，缺乏统一标准，新人上手慢，协作效率低下。\n\n### 使用 prompt-tutorial 后\n- 运用“分隔符”和“条件检查”策略，模型能精准区分指令与评论文本，并自动验证提取信息的准确性，杜绝胡编乱造。\n- 通过要求“结构化输出”，模型直接生成标准的 CSV 或 JSON 格式数据，包含 book_id、情感标签等字段，无缝对接内部系统。\n- 利用“思维链”技巧指导模型分步思考（先识别语种->再判断情感->最后提取实体），显著提升了多任务处理的完整度。\n- 参考课程中的“语气转换”与“邮件生成”案例，模型能根据客户愤怒程度自动调整回复语气，从正式道歉到亲切安抚游刃有余。\n- 团队基于课程中的 CRISPE 框架建立了统一的提示词模板库，新人只需填空即可产出高质量结果，培训成本大幅降低。\n\nprompt-tutorial 将原本依赖运气的“抽卡式”提问，转化为可复制、高精度的标准化工作流，让大语言模型真正成为懂业务的高效助手。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPandaBearLab_prompt-tutorial_181941de.png","PandaBearLab","PandaLab","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FPandaBearLab_090cda06.png","",null,"https:\u002F\u002Fgithub.com\u002FPandaBearLab",1335,111,"2026-04-12T06:36:20","未说明",{"notes":87,"python":85,"dependencies":88},"该工具并非可运行的软件代码，而是一份关于大语言模型提示词工程（Prompt Engineering）的中文教程文档。内容涵盖提示词原理、技巧、迭代优化、文本处理案例及框架介绍。阅读和学习本教程无需任何理工科背景，也不涉及本地环境部署、GPU 加速或特定编程库的安装。用户只需通过网页阅读或直接在与大语言模型（如 ChatGPT、Claude 等）的对话中实践文中提供的提示词示例即可。",[],[15],"2026-03-27T02:49:30.150509","2026-04-13T00:21:43.277033",[],[]]