【笔记】跟吴恩达和IsaFulford学提示词工程（初级开发者入门课程）

• 标签： #Prompt #LLM
• 创建时间：2023-04-28 17:05:45
• 链接：课程（含JupyterNotebook） ，中文版
• 讲师：Andrew Ng，Isa Fulford
• 发表在：【笔记】跟吴恩达和IsaFulford学提示词工程（初级开发者入门课程）

---

![[https://cdn.hashnode.com/res/hashnode/image/upload/v1682703428882/58a800f5-0d19-401c-9afe-113edcadbd0d.png?auto=compress,format&format=webp]]

阅读提示

这是一篇入门的教程，入门的意思是指大部分内容，可能你都已经知道了，但是知道不等于掌握，Prompt是一门实践经验主义科学，LLM是个黑盒，你只要不断去“实践”才能烂熟于心，所以这篇笔记本身建议仅作为一个“提示”，帮你回顾知识点。你需要点开课程（含JupyterNotebook），然后在里面一行一行地阅读代码、执行代码、修改代码，才能更好地掌握。

笔记

01 Introduction 介绍

1. LLM分成两个基本大类：base-LLM和Instruction-Tuned-LLM，前者称为基础语言模型，始终基于预训练数据预测下一个单词，后者又称为指令式语言模型，它针对指令进行了微调，使它更可能完成人类的指令。像“翻译”就是一种常见指令。OpenAI的模型中，InstructGPT models列出了它们针对指令优化的模型，表格中也列出了不同的指令微调训练方法，如SFT、FeedME、PPO。

02 Guidelines 准则

1. 写指令要求清晰和具体，但不等于短。
   • 用定界符如"""、```、---、<>、。它可以防止prompt注入，给LLM产生混乱的理解。
   • 用结构化输出：如直接要求它以HTML或者JSON格式输出。
   • 要求检查：要求LLM先检查是否满足某个条件后，再进行输出，如果条件不满足可以直接告知。
   • 利用少样本学习，展示一个你期望的例子给LLM。
2. 给模型一些思考的时间，你给它太简单的描述它回答的可能不是你要的，你给它太难的问题它可能也算不出来。
   • 让模型按步骤来解答，第一步你应该怎么答，第二步你应该……最后……。可以设定一些分隔符，并且你在展示你想要的格式的时候，使用这些分隔符，比如你告诉LLM，文本在Text:<>里面……
   • 让模型自己推导出过程，而不仅仅是结果，展示一个带有解题过程的例子给LLM，演示中，让LLM负责判断学生做题是否正确，这时候就需要告诉模型学生的解题思路。

避免模型产生幻觉：要告诉模型先查找相关资料，再根据相关资料来回答问题。（但模型产生幻觉很难避免，也是目前模型研究领域努力的方向）

03 Iterative 提示工程需要持续迭代（编写Prompt就是一个不断修正表达的过程）

编写Prompt的过程是不断迭代的。

基本步骤：编写Prompt、测试、分析为什么、再编写（澄清你的想法）、再测试……，直到满意为止。

示例中，测试了总结营销文案、用50个单词、3个句子、280个字符、增加目标用户、增加产品参数、增加输出格式要求、来表达等，LLM表现得都不错，不过值得注意的是，它们并不会严格按照这个字数限制来，可能会略长一点。

04 Summarizing 总结类的应用（总结、提取信息）

如果你有个电商网站，里面有大量的用户评论，你可以利用“总结”的能力来简化你的工作量。

LLM不仅支持“总结（summarize）”还可以“提取信息（extract）”。

示例中，测试了限制字数、限定主题、关注价格、用提取替换总结，并用一个for循环，以相同的prompt模板来套用不同的内容，以达到批量处理的目的。

05 Inferring 推理类应用（情绪判断、主题推断等）

同样是在用户评论中，你如果想看看有多少积极反馈有多少消极反馈，则需要用到“LLM推理”的能力。

示例中，LLM可以推理用户的情绪（sentiment）、识别情绪类型（如：happy, satisfied, grateful, impressed, content）、提取品牌和商品信息并按JSON格式输出、一次执行多个任务（提取用户评论的商品并推理用户的情绪） 、推断主题、基于推断的主题设计一个提醒程序等。

06 Transforming 转换类应用（翻译、格式转换、纠错等）

将一种语言转换为另一种语言这类应用可以叫做转换类应用。

示例中，翻译一段文字到另一种语言、识别一段文字是哪种语言、同时翻译成两种以上的语言、指定正式还是非正式的语气、指定语言使用的场合比如商务场合的邮件、除了自然语言翻译还可以是json到html这样程序语言的翻译、要求LLM帮你纠正语法错误。

收获一个可以标记文本差异的Python代码：

from IPython.display import display, Markdown, Latex, HTML, JSON
from redlines import Redlines

diff = Redlines(text,response)
display(Markdown(diff.output_markdown))

07 Expanding 扩展类应用（拓写）

LLM擅长于将一个简短的文字写得更长，并补充一些修饰，融入一些特定的语言风格。

示例中，LLM表现为一个邮件回复助理的角色。让LLM写一段回复客户的邮件、要求它使用客户来信中的详细信息（让客户感觉比较真实）、可以调整温度值来让回复不那么死板。

请不要将其用于垃圾邮件编写等不负责任的任务。

08 Chatbot 聊天机器人

给OpenAI API发送的消息，role包含system、user和 assistant三种角色。system设定的是全局的风格、限制等信息，user表示人类，assistant表示LLM。

def get_completion(prompt, model="gpt-3.5-turbo"):
    messages = [{"role": "user", "content": prompt}]
    response = openai.ChatCompletion.create(
        model=model,
        messages=messages,
        temperature=0, # this is the degree of randomness of the model's output
    )
    return response.choices[0].message["content"]

def get_completion_from_messages(messages, model="gpt-3.5-turbo", temperature=0):
    response = openai.ChatCompletion.create(
        model=model,
        messages=messages,
        temperature=temperature, # this is the degree of randomness of the model's output
    )
#     print(str(response.choices[0].message))
    return response.choices[0].message["content"]

messages =  [
{'role':'system', 'content':'You are an assistant that speaks like Shakespeare.'},
{'role':'user', 'content':'tell me a joke'},
{'role':'assistant', 'content':'Why did the chicken cross the road'},
{'role':'user', 'content':'I don\'t know'}  ]

response = get_completion_from_messages(messages, temperature=1)
print(response)

示例展示了一个可交互的GUI：

def collect_messages(_):
    prompt = inp.value_input
    inp.value = ''
    context.append({'role':'user', 'content':f"{prompt}"})
    response = get_completion_from_messages(context)
    context.append({'role':'assistant', 'content':f"{response}"})
    panels.append(
        pn.Row('User:', pn.pane.Markdown(prompt, width=600)))
    panels.append(
        pn.Row('Assistant:', pn.pane.Markdown(response, width=600, style={'background-color': '#F6F6F6'})))

    return pn.Column(*panels)

import panel as pn  # GUI
pn.extension()

panels = [] # collect display 

context = [ {'role':'system', 'content':"""
You are OrderBot, an automated service to collect orders for a pizza restaurant. \
You first greet the customer, then collects the order, \
and then asks if it's a pickup or delivery. \
You wait to collect the entire order, then summarize it and check for a final \
time if the customer wants to add anything else. \
If it's a delivery, you ask for an address. \
Finally you collect the payment.\
Make sure to clarify all options, extras and sizes to uniquely \
identify the item from the menu.\
You respond in a short, very conversational friendly style. \
The menu includes \
pepperoni pizza  12.95, 10.00, 7.00 \
cheese pizza   10.95, 9.25, 6.50 \
eggplant pizza   11.95, 9.75, 6.75 \
fries 4.50, 3.50 \
greek salad 7.25 \
Toppings: \
extra cheese 2.00, \
mushrooms 1.50 \
sausage 3.00 \
canadian bacon 3.50 \
AI sauce 1.50 \
peppers 1.00 \
Drinks: \
coke 3.00, 2.00, 1.00 \
sprite 3.00, 2.00, 1.00 \
bottled water 5.00 \
"""} ]  # accumulate messages

inp = pn.widgets.TextInput(value="Hi", placeholder='Enter text here…')
button_conversation = pn.widgets.Button(name="Chat!")

interactive_conversation = pn.bind(collect_messages, button_conversation)

dashboard = pn.Column(
    inp,
    pn.Row(button_conversation),
    pn.panel(interactive_conversation, loading_indicator=True, height=300),
)

dashboard

这里需要注意的是，因为context是全局的，所以每一次消息都会带上之前的历史消息，并发送给服务端。

![[https://cdn.hashnode.com/res/hashnode/image/upload/v1682703524414/682825f5-3116-45e3-b700-6bc64cc59093.png?auto=compress,format&format=webp]]

09 Conclusion 结论

1. 原则：
   1. 写指令要求清晰和具体。
   2. 给模型一些思考的时间。
2. 提示的开发过程是持续迭代的。
3. 能力：总结、推理、转换、扩展。

---

本文最初我发布在了 https://volnet.hashnode.dev/gpt-prompt-dev-deeplearningai 说是发布，也就是自己写着玩，连那个blog都是看着好奇随手注册的，不过今天看到很多割韭菜的公众号默默拿走了，想想，既然有人需要，还是发到我永远最爱的博客园吧~