粤ICP备17114055号
微信扫码
与创始人交个朋友
支持私有云部署
我要投稿
一、Prompt（提示词）
Prompt的核心要素包括：明确的任务指示、相关上下文、示例参考、用户输入以及具体的输出要求。
指示（Instructions）：想要模型执行的特定任务或指令。
上下文（Context）：包含外部信息或额外的上下文信息，引导语言模型更好地响应。
例子（Examples）：通过给出具体示例来展示期望的输出格式或风格。
输入（Input）：用户输入的内容或问题。
输出（Output）：指定输出的类型或格式。
Prompt:指令：请撰写一段关于“未来科技”的描述。输入数据：无特定输入数据，直接基于主题创作。输出指示：生成一段约100字的文本，要求内容富有想象力且积极向上。开始你的创作：
二、In-context Learning（上下文学习）
Zero-shot Learning：不给GPT任何样例，仅通过自然语言指令来指导模型完成任务。
假设你有一个任务，需要将文本分类为三种情感之一：正面，负面或中性。 文本：我认为这次假期还可以。情感倾向标签（选择一个）：正面、负面、中性
One-shot Learning：给GPT一个任务示例，模型根据这个示例来理解任务并生成输出。
Few-shot Learning：给GPT多个任务示例，模型通过这些示例来更好地理解任务并生成输出。
假设你有一个任务，需要将文本分类为三种情感之一：正面，负面或中性。示例 1: 文本：“我度过了一个非常愉快的周末！” 情感倾向标签：正面示例 2: 文本：“这部电影太令人失望了。” 情感倾向标签：负面示例 3: 文本：“今天的天气和昨天一样。” 情感倾向标签：中性现在，请根据你从上述示例中学到的知识，对以下文本进行情感分类：文本：“我认为这次假期还可以。”情感倾向标签（选择一个）：正面、负面、中性
三、Chain-of-Thought（思维链）
Chain-of-Thought
Zero-Shot CoT：在没有示例的情况下，仅仅在指令中添加一行经典的“Let’s think step by step”，就可以激发大模型的推理能力，生成一个回答问题的思维链。
Few-Shot CoT：通过提供几个包含问题、推理过程与答案的示例，让模型学会如何逐步分解问题并进行推理。这种方式需要少量的示例来引导模型，但通常能够获得更好的效果。
Few-Shot CoT
53AI，企业落地应用大模型首选服务商
产品：大模型应用平台+智能体定制开发+落地咨询服务
承诺：先做场景POC验证，看到效果再签署服务协议。零风险落地应用大模型，已交付160+中大型企业
2024-07-18
2024-06-29
2023-06-08
2024-07-10
2024-07-02
2024-07-26
2024-06-27
2024-07-14
2024-07-15
2024-07-09
回到顶部