蝉鸣报告（原爱报告知识星球）
第一章：课程介绍
欢迎来到本课程，这是为开发者准备的ChatGPT提示工程课程。我很高兴能够有Isa Fulford一起教授本课程。她是OpenAI技术人员，并构建了受欢迎的ChatGPT检索插件，并且大部分工作是教人们如何在产品中使用LLM或大型语言模型技术。她还为OpenAI cookbook做出了贡献，教人们提示。非常高兴能有你加入我们。我也很高兴能够在这里与大家分享一些提示最佳实践。
在互联网上有很多有关提示的文章，例如“30个每个人都必须知道的提示”，很多都专注于ChatGPT的Web用户界面，许多人正在使用它来完成特定且经常只需一次完成的任务。但是，作为开发人员，使用API调用LLM快速构建软件应用程序的能力，我认为仍然被低估。事实上，我们在AI Fund团队，这是DeepLearning.AI的姐妹公司，一直在与许多初创公司合作，将这些技术应用于许多不同的应用程序。看到LLM API能够让开发人员快速构建的应用程序非常令人兴奋。因此，在本课程中，我们将与您分享一些可能性，以及如何做到最佳实践。我们需要涵盖很多材料。首先，您将学习一些软件开发的提示最佳实践。然后，我们将介绍一些常见的用例，包括总结、推断、转换、扩展。最后，您将使用LLM构建一个聊天机器人。我们希望这将激发您的想象力，使您能够构建新的应用程序。
在大型语言模型或LLM的开发中，大致分为两种LLM类型，我将其称为基础LLM和指令调整LLM。基础LLM已经训练出来，基于文本训练数据预测下一个单词。通常是在互联网和其他来源的大量数据上训练，以确定下一个最有可能的单词。例如，如果您提示“从前有一只独角兽”，它可能会完成这个故事，认为它下一个几个单词是“他们生活在一个神奇的森林里，有所有独角兽的朋友”。
但是，如果您提示“法国的首都是哪里？”，则根据互联网上的文章可能会很难以确定。因为这可能是法国最大的城市是什么，法国的人口是多少等。因为互联网上的文章可能很可能是关于法国国家的小测验问题列表。
相比之下，指令调整LLM的动量，即LLM的研究和实践的大部分方向，已经被训练成遵循指令。因此，如果您问它“法国的首都是什么？”，它更有可能输出“法国的首都是巴黎”。指令调整LLM通常是通过以下方式训练的：首先使用已经在大量文本数据上训练的基础LLM，然后使用输入和输出的指令和良好的尝试来微调和训练它。然后通常使用一种叫做人类反馈强化学习（RLHF）的技术进一步改进，使系统能够更好地遵循指令并帮助人类。因为指令调整LLM已经被训练成有帮助、诚实和无害的，所以它们不太可能输出有毒的文本等问题，相比之下，基础LLM就有这种可能。许多实际使用场景已经转向指令调整LLM。您在互联网上找到的一些最佳实践可能更适合基础LLM，但对于今天的大多数实际应用，我们建议大多数人专注于指令调整LLM，因为它们更容易使用，并且由于OpenAI和其他LLM公司的工作，它们变得更安全和更对齐。
因此，本课程将重点介绍指令调整LLM的最佳实践，这是我们建议您在大多数应用程序中使用的内容。在进入下一个主题之前，我想要感谢OpenAI和DeepLearning.ai的团队为本课程提供的材料所做出的贡献。我非常感激来自OpenAI的Andrew Main、Joe Palermo、Boris Power、Ted Sanders和Lillian Weng的帮助，他们与我们一起 brainstorming 材料，审查材料，为这个短课程编制课程大纲做出了很大的贡献。在深度学习方面，我也非常感激Geoff Ladwig、Eddy Shyu和Tommy Nelson的工作。
当您使用指令调整LLM时，可以将其视为给另一个人提供指令，例如给一个聪明但不知道您任务的具体细节的人。当LLM不能正常工作时，有时是因为指令不够清晰。例如，如果您说“请写一些关于Alan Turing的东西”，除了这之外，明确说明您想让文本集中在他的科学工作上，还是个人生活上，或者他在历史上的角色，或其他方面，如果您指定文本的语气，它是否应该采取专业记者的语气？还是更像是一封轻松的朋友之间的便笺，希望LLM生成您想要的内容？当然，如果您设想自己要求一位新毕业的大学生为您完成此任务，如果您甚至可以指定他们提前阅读哪些文本片段以撰写有关Alan Turing的文本，那么这将更好地为这位新毕业生成功地完成此任务做好准备。
因此，在下一个视频中，您将看到如何明确和具体的示例，这是提示LLM的一个重要原则。您还将从提示的第二个原则中学习，即给LLM时间思考。现在，让我们继续下一个视频。
