提示工程基础知识 - 生成式人工智能入门（v1）
开启生成式人工智能之旅的 3 个资源：
欢迎来到我的“本周人工智能新闻”系列第六篇！今天，我想和大家聊聊生成式人工智能入门——从提示工程到微调。让我们开始吧！
我之前休假去了，所以这篇文章和下一篇今天一起发布，而不是按原计划发布。不过它们内容相关，希望对大家有所帮助。
提升生成式人工智能技能
想必你已经让 ChatGPT 回答过问题，或者让 Bing Create 生成过图片，又或者让 GitHub Copilot 为你解释过一些代码。这些都是由大型语言模型 (LLM) 驱动的生成式人工智能体验的例子。
但LLM究竟做什么？生成式AI解决方案与我们之前构建的传统AI/ML应用有何不同？需要了解哪些基本概念，以及如何将这些概念应用于构建实际应用？
这些问题是我们去年十月发布的开源系列课程“生成式人工智能入门” （v1）中试图解答的。该课程共包含12节课，每节课涵盖一个核心主题，并提供相应的练习来巩固所学知识。
自发布以来，已有约 2.5 万用户为该代码库点赞，许多用户还贡献了问题报告、翻译、修复程序和建议，帮助我们改进代码库。它现在是GitHub 上排名第一的“生成式人工智能”代码库。
今天，我将重点介绍我为本课程贡献的课程——关于快速工程基础知识的章节——它为课程的其余部分奠定了基础。
什么是快速工程？
生成式人工智能应用与传统人工智能体验在很多方面都有所不同，但关键在于它们使用大型语言模型（LLM）来理解自然语言。这使得用户能够以自然对话的方式（“聊天”）使用文本输入（或“提示”）与应用互动。
理解提示的工作原理对于构建能够为用户提供高质量响应的可靠应用程序至关重要。下图展示了这些概念之间的联系——但提示工程究竟是什么意思，我们为什么需要它？
评测：图解指南
本课程分为以下几个部分，从核心概念到快速工程的最佳实践，一一讲解。请查看下面的图文指南，了解每个部分的具体内容：
| 话题 | 描述 |
|---|---|
| 核心概念 | 解释了包括分词在内的关键术语，这些术语对于促进使用至关重要。 |
| 核心挑战 | 告诉你为什么提示设计对于获得更高质量的回复至关重要 |
| GitHub Copilot | 提供一个真实案例研究，用以说明快速工程实例。 |
| 快速施工 | 描述了提示的组成部分，以及复杂提示的设计方式。 |
| 主要内容 | 重点介绍了一些能够提高回复质量的提示设计模式 |
| 高级技术 | 展示了如何通过让模型进行自我评价或自我解释来提高质量。 |
| 最佳实践 | 课程最后总结了端到端应用程序生命周期和工作流程。 |
观看：课程讲解
想更好地了解课程内容如何与概念的实际应用相结合吗？请查看下方演示文稿中的幻灯片，其中通过实际示例和动手练习，引导您完成课程学习，您可以在 Azure OpenAI 或 OpenAI Playground 上尝试这些练习。
课程还附带幻灯片讲解的录制视频，作为教师指导的课程讲解。
最后，本课程还包含一个使用 Jupyter Notebook 运行时的交互式作业。您需要一个 Azure 订阅（并拥有 Azure OpenAI 的访问权限）或一个 OpenAI 帐户（并拥有有效的 API 密钥）才能完成练习。该代码库已配置为与 GitHub Codespaces 配合使用——因此您无需任何额外操作即可使用预构建的开发环境。
总结与后续步骤
完成“提示工程基础”（第 4 章）课程后，继续学习“高级提示”（第 5 章）课程，该课程将引导您了解诸如思维链提示等技巧。接下来，您将学习如何构建不同的生成式 AI 体验——从聊天应用到搜索、文本和图像生成。您还可以探索低代码选项，并学习如何通过函数调用集成外部应用程序。
该课程的第 v1 版涵盖了第 1-12 章。在下面的下一篇文章中，我将探讨 2 月份刚刚发布的第 v2 版（第 13-18 章），并专门讨论微调，这种方法可以帮助您在仅靠快速工程不足以有效提高生成式 AI 应用程序的质量或降低成本时提高性能。
在此之前，请将此仓库 fork到您的个人主页，开始探索课程吧！祝您学习愉快！
开启生成式人工智能之旅的 3 个资源：
文章来源：https://dev.to/azure/prompt-engineering-fundamentals-generative-ai-for-beginners-v1-1kii