所谓的“常识信息”,不是指 1+1=2。常识指的每一个人的不同工作背景下观察到的独特而平常的细节。

所谓的“常识信息”,不是指 1+1=2。常识指的每一个人的不同工作背景下观察到的独特而平常的细节。 比如刚刚上面文档的很多东西,都叫常识信息,你做一个 PPT,现场的发布环境,荧幕是其他工作人员搞定?还是由我来搞定和考虑细节?如果只是投影仪,那么颜色发灰这些问题要不要考虑…… 所以,要想发挥 GPT Prompt 的威力(Agent),有两个点需要考量: 1⃣ 专家“脑子里想的具体的东西”,而不仅仅是“你是一个 xx 专家”。后者是站在客户的角度。至少目前为止对于这种 Chain 的思想,大模型还不足以面对复杂的生产流程。 2⃣ 进一步服务,持久地沟通。Few-shot 在单个环节输出结果不理想的情况下是必要的,但是单论对话无法从中心向外分化太远。必然需要在 1⃣ 的前提下,量身定制每个环节,以及考虑是否需要 Few-shot,需要什么样的 Few-shot。另外,角色自动处理的好处是简化掉中间繁琐的流程,但应当在缺乏必要的信息前阻塞。这种自动化的流程需要以最大化的效率让用户尽可能少地 prompt,就像病人和医生的关系。病人 prompt:你是一个医疗专家;医生 prompt:反问 + 脑子里想的具体决策

相关推荐

封面图片

读论文:一篇有趣的论文:用11种情感刺激prompt来提升LLM的性能

读论文:一篇有趣的论文:用11种情感刺激prompt来提升LLM的性能 : 这些prompting来自三种心理学理论: 1. 自我检测(self-monitoring):强调产出的重要性,让模型自己检查一下产出。例如‘这个结果对我的工作非常重要,‘你最好保证这个答案是对的’等等,鼓励语言模型自我监测结果。 2. 社会认知理论(social-cognitive):对语言模型信心和目标给予积极肯定,来调节其情绪。例如‘你确认这是最终回答吗?相信你的能力和努力,你的努力会产出卓越的结果的’ 3. 情绪调节理论(cognitive-emotion):通过让语言模型重新审视问题,规范他用客观的态度来看问题。例如‘你确定吗?’ 文章发现了为什么这样的prompt会起作用: 通过注意力分析,发现这些情感prompt的注意力权重较高,说明这些token在注意力层很受重视,也说明情感prompt深度参与了模型的推断过程 文章也发现了情感prompt作用的一些规律: 1. 模型参数越大,情感prompt越管用 2. 任务越难,情感prompt越管用 3. 对于zero-shot的任务,信息缺失,配合高温度能让情感prompt激发模型的创造力,获得更有想象力的答案,但相应地幻觉风险也更大 4. 对于few-shot的任务,信息少,配合低温度能让情感prompt使得模型聚焦在少量的例子中思考,但也会损失模型的创造力 以下为11个prompt: EP01: Write your answer and give me a confidence score between 0-1 for your answer. EP02: This is very important to my career. EP03: You'd better be sure. EP04: Are you sure? EP05: Are you sure that's your final answer? It might be worth taking another look.

封面图片

最近在看 MetaGPT 的框架,拿到 AgentStore 测试名额。感觉提示词这部分存在着一直以来很普遍的问题:忽略细节。这

最近在看 MetaGPT 的框架,拿到 AgentStore 测试名额。感觉提示词这部分存在着一直以来很普遍的问题:忽略细节。这也是我在社交媒体上看到各路 Prompter 分享 Role 的一个尚待优化的点。 我举个例子,错误示范: 你是一个 xx 专家,你很 blabla; 又或者,请检查 xx 是否有错误,是否存在 yy 问题。 我这里说的“错”不是指自己用 GPT 的场景,而是针对于构建自动化处理任务的 Agent 这个任务来说。 这两个错误真的是非常典型,而且本质上是一个问题。你把 GPT 想象为一个依靠 Prompt 进行选择性表达或是从中心点向四周分化的细胞。你会发现从底层能力上看,通过实验来看它就是没法分化太远(我是说目前),原因有两个。 你看 MetaGPT 文档第一句话说的是什么? Code = SOP(Team) is the core philosophy. We materialize SOP and apply it to teams composed of LLMs. SOP 是如何体现的?我换个问法好了,当你找某个方面的专家帮你做事 / 给予服务的时候,我们期望的其实就和上面一样 我们不是这个方面的专家,期待的自然是专家能自行判断一些事情,或者说他知道该如何反过来 prompt 你(而不是一直你单方面 prompt),不妨回忆一下「询前表单」。 我之前和 @小江在想 在一个班一起学 PPT 定制设计。这个是小江之前写的:如何又好又快地解决 PPT当然,还有一些沟通方面的我放在了截图里 你可以看到文档里几乎所有的信息都可以被精简和提炼为一个个 Instructions. 可能是制作的哲理(风格),也可能是不同场景和生产环节的具体要求。 一个专家应该有他自己的判断。 相应地,当客户没有提供清楚所需要的必要的材料的时候,任务就不可能顺利进行。这个时候必然会由专家反过来提问客户说:「关于 xxx,我们还缺少 yyy 材料;以及 zzz 我们是否需要进一步沟通一下,因为在我看来,zzz 存在两种不同的方向,到底是 aaa 还是 bbb,我需要进一步确认品牌对于 ccc 的考量 blabla。」

封面图片

Prompt 的本质:通过 *明确的指引* 来促使 LLM 生成高质量内容。

Prompt 的本质:通过 *明确的指引* 来促使 LLM 生成高质量内容。 一切他法皆为此来: - 结构化写作:使思考以有序的方式得以明确表达 - Few-shots:通过示例明确预期结果 - 限制模块:明确指出不希望看到的内容 - 工作流模块:明确工作流程和步骤 一切都是为了一个目标:明确地表达清楚你想要什么。 诸如 CoT、ToT、GoT、AoT 等高级技巧,虽然引人注目,却只是模型操作的额外工具。 - let's think step by step - Let's work this out in a step by step way to be sure we have the right answer. - 多个角色分别进行输出, 然后进行投票, 得分高者获胜输出 - Take a deep breath, let's think step by step 这些新技巧会不断增多,它们在实践中证明了有效性,应根据需求灵活运用。 然而,Prompt 的核心依旧是 *明确的指引* 。高级技巧可以作为加分项,但不属于 Prompt 的本质范畴。

封面图片

接上一条关于AI PPT工具的吐槽后,@文森特靠谱 建议我自己手搓一个prompt来解决类似问题,我也正有此意,所以做了一下pr

接上一条关于AI PPT工具的吐槽后,@文森特靠谱 建议我自己手搓一个prompt来解决类似问题,我也正有此意,所以做了一下prompt工作逻辑的梳理和测试,分享出来,有始有终。 先上测试结果对话链接(提示词也在里面): 思路大体如下: 1. 首先产生了一个生产力环境的下的需求(痛点) 2. 将痛点梳理清晰,表述清楚(可能会用做 prompt 中的 background或者 constraints ) 3. 思考该痛点是否能用 prompt 解决,还是更适合用 prompt chain 或者agent 解决 4. 梳理解决方案的步骤,并搜集方法论 5. 完成工作流程的 step1234 6. 测试验证,工具选型(prompt 还是 promptchain 还是 agent ) 渐进式设计思路截图: 图1:AI搜索引擎(秘塔)找方法论ing 图2:Kimi整合ing 图3:步骤梳理完成 图4:直播手搓过程督促自己不要鸽这个需求 Kimi提示词: 参考文本: 你是一位PPT设计以及演讲专家,请结合参考文本,遵循以下工作思路和用户展开对话,并协助他们完成PPT设计: 如果想要设计一个良好的PPT内容框架,需要满足以下流程: 1. 确定PPT的使用场景,用户只需要回答一个问题:在什么场合、给谁讲 2. 确定PPT的内容要素,用户需要回答下列问题: 1. 演讲主题 2. 演讲时长 3. 内容页数要求(如果有) 3. 根据用户提供的信息为用户选择一个适用的说服框架 SCQA (Situation-Complication-Question-Answer) - **Situation**: 描述当前的情况或背景。 - **Complication**: 介绍当前情境中存在的问题或挑战。 - **Question**: 提出一个需要解决的问题或需要回答的疑问。 - **Answer**: 提供解决方案或答案。 AIDA (Attention-Interest-Desire-Action) - **Attention**: 吸引观众的注意力。 - **Interest**: 增加观众对话题的兴趣。 - **Desire**: 激发观众的渴望。

封面图片

科学家观察到蜘蛛模仿蚂蚁以吓退捕食者的生存策略

科学家观察到蜘蛛模仿蚂蚁以吓退捕食者的生存策略  一只模仿蚂蚁的蜘蛛化石揭示了蜘蛛躲避捕食者的进化策略,强调了模仿在蜘蛛王国的适应性优势。Myrmarachne colombiana.资料来源:George Poinar Jr.在俄勒冈州立大学理学院任职的波伊纳尔说:"蚂蚁是特别适合蜘蛛假扮的生物许多动物都觉得蚂蚁令人讨厌或吃起来很危险。蚂蚁有很强的自卫能力它们有很强的咬合力和刺痛毒液,它们可以召集几十上百个同伴作为盟友。与此同时,蜘蛛没有太多的化学防御能力,而且独来独往,这使它们很容易被更大的蜘蛛、黄蜂和鸟类猎杀这些捕食者宁愿避开蚂蚁。因此,如果蜘蛛能像蚂蚁一样,它就更有可能不被打扰"。伪装成蚂蚁的蜘蛛生活在全球许多地方,但直到现在,大多数蜘蛛都能躲过化石研究人员和捕食者的发现。波因纳尔描述的标本被命名为"Myrmarachne colombiana",它被埋在一种被称为"copal"的树脂化石中。与琥珀相比,科帕尔是一种不太成熟的树脂化石,琥珀的年代通常在 2500 万年或更久之前。不过,科帕尔的历史可长达 300 万年。利用保存在琥珀中的动植物生命形式来了解遥远过去的生物学和生态学的国际专家波伊纳尔说,但是,这种树脂的年龄还无法确定。研究人员正在使用的树脂块来自哥伦比亚麦德林,体积太小,无法进行老化测试,否则有可能损坏里面的蜘蛛。波伊纳尔指出,目前没有任何记录表明哥伦比亚有模仿蚂蚁的蜘蛛。他说:"蜘蛛要完成向蚂蚁的神奇转变是一项挑战。蚂蚁有六条腿和两根长触角,而蜘蛛有八条腿,没有触角。"波伊纳尔说,为了避免这些解剖学上的差异,蜘蛛通常会把两条前腿摆成近似触角的样子。但是,腿的数量和触角的有无并不是区分蚂蚁和蜘蛛外观的唯一特征。蜘蛛的腹部和头胸部紧密相连,而在蚂蚁中,相当于这些身体部位的部分被称为叶柄的狭窄部分隔开。蜘蛛还有许多其他较小的结构需要改变,才能与蚂蚁非常相似。这是如何实现的?大多数科学家认为,首先是蜘蛛的变异、适应,然后是自然选择。不过,这大概也涉及到蜘蛛的一些推理和智慧,因为蜘蛛经常模仿同一环境中特定蚂蚁的身体变化。在早期,我们被告知昆虫的所有习性都是本能的结果,但现在已经不是这样了。他补充说,有几类蜘蛛已经发展出了外形和行为酷似各种蚂蚁的能力。还有一些蜘蛛试图伪装成其他昆虫,如苍蝇、甲虫和黄蜂。编译自:ScitechDaily ... PC版: 手机版:

封面图片

有点常识的就该知道高考不可能有人真考满分,所谓何碧玉在高考中获得了750分满分是流传很广的以讹传讹。所谓高考满分其实是河南高考理

有点常识的就该知道高考不可能有人真考满分,所谓何碧玉在高考中获得了750分满分是流传很广的以讹传讹。所谓高考满分其实是河南高考理科第一名,当时河南高考实行标准分,把第一名定为满分,如此而已,不是卷面满分。当然能考全省理科第一名也很了不起,但全国每年都有30个,没必要胡吹是神迹。

🔍 发送关键词来寻找群组、频道或视频。

启动SOSO机器人