ChatGPT已上线五个月，然而还是有不少人未能掌握其使用技巧。

推荐使用GPT中文版,国内可直接访问：https://ai.gpt86.top 

驾驭ChatGPT的难点，在于Prompt（提示词）的编写。OpenAI 创始人明确指出：“能够出色编写Prompt跟聊天机器人对话，是一项能令人惊艳的高杠杆技能。”

目前，你看到的几乎所有AI工具助手，本质上都是通过良好的Prompt实现的。只要你的Prompt够出色，ChatGPT就可以快速完成爬虫脚本、金融数据分析、文案润色与翻译等任务，并且做得比一般人更优秀。

如果你未真正掌握Prompt应用，就无法发挥ChatGPT的威力。举例来说，有很多人还不知道，在给 ChatGPT 提供代码或者翻译文本时，需要使用引号分隔符帮助ChatGPT理解指令的内容结构，以确保其输出更准确的结果。

为了帮助大家能更好的掌握 Prompt 工程，DeepLearning.ai 创始人吴恩达（前百度/谷歌AI部门负责人）与 OpenAI 开发者Iza Fulford联手推出了一门面向开发者的技术教程：《ChatGPT 提示工程》。

虽然吴恩达老师的课程是英文讲授，且面向开发者，但该课程仍然值得每一名使用ChatGPT的同学去认真学习。

在这门课程中，您将学习到：

课程内容

该课程1个多小时，一共9个章节，包括课程介绍、Prompt原则、Prompt优化、大语言模型的实践应用等。

下面，我将和大家展开解读：

01

第一节：课程概述

核心内容：大语言模型的分类

基础大语言模型（Base LLM）：

底层逻辑是“单字接龙”，即大模型基于互联网或其他来源的大数据进行海量训练，学习总结规律，提示上文，模型生成下一个最有可能的单词，并且通过自回归生成，即可回复任意长文。

指令调整型大语言模型（Instruction Tuned LLM）：

首先使用经过大数据训练的基础大语言模型，使用输入/输出指令对模型进行微调，即给它投喂符合人类规范的问答范例，以让它更好的遵循指令，输出对应指令的结果。

这里，通常使用一种叫做RLHF（人类反馈强化训练）的技术进一步优化，以使系统更好的遵循指令。

指令调整型大语言模型更有可能输出有益、诚实和无害的文本，大多是应用都是基于指令调整型大语言模型，但仍然有可能输出错误，所以需要我们投喂数据和相应指令进行优化调整。

02

第二节：Prompt原则

核心内容：2个Prompt编写原则和LLM的短板

原则一：清晰而具体的指令

策略1：妙用分割符号，如" "、```、---、<>，它可以避免模型误解你的指令内容。

策略2：要求结构化输出，如直接要求它以html、json、Markdown等格式输出，这样可以更好地使用大模型的输出内容，加快下游应用的开发速度。

策略3：要求模型检测是否满足指令条件，帮助模型输出更符合你需要的结果。

策略4：提供样本数据，定义输出内容的格式。由于大模型能力强大，只需要提供少量的样本数据，就能完成“学习”的过程，输出符合你需求的内容。

原则二：给模型足够的时间思考

策略1：让模型按步骤来解答，把自己的大目标，拆分成一个个小问题，引导模型一步步回答。第一步你应该怎么答，第二步你应该怎么答，最后……

策略2：让模型自己推导出过程，而不仅仅是结论，有时候太快给出结论容易出错。

LLM的短板：模型幻觉

大语言模型和搜索引擎非常不同，大语言模型并不是根据指令，去数据库比对、调用、拼接信息，然后给你答案；而是基于大数据训练时所学规律（通用模型），根据上文，逐字生成给你的答案，

搜索引擎无法给出没被数据库记忆的信息，但大语言模型可以，还可以创造不存在的文本。这是它的长板，也是它的短板。

它可以用学习到的规律来回答，但这也就意味着，当出现“实际不同但碰巧符合同一规律”的内容，模型就有可能混淆它，最直接的结果是：现实中不存在的内容，刚好符合它从训练材料中学到的规律，那么ChatGPT就有可能对不存在的内容进行合符规律的混合捏造。

这就是为什么有时候我们问他一些事实性或新闻内容时，它可能会一本正经的胡说八道。

我们把大语言模型的这种短板，叫做模型幻觉。

为了尽可能避免模型产生幻觉，我们需要告诉模型聚焦特定方向，或者给模型提供相关资料，再根据相关资料来回答问题。

尽管如此，模型幻觉仍然难以避免，这也是目前模型研究领域正在努力的方向。

03

第三节：Prompt优化

核心内容：

类似于机器学习的过程，我们通常无法在第一次尝试时就获取到想要的答案，Prompt的编写通常也需要有这样一个迭代优化的过程：

成为一个高效的Prompt工程师的关键，不在于掌握完美的Prompt，而是有一个良好的过程来探索适用于自己应用程序的Prompt。

04

第四节：大模型能力之总结

核心内容：大语言模型具备概括文章/生成摘要的总结能力，并且介绍了一个具体的应用场景——总结商品评论。

05

第五节：大模型能力之推理

核心知识：大语言模型具备分析推理能力，可以用于识别文本情感、提取信息和推断主题等工作场景。

06

第六节：大模型能力之转换

核心知识：大语言模型非常擅长将其输入转换为不同的格式，可以用于翻译、拼写检查/语法纠正以及结构化输出(JSON)等工作。

07

第七节：大模型能力之拓展

核心知识：大语言模型具备扩充能力，就是将简短文本片段扩充为更长文本的能力，在写邮件或写论文的时候会经常用到，也常有人将其用于头脑风暴。

08

第八节：定制聊天机器人

核心知识：

定制聊天机器人的原理：通过定义聊天格式或指定任务内容的方式，构建定制化的聊天机器人。

应用场景（披萨餐厅订单机器人）：

步骤1：构建GUI

步骤2：提供上下文

步骤3：收集订单信息

步骤4：生成订单摘要，发送到订购系统

09

第九节：课程总结

核心内容：

这门短期课程主要介绍了两个关键的提示原则：编写清晰明确的指令和在适当的时候给模型一些时间来思考。

同时，还学习了迭代提示开发的过程，以及如何构建自定义聊天机器人。

此外，课程还介绍了大型语言模型的几个有用功能，包括摘要、推断、转换和扩展。

最后，强调了使用这些工具时需要负责任，只构建对他人有积极影响的应用。完成这门课程后，学习者可以尝试构建自己的应用，并将所学知识传播给他人。

最后的最后，我们将本文的所有内容总结成了以下这张思维导图，需要高清大图，扫码下图二维码即可获取。

对课程感兴趣，想直接线上观看学习的同学，也可以上DeepLearning.ai的官网免费观看：

https://www.deeplearning.ai/short-courses/chatgpt-prompt-engineering-for-developers/