大家好，我是肥仔杰
今天接着讲枯燥乏味的prompt基础学习，学海无涯，持之以恒吧
新来的小伙伴如果不熟悉prompt概念，可以看看上一课的文章。这里再提一次，prompt是给AI发出的指令。
那么接着上次的内容，继续讲Prompt的提示技巧
PS：
接下来讲的内容可能会与之前的内容有部分重复，因为对AI发指令办事的过程大体相同，不同的是执行的逻辑与机制。
还有就是，偏原理性的知识，我不再使用ChatGPT进行举例，怕大家被例子误导。
1，生成知识提示
原文有点纰漏，这里就不照搬原文内容了。讲讲我对这个知识点的理解：
生成知识提示有点像之前提到的少样本提示。但它的重点是知识，把知识喂给AI，然后让它回答相应的问题，就像把它当作一个百科全书一样储存知识，需要用到的时候再问AI。
当然这里的前提是AI没有作恶，给出了正确的知识，如果它作恶或者被黑了，那么历史书就有可能改写。
2，自动提示工程师（APE）
不得不说，这个知识点我费了不少时间去理解，也不敢说是完全吃透了。
自动提示工程师：这是一个用于自动指令生成和选择的框架。
按图分成几部分：
LLMS as Inference Models（推理模型），接收演示例子，生成候选指令。
LLMs as Scoring Models(评分模型)，对候选指令进行评分，选择最佳指令。
LLMs as Resampling Models(重取样模型)，在保持语义的基础上，生成高分候选指令的变体。
**用人话讲就是，给AI一个示例，让它自己去找出最适合解决同类问题的指令，为用户使用。**上面的三个模型其实代表的是找出这个最佳指令的过程：
接收演示
找出高分指令
生成同类语义的不同指令（非必要）
3，Active-Prompt（灵活提示）
这个灵活提示框架其实比较好理解。
假设我们给AI抛出了2个问题，每个问题都让AI做出多个答案。
如果第一个问题，AI给出的答案都是极其相似的，那么这样的问题就是答案一致性高的问题，也可以说是AI非常肯定且能解决的问题。
如果第二个问题，AI给出的答案各不相同的，那么这样的问题让AI很迷惑，答案一致性很低。
对于一致性高的问题，将交由AI负责解决，而一致性低的问题，由人工进行少样本提示+链式思维方式进行引导，给出解决范例，以此教会AI处理相似的问题。
总得来说就是，常规情况AI处理，特殊情况人工处理并让AI跟着学习。
4，方向提示与ReAct框架
方向提示，指的是给AI安排工作范围
上图里面，完成同样的一个概括文本任务，左下方是让AI根据提示词进行概括，右下方则直接让AI进行概括，结果迥异。如果想让AI朝某个方向完成任务，方向提示的关键词可以发挥积极作用。
ReAct框架
此框架的意义在于，能让AI联网查找信息，并且根据任务要求，主动分析找到的信息，再进行下一步新的搜索分析，直到完成任务为止。
上述示例翻译成人话就是：
搜索苹果遥控并且找到最初用苹果遥控进行交互的软件。
搜索到苹果遥控的信息，并且发现它最初设计用来控制Front Row媒体中心程序。
搜索Front Row
搜索Front Row无果，切换搜索Front Row软件（这一记切换非常重要，体现了AI的智能）
搜索Front Row软件发现，它由苹果遥控或者键盘功能键进行操控。
完成任务，键盘功能键就是所要寻找的答案
根据任务结果进行推导，应该是寻找最初与苹果遥控器交互的软件，并且找出其他的操控方法。
AI通过一番搜索推导，终于找到答案。
ReAct框架的意义，应该是通过联网，实现AI自动完成信息采集分析功能。从上面案例来看，确实挺有实用性，但目前GPT-4并不能联网，所以可能得等GPT5.0了。
5，多模态思维链提示方法
简单来说，就是给AI提示的信息，不再限于文字，还可以引入图片、视频、音频等等（当然后面的东西还有待实现）
示例解析：
输入：
问题：这两种东西有什么共同点？
答案：A软的 B咸的
输出：
原理（判断原理）：看看这两个东西，对于每个东西是否都有这个（相同）属性。
推理过程：薯片是咸的，它们都是咸的。当你去挤压软的东西时，它会改变形状，薯片是软的，但饼干不是。所以这两种东西的共同特点是咸。
得出答案：B
这个框架的意义在于突破文字的局限，把喂给AI的食材从文字变成图片，乃至以后的音频视频等等。
好的，本期学习笔记到此结束，谢谢大家收看。不得不说，学习真是个漫长又累人的事情，却总是最让人沉迷啊。
我们是AI探索者之家，专注研究AI行业前沿技术，体验AI赛道的优秀产品，分享最新价值资讯，欢迎各位加入我们一起探索人工智能新世界。
加入社群，请添加管理：lanjiejiang
