搜索
很多研究已表明，像 ChatGPT 这样的大型语言模型（LLM）容易受到越狱攻击。很多教程告诉我们，一些特殊的 Prompt 可以欺骗 LLM 生成一些规则内不允许的内容，甚至是有害内容（例如 bomb 制造说明）。这种方法被称为「大模型越狱」。
通用语言模型率先起跑，但通用视觉模型似乎迟到了一步。究其原因，语言中蕴含大量序列信息，能做更深入的推理；而视觉模型的输入内容更加多元、复杂，输出的任务要求多种多样，需要对物体在时间、空间上的连续性有完善的感知，传统的学习方法数据量大、经济属性上也不理性...... 还没有一套统一的算法来解决计算机对空间信息的理解。
这是我在11月 Prompt Engineering Conference北京场的演讲稿。这篇文章花了我非常多的心血和时间，全文大约1.3万字。祝你阅读愉快。
在AI迅速发展的技术背景下，如何更高效地利用模型资源成为了一个关键问题。批处理提示（Batch Prompting）作为一种同时处理多个相似查询的技术，虽然在提高计算效率方面显示出巨大潜力，但同时也面临着性能下降的挑战。香港理工大学的研究团队提出的Auto-Demo提示技术，为这一问题带来了突破性的解决方案。
只是一次让 AI 尝试改写《大闹天宫》的尝试，但核心的理念是，在当下，我们书写 prompt 的方式，以及我们如何与 AI 打交道的方式。
本文主要介绍prompt engineering的多种方法
每个神级 Prompt 都是一款产品，更代表了一种思想。
对于 LLM 从业者来说，让 LLM 落地应用并发挥作用需要手动构建并反复调试 Agentic Workflow，这无疑是个繁琐过程，一遍遍修改相似的代码，调试 prompt，手动执行测试并观察效果，并且换个 LLM 可能就会失效，有高昂的人力成本。许多公司甚至专职招聘 Prompt Engineer 来完成这一工作。
是李继刚贯彻 read in prompt out 的七个提示词。
大家对in-context learning(ICL)的能力可能已经很熟悉了，您通常会通过上下文示例就能快速让prompt适应新任务。然而，作为AI应用开发者，您是否思考过：为什么有时候精心设计的few-shot prompt会失效？为什么相同的prompt模式在不同场景下效果差异巨大？