收益：
- 解释大型语言模型如何通过预测下一个单词来工作，以及这对即时写作意味着什么
- 他可以用他自己工作中的一个例子来说明为什么 Prompt 对输出质量有如此大的影响。
- 通过区分模型的优点和缺点，人们可以决定安全地使用它的任务。
人工智能简介及提示：模型如何“思考”
真正学习如何编写提示的最佳方法是首先了解该工具的工作原理。在本单元中，我们将看到大语言模型（简称LLM；即生成文本的人工智能系统）的基本逻辑，为什么它在你的日常工作中如此有用以及它的局限性在哪里。在没有这个基础的情况下编写的提示常常会导致这样的问题：“为什么它们有时会产生很好的结果，有时会产生糟糕的结果？”让你独自回答这个问题。当这个单元完成时，这种不确定性将基本上消失。
大型语言模型实际上是做什么的？
用最简单的定义来说，大语言模型是一个预测您给出的文本后面最有可能出现的单词的系统。通过检查数十亿个句子，该模型已经学会了“哪个单词在哪个单词之后”的模式。当您开始一个句子时，模型会查看到目前为止所写的内容并生成最可能的延续，然后将生成的单词添加到输入中并预测下一个单词。这个循环一直持续到响应完成。
让我们澄清一下这里使用的术语 token：token 是模型将文本分解成的最小单位；它大约是一个单词或单词的一部分的大小。该模型不是逐字推进，而是逐个标记推进。对您来说，实际的结果是，该模型不是一个“理解”您意图的人，而是一个非常强大的预测机器，可以统计地为您提供的文本选择最合适的延续。
这个定义最重要的含义是，输出方向最有力的决定因素是您作为输入给出的文本。所以你的提示。该模型不会从数据库中提取现成的答案，不会在互联网上执行实时搜索，也不会复制页面（除非另有明确说明）。它只会生成最适合您所提供的上下文的文本。良好的输入是良好输出的最决定性条件。
为什么“同一个模型，不同的结果”？
该模型还使用了较小的随机性来每次选择最可能的单词；因此，当您两次询问相同的提示时，您可能不会收到完全相同的句子。这不是错误，而是设计的一部分。你的工作是制定一个足够清晰的框架，不要让结果靠运气。框架越清晰，两个不同实验的结果就越接近、越有用。
一步一步：请求如何通过模型进行？
- 读取输入。你写的每一个字都是指导预测的线索。当你说“像一位资深律师”时，该模型会使文本更有可能更接近这种语气。
- 权衡上下文。您提供的背景、限制和示例缩小了估计范围。如果上下文为空，模型会用自己的假设来填补空白。
- 它逐字产生。它产生的每个令牌都会成为下一个令牌的输入；因此，您在开始时给出的方向将适用于整个答案。
- 他停了下来。当任务完成或达到您指定的长度时，它会中断生产。
三个迷你案例：数字提示差异
案例 1 — 营销专业人士，电子邮件主题。当一位营销专家说“为活动提出一个主题”时，他得到了 5 个一般标题，但他不喜欢其中任何一个；他花了20分钟手工修正。第二天，当他说“目标受众是30-45岁的中小企业主，产品是云会计软件，6台，每台最多45个字符，有趣但低调”时，他直接使用了6个标题中的4个。持续时间从20分钟减少到4分钟。
案例 2 — 人力资源，广告文字。人力资源专家收到了一份样板文本，其中提示“编写软件开发人员职位”。当我们在提示中添加公司的实际语言（3句文化描述）、4项强制性资格以及“写清楚薪资范围”的限制后，在下一个广告中，不合格的应聘者比例明显下降，因为文字明确地确立了期望。
案例 3 — 会计、报告摘要。当一位会计主管说他“总结”了一份 12 页的费用报告时，该模型忽略了重要项目。当他说“从这份报告中，列出了 5 个最高费用项目以及与上个月相比的百分比变化”时，他准确地得到了他将在管理会议上采取的结构。内容相同，说明不同。
弱提示/强提示
相同的工作，有两个不同的指令：
弱提示：
总结本文。[文本]
强力提示：
总结以下将提交给董事会的会议记录。 - 最多 5 件物品。 - 每个项目应包含一个决定或行动；跳过聊天详细信息。 - 将已知负责人的行为的姓名写在括号中。 - 使用简单、正式的语言。文字：[文字]
第二个提示告诉模型要生成什么、为谁生成、以什么格式生成以及要跳过什么。该模型并不进行“思考”，而是产生正确的延续；你画出这个延续的框架。
四个可复制模板
四个简单的入门模板可快速将本单元中的逻辑付诸实践。在括号中填写您自己的信息。
1) 强化请求的框架：
我希望你完成这个任务：[任务]为谁：[买家/受众]以什么格式：[长度、结构]跳过什么：[你不想要的]
2）检查模型的边界（验证反射）：
如果您的下面的答案中有事实主张（数字、日期、名称、来源），请将每个内容提取为单独的列表，并将其标记为“必须经过验证”。答案：【模型的输出】
3）在两个级别尝试相同的任务：
将以下主题解释两次：A) 对一个完全陌生的人，用日常语言。B) 对该领域的专家，用技术术语。主题：[主题]
4）使模型认识到不确定性：
在提出我给您的请求之前，请针对您发现遗漏或不清楚的要点向我提出 3 个问题；然后根据我的回答制作。请求：[请求]
该模型的优点和缺点
主题
模型很强
该模型较弱/谨慎
语言事务
写作、总结、翻译、改变语气
非常技术性/小众术语的错误
结构
将文本转换为表格、列表、草图
保持长文本的一致性
想法
集思广益，产生替代方案
保证什么是“正确的”
案例
一般信息、定义、解释
当前/准确数据、数字、日期、来源
推理
如果一步步指导就好了
不要让复杂的计算默默地出错
提示：不要将模型视为“万事通的专家”，而是将其视为“写得很快、读得很多的助手，但他所说的一切都需要验证”。此视图可以正确调整您的期望和控制习惯。
注意：模型可能会用非常自信的语言编写信息，但这并不意味着该信息是正确的。始终独立核实事实细节，尤其是编号、姓名、日期、法规和来源。我们将在第 11 单元详细讨论这个主题。
常见错误
- 将模型误认为是人类。通过说“无论如何他们都会理解”来给出不完整的指示。该模型不会读取您的意图；它只处理您键入的内容。
- 一次尝试就放弃了。如果最初的输出很差，那就归咎于工具。然而，大多数时候问题出在说明中，一个小的修正就可以改变结果。
- 使用事实而不验证它们。毫无疑问地接受模型产生的统计数据或来源是最危险的习惯。
- 不假思索地输入机密数据。在不知道该工具如何工作的情况下粘贴敏感信息。正如我们将在隐私单元中看到的那样，这是有规则的。
- 将随机性误认为是错误。将两个不同的结果解释为“车辆坏了”；然而，当你提高清晰度时，结果就会收敛。
综上所述
- 大语言模型的工作原理是预测您给出的文本中接下来最有可能出现的单词（标记）；他不会选择现成的答案。
- 决定输出方向的最有力因素是您作为输入给出的提示。
- 模型语言、结构和构思能力强；谨慎对待精确的事实、当前数据和复杂的计算。
- 由于随机性较小，相同的提示可能会给出不同的结果；随着清晰度的增加，结果变得更加一致。
- 该模型不是“言出必行的专家”，而是“速度快但需要验证的助手”。
应用任务
从日常工作中选择一项您经常执行的写作任务（例如电子邮件、摘要或列表）。首先，编写最简单的一句话版本，将其交给人工智能工具，然后保存输出。然后执行相同的任务；添加“为谁、以什么格式、以什么长度以及要跳过什么”问题的答案，然后再次询问。将两个输出并排放置，并在一个句子中记下哪一个加法对结果的改善效果最大。
清单
- [ ] 我意识到该模型是在“预测下一个单词”，而不是读取我的意图。
- [ ] 我意识到输出的质量很大程度上取决于提示的质量。
- [ ] 我可以区分模型强弱的任务类型。
- [ ] 我了解我需要验证事实细节（数字、日期、名称、来源）。
- [ ] 我可以解释为什么相同的提示会给出不同的结果。