请列出你能做的事情，至少三十项目，并且制作成文字云？
关于人工智能迅速发展的背景下人类技能需求的转变，李教授提出了两种适应人工智能发展的主要思路：
- 改变自己来强化模型 ：这种方法是通过学习和适应AI工具（如ChatGPT）的使用，来增强自己的能力。这意味着人类需要学会如何有效地利用AI工具，给出清晰的指令，并利用AI提供的额外信息来提高自己的工作效率和创造力。
- 训练自己的模型：这种方法更进一步，涉及到从开源模型（如LLaMA）开始，通过调整和微调来创建适合特定需求的AI模型。这需要更深入的技术知识和编程能力。
🌟 深入浅出的思维链（CoT）讲解
- CoT作为任务拆解的特殊案例
- 揭示CoT对新旧模型效果的差异，反映AI进化
🧠 提示词效果的惊喜发现
- 情感诉求（如"对我的职业很重要"）的强大影响
- 礼貌程度对结果影响不大的意外发现
- 奖惩机制在提示中的有效性
💡 核心主题：不改变模型参数下的能力增强
- In-context learning的精彩阐述
- 从CoT到模型自反思的自然过渡
- 引入RAG、工具使用、Agent等前沿概念
- 故事性强：李教授将复杂概念编织成引人入胜的故事
- 逻辑清晰：课程脉络分明，概念之间联系紧密
- 洞察深刻：提供了对提示词工程本质的独特见解
- 实用性高：学完即可应用于日常与AI的交互中
这个提示词工程课程内容非常丰富，故事非常精彩。所以我就简单地用飞书文档做了一下笔记。考虑到效率问题，我就不在这个地方做详细笔记了，我说一下我的整体感想吧。
李宏毅老师的课程设计特别好，逻辑脉络非常清晰。尤其是他选择的那些内容，那些关键论文和关键想法，非常具备逻辑性和故事性。 这个是我非常喜欢的。学了之后，我现在来回想一下他整个故事脉络。我感觉难以有条理地说出来，我就说那些我印象深刻的事情吧。
- 关于思维链（Chain of Thought, CoT），他讲的比其他地方都要好。
- 指出了它是拆解任务的一个特殊情况。拆解任务又跟那个 Anthropic 公司的宪法AI、具备反思能力的AI建立了 connection。
- 第2个我觉得特别好的地方是 CoT 对于以前的GPT非常有用，但是对于现在并没有那么有用了，说明模型已经默认要思考和拆解任务了。
- 关于哪些提示词有用，哪些没有用，他提供了一些非常精彩的案例：
- 比如那个情感勒索。就是告诉大模型，"this is very important to my career"。这个是非常有用的。
- 然后你变得很礼貌，是对提升答案质量没有什么用处的。
- 然后说要给小费，或要惩罚你也是能提升效果的。当时听到就笑死我了。
- 最后一个就是它的组织结构非常好，这个逻辑。它围绕着一个核心主题，就是不改变模型参数的情况下去增强模型的能力。
- In-context learning 被李宏毅老师讲出了一个一波三折的故事。
- 从 CoT 到模型反思的自然逻辑让我觉得非常有趣。
- 讲到了 RAG，使用工具，Agent 等。
总的来说，关于提示词工程，这课程的这部分内容讲得特别好，既能够讲出一波三折的有趣故事，又能够非常理解这个本质，把这个逻辑脉络梳理清楚。一句话来说，这是一个牛逼的教授为普通人精心准备的提示词工程讲座，非常值得一看。
帮我把这段个人感悟学习感悟校验一下吧， 确保没有明显的语句语法错误，然后要保持我自己的风格。
灵魂拷问: 学习了这么多提示词框架和技巧, 为什么依旧写不出好的提示词? 我个人喜欢的一个解释是,
就像你在做科研，你提出一个好的问题是最关键的。然而在做科研的时候，你想提出好的问题是非常困难的。你觉得呢?
今天,我又一次陷入了对提示词设计的深深困惑。我花了那么多时间学习各种提示词框架和技巧,为什么依然写不出满意的提示词呢? 这个问题一直萦绕在我心头,直到一个意外的比喻让我豁然开朗。
在开始反思之前,我回顾了最近学习的三个主要提示词框架: CRISPE、CO-STAR和LangGPT。CRISPE框架强调能力与角色、洞察力、指令、个性和尝试;CO-STAR聚焦于上下文、目标、风格、语气、受众和回复;而LangGPT则提供了一个从角色定义到工作流程的全面结构, 可以理解成全局思维链:
💡Role (角色) -> Profile（角色简介）—> Profile 下的 skill (角色技能) -> Rules (角色要遵守的规则) -> Workflow ( 满足上述条件的角色的工作流程) -> Initialization (进行正式开始工作的初始化准备) -> 开始实际使用 这些框架各有特点,都旨在帮助我们设计更有效的提示词。
然而,即使有了这些工具,我仍然感到困惑。正当我陷入迷茫时,与AI助手的一次对话让我有了新的认识。我突然意识到提示词设计与提出好的科研问题有着惊人的相似之处。就像一个研究者绞尽脑汁想要提出一个有价值的问题一样,我们在设计提示词时也面临着类似的挑战。这个类比让我开始从一个全新的角度思考这个问题。
- 首先,好的提示词和好的研究问题都需要深入的背景知识。我们需要了解AI模型的能力边界,就像研究者需要熟悉他们的研究领域一样。其次,两者都需要创造性思维。仅仅套用框架是不够的,我们需要找到独特而有效的表达方式。
更重要的是,我意识到提示词设计是一个不断迭代的过程。就像科研问题常常需要反复修改一样,一个好的提示词往往需要多次尝试和优化。这让我明白了为什么即使学习了那些框架,我仍然感到挑战重重。这些框架提供了有用的指导,但真正的技巧在于如何灵活运用它们。
- 我还注意到,提示词的效果高度依赖于具体场景,就像研究问题的价值往往取决于特定的研究背景。这意味着没有放之四海而皆准的" 完美公式",我们需要根据每个独特的情况来调整我们的方法。 这种新的认识让我对提示词设计有了更深的理解。它不仅仅是一种技术,更是一门需要时间、耐心和持续努力的艺术。就像在科研中一样,我们需要接受失败,从错误中学习,并保持好奇心和创新精神。 现在,我开始将提示词设计视为一个渐进的学习过程。我决定从简单的任务开始,逐步增加复杂度,同时建立自己的案例库,记录成功和失败的经验。我也计划定期反思和总结,找出自己在提示词设计中的强项和弱项。 这次顿悟让我对提示词设计充满了新的热情。虽然道路依然充满挑战,但我现在明白了这正是其中的魅力所在。就像科研一样,正是这种不断探索和突破的过程,让提示词设计变得如此引人入胜。 我期待着在这个journey中的每一步,相信通过不懈的努力和学习,我终将掌握这门独特的艺术。同时,我也更加欣赏那些提示词框架的价值 - 它们就像科研方法论,为我们提供了思考的起点和框架,但真正的艺术在于如何在实践中灵活运用和超越它们。
学习笔记见 L1: 浦语提示词工程实践.
Goal: 了解 Gradio 的托管服务。
- Need to write some codes Google Colab
- Need some place to host the APP Gradio
Question: 为什么在关闭了 Colab 笔记本后，Gradio 生成的公共 URL 仍然能够运行和访问？
Goal: 了解 RAG 模型的基本原理。
Goal: 了解 Lagent 智能体的基本原理。