🟢 简介
本文是为几乎没有提示工程或人工智能经验的人编写的。本文的目标受众是每个人，从非技术背景的商科学生，到非技术背景的成年人。我们将介绍人工智能的基本知识，以及为什么你应该关注提示工程。
🟢 提示过程
在上一章中，我们讨论了人工智能以及人类如何指导 AI 执行任务。指导人工智能执行任务的过程称为提示过程(@shin2020autoprompt)。我们向 AI 提供一组指令（提示），然后它执行任务。提示可以简单到一个问题，也可以复杂到多个段落。
🟢 给出指令
最简单的提示方法之一就是直接给出指令。我们上一个部分中就已经看到了一个简单的指令（1,000,000 * 9,000等于几? 请确保输入正确数量的零，即使数量很多也要如此:）。然而，现代人工智能可以遵循更复杂的指令。
🟢 角色提示
另一种提示技术是给 AI 分配一个角色。例如，您的提示可以以"你是一名医生"或"你是一名律师"开始，然后要求 AI 回答一些医学或法律问题。举个例子：
🟢 多范例提示
另一个提示策略是多范例提示（few shot prompting）, 这种策略将为模型展示一些例子（shots），从而更形象地描述你的需求。
🟢 组合提示
正如我们在前面的教程中所看到的，面向模型的提示具有不同的格式和其复杂性。它们可以包括上下文、指令式的提示词和多个输入-输出的示例。然而，到目前为止，我们只研究了独立的提示类别。将这些不同的技巧组合起来可以产生更强大的提示。
🟢 规范化提示
我们现在已经涵盖了多种类型的提示，以及如何组合它们的方法。本篇教程将为您提供术语来解释不同类型的提示。虽然已经有方法来形式化提示工程中的术语(@white2023prompt)，但这个领域正在不断变化，因此我们将为您提供更充足的信息以便开始。
🟢 聊天机器人基础
最常见的一种使用提示的方法是与公开的聊天机器人（例如 ChatGPT）进行互动。请注意，ChatGPT 与 GPT-3 不同，他们之间的主要区别在于聊天机器人可以记住你的对话历史。就像 GPT-3 一样，它们也可以高水平地回答问题、提供写作摘要和分析、编写文案或代码等，这是一个令人兴奋的前景——但是聊天机器人的真正价值只有在你使用具体的提示时才能体现。在本文中，我们将探讨一些基本的方法，如使用风格指导、描述符和引导，让聊天机器人更好的发挥作用。
🟢 大语言模型（LLMs）中的隐患
LLMs 十分强大但也並非完美，在使用的时候需注意一些隐患。
🟢 LLM Settings
LLMs 的输出受超参数配置（configuration hyperparameters）影响，它能控制模型的多个方面，例如有多「随机」。调整超参数能生成更具活泼、多样及有趣的输出。本章将讨论两个重要的超参数以及它们如何影响 LLMs。
🟢 理解人工智能思维
你好，读者，恭喜你完成了基础介绍章节。你在这个非常令人兴奋的领域有了一个很好的开端。在继续阅读本课程的其余部分之前，有几件简单的事情你应该知道，关于不同的人工智能及其工作原理。
🟢 开始你的旅程
现在你已经了解了提示工程（prompt engineering）的基础知识，你已经可以开始自己尝试提示工程了。本课程的其余部分将包含更多的技术和资源，但学习 PE 的最好方法是开始用自己的提示（prompts）进行实验。本节将告诉你如何开始解决一个任意的提示工程问题。