AI分类

1. NLP（Natural Language Processing）: 是AI的一个子领域，专注于使计算机能够理解、解释和生成人类语言。GPT和ChatGPT都是NLP领域的技术成果。
2. LLM（Large Language Model）: 是指包含数亿甚至更多参数的语言模型，它们在大量文本数据上进行训练，以理解和生成自然语言。GPT系列模型就是LLM的代表。
3. GPT（Generative Pre-trained Transformer）: 是一种自然语言处理（NLP）的模型，由OpenAI开发。GPT的目标是理解和生成人类的自然语言，通过在大量文本数据上进行预训练，学习语言的各种模式和知识。
4. ChatGPT: 是基于GPT模型构建的聊天机器人，能够生成文本，回答问题和进行自然语言对话。它是GPT模型的一个具体应用实例，用于实现对话任务。除了 GPT 还有其他的很多优秀的模型，如 Google 的 Genmini，Meta 开源的 Llama 等等。
5. AIGC（AI Generated Content）: 是指利用AI技术自动生成的内容，例如文本、图像、音乐等。这是一种应用AI技术生成新内容的方法，可以看作是AI在创意产业中的应用。
6. LangChain : 是一个AI 开发框架，专注于构建由语言模型驱动的应用程序。它提供了一系列的组件和用例特定链，以帮助开发者创建聊天机器人、智能问答工具、摘要服务等应用程序。LangChain 可以与大型语言模型（如 GPT-3）结合使用，通过提供 Prompt templates、LLMs、Agents 和 Memory 等模块化的抽象组件，来构建高级的 AI 应用
7. Ollama 是一个开源的大型语言模型服务工具，它允许用户快速在本地运行大语言模型（如 Llama 3）。Ollama 旨在简化 AI 模型的开发和使用过程，使得无论是 AI 专业人士还是新手都能轻松地使用和开发 AI 应用。Ollama 支持多种主流模型，并且提供了与 OpenAI API 兼容的框架，让开发者可以更容易地将现有应用程序与 Ollama 相连接
   AGI（Artificial General Intelligence）: 是指能够执行任何人类智能任务的机器智能，是一种理论上的AI形式，目前还未实现。AGI与目前普遍存在的专用或窄AI（ANI）不同，后者只能在特定任务上表现出智能

LLM

• base LLM。这类是说，预测下一个最可能出现的词。假如你给一个指令，法国的首都是什么。根据网上文章，LLM可能会给你：法国最大的城市是什么。
• instruction TunedLLM。这个就是指令学习LLM。遵循指令返回。假如你给一个指令，法国的首都是什么，它就告诉你是巴黎。这类是目前大多数的研究方向。

这里提到了一种叫做 RLHF 的技术用来完善LLM训练强化学习。暂时不清楚啥是RLHF。暂且放一边。

提示工程 prompts

官网传递《面向开发者的 ChatGPT 提示工程》教程
建议食用方式：bilibili搜同名教程

根据视频总结，如何写清晰具体的prompts

清晰具体的指令

1. 分隔符（看官方例子很好理解，就是具体让模型知道具体的指令文字，避免被干扰）

• Triple quotes (“”””) (三引号)
• Triple backticks (“```”) (三个反引号)
• Triple dashes (“—“) (三个短横线)
• Angle brackets (“< >”) (尖括号)
• XML tags (“ “) (XML 标签)
  XML标签是XML语言中的基本组成单元，用于标记和描述数据。XML标签通常成对出现，包括开始标签和结束标签。

2. 结构化输出（这个更好理解了，让它返回JSON XML之类的格式）
3. 要求检查条件是否满足
4. 简要提示语（其实就是，你是一个资深律师，现在你XX）
   总结，不如看这个： https://github.com/RUCAIBox/LLMSurvey/blob/main/Prompts/README.md

   给LLM更多时间思考

• 让模型按照某些步骤来做

  Your task is to perform the following actions:
  
  Summarize the following text delimited by <><> with 1 sentence.
  
  Translate the summary into French.
  
  List each name in the French summary.
  
  Output a json object that contains the following keys: french_summary, num_names.
  
  Use the following format:
  
  Text: <text to summarize>
  
  Summary: <summary>
  
  Translation: <summary translation>
  
  Names: <list of names in Italian summary>
  
  Output JSON: <json with summary and num_names>
  
  Text: <{text}>

• Instruct the model to work out its own solution before rushing to a conclusion 指示模型在匆忙得出结论之前，先独立思考并找出自己的解决方案