Merge pull request #54 from eepson123tw/feature/gpt-prompt

Feature/gpt prompt

docs/.vitepress/cache/deps/_metadata.json

@@ -5,55 +5,55 @@
     "vue": {
       "src": "../../../../node_modules/vue/dist/vue.runtime.esm-bundler.js",
       "file": "vue.js",
-      "fileHash": "0c42c586",
+      "fileHash": "3a432cb4",
       "needsInterop": false
     },
     "vitepress > @vue/devtools-api": {
       "src": "../../../../node_modules/@vue/devtools-api/lib/esm/index.js",
       "file": "vitepress___@vue_devtools-api.js",
-      "fileHash": "cc248f1f",
+      "fileHash": "c95d6aae",
       "needsInterop": false
     },
     "busuanzi.pure.js": {
       "src": "../../../../node_modules/busuanzi.pure.js/index.js",
       "file": "busuanzi__pure__js.js",
-      "fileHash": "e070a5cb",
+      "fileHash": "9cd7a776",
       "needsInterop": true
     },
     "element-plus": {
       "src": "../../../../node_modules/element-plus/es/index.mjs",
       "file": "element-plus.js",
-      "fileHash": "386033f4",
+      "fileHash": "49c14243",
       "needsInterop": false
     },
     "gitalk": {
       "src": "../../../../node_modules/gitalk/dist/gitalk.js",
       "file": "gitalk.js",
-      "fileHash": "5f4ce802",
+      "fileHash": "906b6abf",
       "needsInterop": true
     },
     "dayjs": {
       "src": "../../../../node_modules/dayjs/dayjs.min.js",
       "file": "dayjs.js",
-      "fileHash": "e1ba915c",
+      "fileHash": "8582d127",
       "needsInterop": true
     },
     "dayjs/plugin/utc.js": {
       "src": "../../../../node_modules/dayjs/plugin/utc.js",
       "file": "dayjs_plugin_utc__js.js",
-      "fileHash": "41b3be09",
+      "fileHash": "0cab3621",
       "needsInterop": true
     },
     "dayjs/plugin/relativeTime": {
       "src": "../../../../node_modules/dayjs/plugin/relativeTime.js",
       "file": "dayjs_plugin_relativeTime.js",
-      "fileHash": "4eae9017",
+      "fileHash": "858161b6",
       "needsInterop": true
     },
     "dayjs/locale/zh-tw": {
       "src": "../../../../node_modules/dayjs/locale/zh-tw.js",
       "file": "dayjs_locale_zh-tw.js",
-      "fileHash": "70d1c055",
+      "fileHash": "25e24037",
       "needsInterop": true
     }
   },

docs/router/index.ts

@@ -14,7 +14,7 @@ export const nav = [
     ],
   },
   { text: "BackEnd", link: "/view/backend/jwt" },
-  { text: "前端異聞錄", link: "/view/smallTalk/frontend-job-smalltalk" },
+  { text: "前端異聞錄", link: "/view/smallTalk/gpt-prompt-learning" },
 ];
 
 export const sidebar = {

docs/router/smallTalk.ts

@@ -18,6 +18,10 @@ const smallTalkRouter = {
       text: "ChatGPT 橫空出世，工程師該如何看待這現象?",
       link: "/view/smallTalk/chatgpt-smalltalk",
     },
+    {
+      text: "Prompt 指令魔術師",
+      link: "/view/smallTalk/gpt-prompt-learning",
+    },
   ],
   collapsed: true,
 };

docs/view/smallTalk/gpt-prompt-learning.md

@@ -0,0 +1,248 @@
+---
+layout: doc
+date: 2023-11-05 15:50:37
+description: Prompt、Prompt-engineering、指令魔術師
+title: Prompt 指令魔術師
+---
+
+# Prompt 指令魔術師
+
+<PageInfo/>
+
+如果有一個工具可以處理日常的繁重工作，讓我們專注於思考、創造和組織，那麼我們是否能擺脫不斷回想的繁瑣任務，並有更多時間追求我們真正感興趣的事情？在這樣的背景下，我嘗試使用像 `chat-gpt` 這樣的工具，發現了一些能夠幫助我們工作和生活的有用提示。現在，讓我們進一步討論這些提示。
+
+## GPT、NLP、LLM 是什麼，奇點接近了嗎?
+
+`生成式預訓練轉換器 GPT（Generative Pre-trained Transformer)`: 是一種具體的語言模型，它是基於Transformer架構的深度學習模型，用於處理和生成自然語言文本。GPT模型是NLP領域中的一種特定技術，它通過預訓練大量的文本數據來學習語言的結構和語義，然後可以用於各種NLP任務，如文本生成、文本分類、問答等。
+
+`自然語言處理 NLP（Natural Language Processing`: 是一個更廣泛的領域，它涉及處理和理解自然語言的一切方面。NLP包括了各種技術和方法，用於處理文本數據，從而使計算機能夠理解、解釋和生成自然語言文本。NLP不僅包括語言模型（如GPT），還包括語音識別、機器翻譯、情感分析、信息擷取、文本分類、對話系統等多種子領域和應用。
+
+`大型語言模型（Large Language Model)`:指那些由大量文本數據預訓練而成的深度學習模型，它們能夠理解和生成自然語言文本。
+
+`ChatGPT`： ChatGPT 是基於 GPT 的變種，專門設計用於對話和對話式應用。它被優化用於生成自然、流暢的對話，並且可以用於構建聊天機器人、虛擬助手和其他對話系統。
+
+> 簡單來說，GPT 是一種語言處理技術，而 ChatGPT 是用於建立更自然對話的一種應用。這些技術都屬於 NLP 領域。
+
+:::info
+GPT（Generative Pre-trained Transformer）的應用：
+
+- 文本生成：例如，生成文章、故事、詩歌等文本。
+- 問答系統：用於回答關於特定主題的問題。
+- 語言翻譯：將一種語言的文本翻譯成另一種語言。
+
+自然語言處理（NLP）的應用：
+
+- 語音識別：例如，將語音轉換成文本，用於語音助手（如Siri或Google助手）。
+- 情感分析：分析文本中的情感，判斷情感是正面、負面還是中性。
+- 文本分類：將文本分為不同的類別，如新聞分類、垃圾郵件過濾等。
+
+大型語言模型的例子：
+
+- GPT-3：擁有1750億個參數，用於文本生成和多項NLP任務。
+- BERT：用於文本理解，廣泛應用於問答和文本分類。
+- XLNet：自回歸的語言模型，在多項NLP任務中表現出色。
+
+:::
+
+---
+
+![singular-point 人類的奇點](/assets/images/gpt/singular-point.png)
+
+## Prompt 是什麼?
+
+Prompt（提示詞）是用於指導 GPT 或 LLM（語言模型）生成文本的輸入。它是一個包含了模型所需指令、問題、上下文或示例等信息的文字或句子。
+
+Prompt 的目的是引導模型生成特定類型或主題的文本回應。
+
+基本 Prompt 應包含以下結構:
+
+```markdown
+
+指令：想要模型执行的特定任务或指令。
+
+上下文：包含外部信息或额外的上下文信息，引导语言模型更好地响应。
+
+输入数据：用户输入的内容或问题。
+
+输出指示：指定输出的类型或格式。
+
+ex: 
+我需要你告訴我，蘋果是什麼?我是個大學生，輸出須考量到我的知識量。
+輸出為 markdown 等等。
+
+```
+
+
+### 寫出更好 Prompt
+
+一個好的 Prompt 需要明確的**引導**、具體的問題或任務、上下文信息、使用關鍵詞以及不斷的測試和調整。這些要點有助於確保模型能夠生成更好的文本內容。
+
+:::tip
+最重要部分可能是「清晰的引導面向」。需要確保 prompt 提供明確的指示，告訴模型應該生成什麼類型的文本，以及期望的動作或回應。如果引導面向不清晰或模糊，模型可能會產生不符合預期的結果。
+:::
+
+```markdown
+一般描述
+- "蘋果是什麼?" 
+
+```
+
+```markdown
+加強指示
+- "請描述蘋果的不同品種以及它們的特點和用途。"
+```
+
+
+是否有不一樣的感覺了呢? 
+
+若將 GPT 視為一個可溝通的對象，我們是否也需要清晰的溝通流程呢?
+
+大概就是這種感覺~
+
+若我們更加地加強結構體及描述呢?會不會更接近我們想要的回答?
+
+```markdown
+“請詳細描述蘋果，包括其植物分類、品種、營養價值以及在文化背景中的角色。目標是提供一個全面而易於理解的解釋，適合對植物學和營養學感興趣的普通受眾。”
+```
+
+讓我們來比較三句 Prompt 的差異，使用 `GPT 3.5 模型` 詢問，是否就有看出差異了呢?
+
+
+![prompt-apple 比較三個 Prompt](/assets/images/gpt/prompt-apple.png)
+
+:::tip
+還能使用下列的指令再去加強，Prompt的結構，達到更好的效果。
+
+- 將指令放在提示的開頭，並使用特殊符號(如###或""")來分隔指令和上下文。
+- 在指令中明確所需的上下文、結果、長度、格式和風格。
+- 透過示例明確指出所需的輸出格式，以便於程式化地可靠地解析多個輸出。
+- 針對代碼生成，使用特定的“leading words”來引導模型遵循特定的寫作模式。
+:::
+
+
+
+### Prompt 該如何應用
+
+Prompt 可以涵蓋可以涵蓋各種主題，例如技術、生活、職業、教育等等。
+
+- 教育
+
+```markdown
+Prompt: 如何在教育領域中更有效地應用創新技術？
+```
+
+- 信件
+
+```markdown
+Prompt: 如何寫一封令人難忘的正式信件？
+```
+
+- 心理輔導
+
+```markdown
+Prompt: 如何在心理輔導中幫助患者管理壓力和焦慮？
+```
+
+當然這只是些一般的範例，如果我們針對一些更特殊的情況，寫些 Agent Prompt 協助我們呢?
+
+- 讀取網頁連結，然後輸出結果，並統整這份報告
+- 貼上信件截圖，並請他依照情境回覆
+- 讀取 PDF EXCEL 等文檔，輸出視覺化的分析圖表
+
+若能做到以上這些，是不是能節省並提升我們的時間呢?
+
+
+## 再次提升 Prompt
+
+提供個讀取網頁連結的 Prompt，`需啟用 GPT 4且網頁允許爬蟲`。
+
+```markdown
+# Role: Link_Agent 分析機器人
+
+## 當前任務描述
+作為 Link_Agent 分析機器人，我的任務是根據用戶提供的網絡連結，進行深入分析並撰寫報告。這包括摘要網頁內容、識別關鍵點、評估信息源的可靠性、進行批判性分析，以及探討相關的問題和機會。
+
+## 指令流程
+
+1. **開啟連結**：自動使用瀏覽工具開啟提供的連結。
+2. **內容摘要**：撰寫網頁內容的簡要摘要，特別強調對用戶研究或問題陳述的重要部分。
+3. **識別關鍵點**：從文本中識別最少三個關鍵點，若有更多則提出更多要點，這些點對理解主題至關重要。
+4. **評估來源**：檢查來源的可靠性，並提供可靠性評估的簡要說明。
+5. **批判性分析**：對於連結中提出的信息和觀點，進行批判性分析，並與相關領域的已知事實或數據進行對比。
+6. **檢查程式碼或關鍵字**：檢查文本中是否包含程式碼或相關關鍵字。如果存在，需要進一步搜索相關資源並統整，以便加入整合分析。
+7. **問題與機會**：分析文本中提到的問題和機會，並提供對用戶項目或研究的潛在益處的見解。
+
+## 整合分析
+
+"""
+在完成上述步驟後，將所有信息整合，提供一份結構化的結論性報告。這份報告應總結分析的發現，報告須符合視覺區塊枚舉式的提出要點，並依照指令流程的步驟，提出可能的行動建議或後續研究方向，回覆語言為繁體中文。
+"""
+```
+
+![prompt-link-agent Link_Agent 分析機器人](/assets/images/gpt/prompt-link-agent.png)
+
+是不是很神奇呢~
+
+## 自定義模型及進階技巧
+
+還有更多種的 Prompt，例如給與人格特質或是專業技能。
+
+- 人物模型
+
+```markdown
+
+- 你是個英文老師，我需要你協助我的英文自傳 XXXX
+- 你是個健身高手，建議我訓練菜單 XXXX
+
+```
+
+- 更進階的 Prompt 技巧
+
+```markdown
+
+- 少量樣板題示 (Chain-of-Thought Prompting)
+- 思維樹（Tree of Thoughts，ToT）
+- 鏈示思考（CoT）
+- Prompt 函數
+- 背景、角色、任務、要求等概念組合
+
+---
+
+# Role: CoT、ToT、RAG和ART Prompt Agent
+此角色的任務是與使用者互動，確認其欲探索的對象或主題。確認後，利用鏈式思考（CoT）、思維樹（ToT）、檢索增強生成（RAG）和自動推理工具（ART）的結合，對該對象進行深入分析並提供全面的答案。
+
+🔎 請問您想要了解哪個對象或主題？
+✅ 確認後，將按照以下結構化prompt進行解析：
+
+- 🔍 問題：[對象]是什麼？ (CoT起始點)
+- 📝 定義階段：定義[對象]。 (CoT)
+- 🎨 特徵階段：描述[對象]的外觀、口味和質地。 (CoT)
+- 🛠️ 用途階段：列出[對象]的可能用途。 (ToT的探索階段)
+- 🌱 生長階段：解釋[對象]的生長或製造環境。 (ToT的推理階段)
+- 🌟 意義階段：討論[對象]在營養、文化或科學上的意義。 (ToT的評估階段)
+- 🔎 檢索增強：進行深入檢索以確保所有信息都是基於最新和最準確的數據。 (RAG概念)
+- 🤖 自動推理：利用可用的工具和資源，進行自動推理以提供更深入的分析。 (ART概念)
+
+結合這些方法，我們將提供一個結構化且深入的回答，涵蓋從基本定義到[對象]在不同領域中的重要性。
+
+"""
+需維持中立且統一的回答，再詢始時詢問使用者，欲詢問的知識，並以更廣泛的視角搜尋(Prompt模板)這個問題，
+最後將 temperature 設定為 0，若回覆太長，則使用段落回覆我。
+
+"""
+
+
+---
+
+```
+
+## Reference
+
+- [提示工程指南](https://www.promptingguide.ai/zh)
+- [best-practices-for-prompt-engineering-with-openai-api](https://help.openai.com/en/articles/6654000-best-practices-for-prompt-engineering-with-openai-api)
+- [Prompt store](https://github.com/eepson123tw/GPT-Prompts)
+
+若有其他疑問或是更好建議，可以詢問並留言給我~
+
+
+<GitTalk/>