歸藏老师的新网站，Catjourney 是一个 AI 图像提示词和图片的收集网站，里面所有的图片和提示词都是精心挑选和整理的，最近新设计了网站的首页以及整体的视觉语言，日常工作有图片需求的可以常来看看。

#AI #Prompt #Tools

https://catjourney.life/

AI 提示工程（prompt engineering）的衰落和新发展。提示工程是编写查询语句的技巧，目的是改善大型语言模型（LLM）或 AI 艺术抑或视频生成器的输出或规避保护措施。

主要内容：

1. 自从 ChatGPT 在 2022 年秋季问世后，许多人尝试了提示工程技巧。
2. 商业领域中，许多公司正在使用 LLM 和提示工程师来建立产品副驾驶、自动化繁琐工作、创建个人助理等。
3. 新研究表明，最好由模型本身来完成提示工程，而不是由人类工程师来做。
4. VMware 的 Rick Battle 和 Teja Gollapudi 进行了研究，发现不同提示策略对于 LLM 解决小学数学问题的影响差异很大。
5. 他们提出，没有一个确定的趋势。对任何给定的模型、数据集和提示策略，最好的做法可能特定于手头的特定组合。
6. 他们鼓励使用自动化工具来发现输入到 LLM 的最佳短语，并且这些自动生成的提示往往比通过试错法找到的提示要好。
7. 优化的自动生成提示往往很奇怪，不太可能由人类想出。强调了语言模型的数学特性，而不是人性（如语言）的特性。

发展和挑战：

1. 图像生成算法也可以从自动生成的提示中受益。
2. Intel Labs 的一支团队开发了一个名为 NeuroPrompts 的工具，它可以自动增强输入提示，以产生更好的图片。
3. Lal 和他的团队希望通过这些优化调研，最终将它们整合到基础模型中，从而无需进行复杂的提示工程步骤。

对行业未来的预测：

1. 即使自动化提示成为行业标准，提示工程师在某种形式下的工作不会消失。
2. AI 的应用需要更复杂、多阶段的适应，而人类仍将在可预见的未来参与其中。
3. 新的职位名称可能会出现，如大型语言模型操作(Large Language Model Operations, LLMOps)。
4. 所有这些角色和工作仍将继续迅速发展，而且在当前混沌的形势下，不会很快消失。
5. 特别是在行业的初期阶段，似乎没什么确定的规则，就像"野蛮的西部"一样。

#AI #Prompt

https://spectrum.ieee.org/prompt-engineering-is-dead

Sheila Teo 在新加坡首届 GPT-4 提示工程大赛中获得冠军，并分享了她的获胜策略。她强调提示工程是艺术与科学的结合，涉及技术理解、创造力和战略思考。文章中，她避开了常规技巧，转而分享了她在实践中获得的新洞见和独到见解。

她介绍了 CO-STAR 框架，这是一个由新加坡政府科技局数据科学与 AI 团队创立的提示构建工具。框架包括上下文（Context）、目标（Objective）、风格（Style）、语气（Tone）、受众（Audience）和响应（Response）六个要素，帮助构建有效的提示。

Sheila 指出分隔符可以帮助大语言模型（LLM）辨识提示中的意义单元，尤其是在复杂任务中，合理使用分隔符对模型的回应质量有显著影响。

她讨论了系统提示的概念，这是向 LLM 提供的额外指示，可以在整个对话中设定规则和边界。

分享了如何仅用 LLM 来分析数据集，强调 LLM 在模式识别和趋势分析方面的优势，并提供了一个实际案例，展示了如何使用 LLM 对 Kaggle 数据集进行客户细分和市场营销策略制定。

通过验证，展示了 LLM 在识别模式和简化数据集方面的强大能力，以及如何与传统编程技术相比，提供不同的优势。

Sheila 总结了几个关键的提示工程技巧，包括将复杂任务简化成步骤、标记并引用中间输出、优化响应格式和将任务指令与数据集分离。这些技巧有助于提高 LLM 输出的准确性和效率。

#AI #Prompt

https://baoyu.io/translations/prompt-engineering/how-i-won-singapores-gpt-4-prompt-engineering-competition