wordpress修改默认头像网站seo优化要怎么做

wordpress修改默认头像,网站seo优化要怎么做,网站添加百度地图标注,做销售网站本文全面介绍了Prompt的概念、分类、要素及工作原理。Prompt是引导大模型生成响应的初始文本输入#xff0c;可分为硬提示/软提示、在线/离线提示及应用领域提示。优质Prompt需包含任务、上下文、示例、角色、格式和语气六要素。文章解析了Prompt的工作机制及多种采样策略可分为硬提示/软提示、在线/离线提示及应用领域提示。优质Prompt需包含任务、上下文、示例、角色、格式和语气六要素。文章解析了Prompt的工作机制及多种采样策略并系统讲解了提示工程的基本方法如Zero-shot、Few-shot和组合技术如思维链、递归提示帮助读者掌握与大语言模型有效交互的关键技能。什么是PromptPrompt提示是模型接收以生成响应或完成任务的初始文本输入。给AI一组Prompt输入用于指导模型生成响应以执行任务。这个输入可以是一个问题、一段描述、一组关键词或任何其他形式文本用于引导模型产生特定内容的响应。根据可解释性、交互方式和应用领域三个方面可对Prompt 进行分类。可解释性分类硬提示和软提示硬提示hard prompt 是手工制作的、预定义的带有离散输入标记的文本或者文本模板。在很大程度上是静态的一种硬编码的提示它指示代理(Agent或模型)执行哪些操作。一般来说模板包括: 定义了可以访问哪些工具何时应该调用这些工具以及一般的用户输入。软提示soft prompt 是在提示调优过程中创建的,不能在文本中查看和编辑其包含一个嵌入或一串数字代表从大模型中获得的知识。软提示可以替代额外的训练数据。交互方式分类在线提示和离线提示在线提示Online prompt 是在与模型的实时互动中提供的提示通常用于即时的交互式应用。用户可以逐步输入、编辑或更改提示在在线聊天、语音助手、实时问题回答等应用中常见。离线提示Offline prompt 是预先准备好的提示通常在用户与模型的实际互动之前创建。在离线文本生成、文章写作、大规模数据处理等应用中常见。应用领域分类以下是一些常见的类别•Information Retrieval (信息检索): 这些 prompt 用于从模型中检索特定信息如回答问题、提供事实或解释概念。•Text Generation (文本生成):用于指导模型生成文本可能是文章、故事、评论等。•Translation (翻译):用于将文本从一种语言翻译成另一种语言。•Sentiment Analysis (情感分析):用于评估文本的情感倾向如正面、负面或中性。•Programming and Code Generation (编程和代码生成):用于生成计算机程序代码或解决编程问题。•Conversation (对话):用于模拟对话或聊天并回应用户提出的问题或评论。•Task-Specific (特定任务):针对特定应用或任务如制定旅行计划、编写营销文案、生成报告等。•Custom Applications (自定义应用):针对特定领域或自定义应用具体用途由用户定义。Prompt 的一般要素一个Prompt 基本包含6个要素任务上下文示例角色格式和语气而且这些要素是按重要性降序排列的。示例3个月训练计划任务生成一份个性化3个月体能训练计划每周5天包含力量、有氧和柔韧性训练上下文目标是减重8公斤并提升马拉松完赛能力。我是一名32岁男性身高175cm体重78公斤有基础健身经验但膝盖曾受伤。每周可支配训练时间约6小时家中有一对哑铃和跑步机示例第1-4周基础期 - 周一上肢力量俯卧撑3组×12次哑铃划船3组×15次 拉伸15分钟 - 周三有氧慢跑30分钟心率140-150次/分 - 周五核心训练平板支撑3组×60秒 瑜伽20分钟...角色专业运动教练擅长伤病预防和个性化方案设计格式Markdown表格列包括周期/周次、“训练日”、“训练内容”、“强度(RPE)”、“注意事项”语气专业但鼓励强调循序渐进和安全第一1. 任务任务描述是由动词引导例如generate, drive, write, analyze等而且需要明确任务目标。例如2. 上下文一般描述背景信息希望结果是什么样子以及处于怎样的环境中例如3. 示例在提示中包含例子能产生更高质量的答案。 例如4. 角色希望AI所扮演的角色。例如5. 格式比如希望得到要点、段落、标记、代码块等格式。6. 语气如音调类型。在这6个要素中任务是必须的上下文和示例非常重要而且最好也要有角色、格式和语气。下面是一个电子邮件示例任务 (Task)撰写一封邮件向CEO汇报Apple Car预售成绩上下文 (Context)你是苹果高级产品营销经理Apple Car与特斯拉合作发布预售量12,000台超目标200%收件人是Tim Cook示例 (Exemplar)必须包含tl;dr摘要、项目背景、量化业务结果、致谢产品/工程团队角色 (Persona)苹果高级产品营销经理格式 (Format)一封邮件语气 (Tone)清晰简洁自信且友好Prompt 的工作原理在理解Prompt工作原理之前需要理解大模型是如何生成文本的。例如假设想让“Paris is the city…”这句话继续写下去。如下图先把输入语句通过分词器转为向量表示然后给到LLMLLM根据学习到的词库数据预测下一个单词的逻辑值逻辑值通过函数变换为概率值最后根据选择策略选出合适的单词。其中token表示词元(可以简单理解为某个单词或字符的向量表示)logits表示逻辑值(可以理解为token的逻辑值)logits可以使用softmax函数转换生成token的概率也就是把logits利用softmax变为概率值用来表示某个token出现的概率。假设选择top 5的输出token如下Paris is the city of love. Paris is the city that never sleeps. Paris is the city where art and culture flourish. Paris is the city with iconic landmarks. Paris is the cityinwhichhistoryhas a unique charm.然后 有不同的策略来选择token。贪婪采样 (greedy sampling)简单来说贪婪采样的模型在每一步都选择概率最高的词语并基于选择的词语继续生成文本。如示例中生成的输出可能是Paris is the city of the future.束搜索 (Beam Search)在beam搜索中模型假设一组最有可能的前“k”个token这组k个token被称为“beam”。模型通过为每个token生成可能的序列并通过扩展每个beam在文本生成的每个步骤中跟踪它们的概率来生成可能的序列直到达到生成文本的所需长度或者每个beam遇到一个“终止”标记。模型会从所有beam中选择具有最高整体概率的序列作为最终输出。从算法的角度来看创建beam就是扩展一个k叉树。在创建beam之后选择具有最高整体概率的分支作为最终输出。示例中生成的输出可能是Paris is the city of history and culture.随机采样 (probability sampling)简单来说就是通过选择一个随机值并将其映射到所选的词汇来选择下一个词。可以将其想象为旋转轮盘每个词汇的区域由其概率决定。概率越高选中该词的机会越大。带温度的随机采样 (ramdom sampling with temperature)一般使用softmax函数将logit转换为概率。在这个时候为随机采样引入了温度参数(一种影响文本生成随机性的超参数)。在引入温度之后与典型的softmax不同于分母除以了温度T。温度越高趋向1输出结果会更加多样化而温度越低趋向0输出结果则更加集中并更具确定性。当T 1的时候演变为最初使用的softmax函数。TopK采样 (Top-k sampling)只对前k个token进行温度下的随机抽样。TopP采样 (Top-P sampling)top-p采样不是指定一个固定的“k”个令牌数而是使用一个概率阈值“p”。该阈值代表希望在采样中包括的累积概率。模型在每个步骤中计算所有可能令牌的概率然后按照降序的方式对它们进行排序直到它们的概率之和超过指定的阈值。top-p采样的优势在于它允许根据上下文进行更动态和自适应的标记选择。每步选择的标记数量可以根据该上下文中token的概率而变化这可以产生更多样化和更高质量的输出。Prompt 工作机制在预训练语言模型中解码策略对于文本生成非常重要。有多种方法来定义概率又有多种方法来使用这些概率。温度控制了解码过程中token选择的随机性。较高的温度增强了创造力而较低的温度则关注连贯性和结构。Prompt 的本质是语义特征的显式表达 Prompt 的工作机制很可能只是影响大模型所选择生成文本token的概率。由于大模型在很大程度上是一个黑盒子其涌现特性具有难解释性而海量的数据关系很难抽象出确定性的特征只能是概率性结果。用户的需求千变万化并且对于需求的表达更是极具多样性。因此 Prompt 在某些限定领域才存在一些通用的表达方式。什么是提示工程提示工程Prompt Engingering是指如何与 LLM 通信的方法以引导其行为向所期望的结果而无需更新模型权重。提示工程关注提示词的开发和优化帮助用户将大模型用于各场景和研究领域。提示工程包含了与大语言模型交互和研发的各种技能和技术。提示工程在实现和大语言模型交互、对接以及理解大语言模型能力方面都起着重要作用。用户可以通过提示工程来提高大语言模型的安全性也可以赋能大语言模型比如借助专业领域知识和外部工具来增强大语言模型能力。提示工程Prompt Engingeering基本方式1、Zero-shot Prompting即没有任何示例说明所需(期望)的输出。例如可以向模型提供一个句子并期望它输出该句子的情感- Prompt: Classify the text into neutral, negative, or positive. - Text: I think the vacation is okay. - Output: Neutral2、Few-shot Prompting是提供给模型少量高质量的示例这些示例包括目标任务的输入和期望输出。few-shot 通过在提示中提供演示来指导模型执行任务。示例- Prompt: Awhatpuis a small, furry animal native to Tanzania. An example of a sentence that uses the word whatpu is: We were travelinginAfrica and we saw these very cute whatpus.3、instruction Prompting指令提示旨在向模型提供指令提示示例。指令提示使用任务说明输入真实输出元组对预训练模型进行微调以使模型更好地与用户意图对齐并遵循说明。示例- Prompt: Define Onomatopoeiainone sentence. - Output: Onomatopoeia is the use of words that imitate or suggest the natural sound of a thing or action.Prompt Engingeering的组合方式主要包括思维链CoT 和 递归提示 Recursive Prompting等。1、Chain-of-Thought Prompting CoTCoT提示生成一系列短句即被称为推理链的句子。这些句子描述了逐步推理逻辑导致最终答案对于复杂推理的任务和较大的模型可获得更多的好处。常见的两种基本CoT提示包括Few-shot CoT 和 Zero-Shot CoT。Few-shot CoT 允许模型查看一些高质量推理链的演示。例子Zero-shot CoT在提示中添加了“让我们逐步思考”有助于提高模型性能。例子Prompt: I went to the market and bought10apples. I gave2apples to the neighbor and2to the repairman. Ithenwent and bought5moreapples and ate1. How many apples did I remain with? - **Lets think step by step.** Output: - First, you started with10apples. -You gave away2apples to the neighbor and2to the repairman, so you had6apples left. -Then you bought5moreapples, so now you had11apples. -Finally, you ate1apple, so you would remain with10apples.2、 Recursive Prompting递归提示可以使用少量提示方法将复杂问题分解为子问题然后顺序解决提取的子问题使用前一个子问题的解决方案来回答下一个子问题。这种方法可以用于数学问题或问答等任务其中语言模型需要能够将复杂问题分解为更小、更易管理的部分以得出解决方案。例如Calculate the product of the length and width: prompt:What is the product of 8 and 6?answer:48Substitute the given valuesforlength and width into the equation: prompt:What is the area of a rectangle with length 8 and width 6?answer:The area of a rectangle with length 8 and width 6 is 48.recursive prompting 的更多示例 如下3、思维树Tree of Thought思维树Tree of Thought通过探索每一步的多种推理可能性来扩展 CoT。首先将问题分解为多个思维步骤并在每个步骤中生成多个思维实质上是创建一个树形结构。搜索过程可以是广度优先过程或深度优先的过程而每个节点的评估分类器可以通过Prompt提示的方式完成。4、自动提示设计一般而言Prompt 相当于一系列前缀令牌它们增加了在给定输入时获得所需输出的概率。因此可以将它们视为可训练的参数并通过梯度下降法直接在嵌入空间上对它们进行优化例如 AutoPrompt Prefix-Tuning P 微调和 Prompt-Tuning从自动提示到提示微调的趋势是设置的逐渐简化。自动提示工程(APE)是一种在模型生成的Prompt候选集中搜索的方法然后根据选择的得分函数过滤候选集以最终选择得分最高的最佳候选提示。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】为什么要学习大模型我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年人才缺口已超百万凸显培养不足。随着AI技术飞速发展预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。大模型入门到实战全套学习大礼包1、大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通2、大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。3、AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。4、大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。5、大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。适用人群第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】