目 錄


第1章 智領(lǐng)未來—走近大語言模型
1.1 人工智能的發(fā)展歷程
1.2 機器學(xué)習(xí)與深度學(xué)習(xí)
1.3 自然語言處理
1.3.1 大語言模型
1.3.2 機器翻譯與文本生成
1.4 大語言模型
1.4.1 Transformer與大語言模型
1.4.2 GPT及ChatGPT
1.5 小結(jié)
第2章 提示工程概述
2.1 提示工程的概念和作用
2.2 提示信息的設(shè)計原則和框架
2.2.1 清晰具體的提示
2.2.2 給模型思考的時間
2.2.3 提示信息的設(shè)計原則
2.2.4 提示框架
2.3 提示工程在人工智能生成內(nèi)容(AIGC)中的應(yīng)用
2.3.1 文本生成任務(wù)
2.3.2 圖像生成任務(wù)
2.3.3 音頻生成任務(wù)
2.3.4 其他生成任務(wù)
2.4 提示信息的評估
2.5 小結(jié)
第3章 提示工程的策略和技巧
3.1 提高提示信息量
3.1.1 零樣本提示(Zero-Shot Prompting)
3.1.2 單樣本提示(1-Shot Prompting)
3.1.3 少樣本提示(Few-Shot Prompting)
3.1.4 鏈式思維提示(Chain-of-Thought Prompting)
3.1.5 生成知識提示(Generated Knowledge Prompting)
3.2 提升一致性
3.2.1 自我一致性提示(Self-Consistency Prompting)
3.2.2 思維樹提示(Tree of Thought Prompting)
3.3 其他策略和技巧
3.3.1 結(jié)合其他能力
3.3.2 主動學(xué)習(xí)
3.3.3 強化反饋提示
3.4 反向提示工程(Reverse Prompt Engineering)
3.5 協(xié)作技巧
3.6 小結(jié)
第4章 提示工程的典型應(yīng)用
4.1 職場效率手冊
4.1.1 求職招聘
4.1.2 高效辦公
4.1.3 職場溝通
4.2 大型創(chuàng)作：大語言模型輔助編寫一部書
4.2.1 擬定提綱
4.2.2 前言寫作
4.2.3 實驗開發(fā)
4.2.4 優(yōu)化章節(jié)標題
4.2.5 每章小結(jié)
4.2.6 創(chuàng)建實訓(xùn)
4.2.7 設(shè)置特別內(nèi)容
4.2.8 處理內(nèi)容中斷問題
4.2.9 調(diào)整生成的代碼
4.2.10 創(chuàng)建原創(chuàng)數(shù)據(jù)實驗
4.2.11 報錯處理、錯誤解析和自動糾錯
4.3 提示工程在知識領(lǐng)域的應(yīng)用
4.3.1 自我修煉導(dǎo)師
4.3.2 助力文獻閱讀
4.3.3 研究問題發(fā)掘
4.3.4 多角色任務(wù)執(zhí)行
4.4 小結(jié)
第5章 提示工程賦能數(shù)據(jù)分析與挖掘
5.1 數(shù)據(jù)收集的提示技巧
5.2 數(shù)據(jù)清洗技巧
5.3 數(shù)據(jù)探索技術(shù)
5.4 數(shù)據(jù)可視化技術(shù)
5.5 數(shù)據(jù)分析方法與模型
5.6 小結(jié)
第6章 提示工程數(shù)據(jù)分析實戰(zhàn)：零代碼、SQL和Python
6.1 案例：基于市場數(shù)據(jù)的產(chǎn)品分析與決策(零代碼)
6.2 案例：銷售數(shù)據(jù)分析與挖掘(SQL)
6.3 項目實戰(zhàn)：武漢房價分析(Python)
6.4 小結(jié)
結(jié)語
參考文獻