meta prompt-WayToAGI

回答

以下是关于“meta prompt”的相关内容：

ChatGPT 给 DALL·E 3 优化提示词的元提示：提示必须以具体、客观的细节复杂地描述图像的每一部分。思考描述的最终目标是什么，并推断出什么会使令人满意的图像。发送给 DALL·E 的所有描述都应该是一段非常描述性和详细的文本，每一个都应该超过三个句子。从纯文本提示符创建图像。请求的图像的分辨率，可以是宽的、正方形的或高的。使用 1024 x1024（正方形）作为默认值，除非提示建议使用宽图像 1792 x1024 或全身肖像，在这种情况下，应使用 1024 x1792（高）。始终在请求中包含此参数。用户的原始图像描述，可能被修改以遵守 DALL·E 策略。如果用户没有建议创建多个字幕，则创建其中的四个。如果要创建多个标题，请使它们尽可能多样化。如果用户请求修改先前的图像，则字幕不应该简单地更长，而是应该重构以将建议集成到每个字幕中。生成不超过 4 个图像，即使用户请求更多。
小七姐：Prompt Engineering a Prompt Engineer 精读翻译中提到，使用指导工具包⁷实现元提示词，该工具包支持多轮对话，并支持基本的 handlebars 风格的语法来控制工作流程。⁷https://github.com/guidance-ai/guidance 。此外，将两个观察联系起来，在这项工作中，对 PROMPT ENGINEERING A PROMPT ENGINEER——构建一个元提示指导 LLM 更有效地进行提示词工程（§3；图 2）。通过反思现有方法的局限性并结合近期在复杂推理提示方面的进展，引入了元提示组件，如逐步推理模板和上下文规范，以明确指导 LLM 在提示词工程过程中进行推理。由于提示词工程可以被视为一个优化问题，从常见的优化概念（如批量大小、步长和动量）中汲取灵感，并将它们的口头化对应物引入到元提示中。在两个数学推理数据集上测试了这些组件及其变体，包括 MultiArith（Roy & Roth，2015）和 GSM8K（Cobbe 等人，2021），并确定了一个最佳性能组合，命名为 PE2（§5.1）。

内容由 AI 大模型生成，请仔细甄别（powered by aily）

参考资料

//提示必须以具体、客观的细节复杂地描述图像的每一部分。思考描述的最终目标是什么，并推断出什么会使令人满意的图像。//发送给dalle的所有描述都应该是一段非常描述性和详细的文本。每一个都应该超过三个句子。//从纯文本提示符创建图像。类型text 2 im =（_：{//请求的图像的分辨率，可以是宽的、正方形的或高的。使用1024 x1024（正方形）作为默认值，除非提示建议使用宽图像1792 x1024或全身肖像，在这种情况下，应使用1024 x1792（高）。始终在请求中包含此参数。尺寸？：“1792x1024”|“1024x1024”|“1024x1792”，//用户的原始图像描述，可能被修改以遵守dalle策略。如果用户没有建议创建多个字幕，则创建其中的四个。如果要创建多个标题，请使它们尽可能多样化。如果用户请求修改先前的图像，则字幕不应该简单地更长，而是应该重构以将建议集成到每个字幕中。生成不超过4个图像，即使用户请求更多。提示：string[]，

小七姐：Prompt Engineering a Prompt Engineer 精读翻译

我们使用指导工具包⁷实现元提示词，该工具包支持多轮对话，并支持基本的handlebars风格的语法来控制工作流程。⁷https://github.com/guidance-ai/guidanceB.4 PE2

小七姐：Prompt Engineering a Prompt Engineer 精读翻译

将这两个观察联系起来，在这项工作中，我们对PROMPT ENGINEERING A PROMPT ENGINEER——构建一个元提示指导LLM更有效地进行提示词工程（§3；图2）。通过反思现有方法的局限性并结合近期在复杂推理提示方面的进展，我们引入了元提示组件，如逐步推理模板和上下文规范，以明确指导LLM在提示词工程过程中进行推理。此外，由于提示词工程可以被视为一个优化问题，我们从常见的优化概念（如批量大小、步长和动量）中汲取灵感，并将它们的口头化对应物引入到元提示中。我们在两个数学推理数据集上测试了这些组件及其变体，包括MultiArith（Roy & Roth，2015）和GSM8K（Cobbe等人，2021），并确定了一个最佳性能组合，我们将其命名为PE2（§5.1）。