小七姐的提示词课程 双证班 是干什么的？

自由学习时间（22节视频课），以视频课+知识星球作业+社群答疑的授课形式学习[heading4]提示词基础[content]第一课：Hello，大模型第二课：提示词基础方法第三课：开始编写你的第一条提示词第四课：按需求设计和迭代提示词[heading4]元能力[content]第一课AI+学习能力第二课AI+逻辑思维第三课AI+表达能力[heading4]提示词实践[content]第四课需求分析第五课结构框架第六课反馈迭代第七课结构化提示词第八课思维链[heading4]提示词工具化[content]第九课工作流第十课提示词封装第十一课GPTs基础教程第十二课GPTs实战案例[heading4]2024更新：[content]GPT新版本指南（已更新）GPTs基础教程（已更新）GPTs设置方法（已更新）GPTs实战案例（已更新）2024更新01：提示词学习综述（已更新）2024更新02：知识库-场景（已更新）2024更新03：知识库-工具2024更新04：知识库-有效语句2024更新05：知识库-方法论2024更新06：知识库-思维方式2024更新07：优秀提示词拆解（已更新）2024更新08：提示词编写常见误区[heading3]社群答疑[content]学员们有问题随时都会在学习群提问，老师和助教会尽可能详尽答疑。针对一些复杂问题，小七姐还会录制1分钟左右的短视频方便大家更好的理解。答疑卡片：

（扫码可以查看课程详细内容和介绍）咨询课程助教（请注明来自waytoAGI）：

[title]小七姐：Prompt Engineering a Prompt Engineer精读翻译[heading2]1引言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）。PE2取得了强大的实证性能（§5.2）。当使用TEXT-DAVINCI-003作为任务模型时，PE2产生的提示词在MultiArith上比“让我们一步步思考”（Kojima等人，2022）的零提示链思考提示词高出6.3%，在GSM8K上高出3.1%。此外，PE2在多种设置中超过了两个自动提示词工程基准，迭代APE（Zhou等人，2023b）和APO（Pryzant等人，2023）（图1）。值得注意的是，PE2在反事实任务上最为有效（Wu等人，2023），在这些任务中，自动提示词工程师预计会对非标准情况进行推理（例如，在8进制而非10进制中进行加法）并通过提示词向任务模型解释这种情况。在学术数据集之外，PE2在优化生产中使用的冗长、真实世界提示词方面证明了其广泛的适用性。