以下是 AIGC 提示工程师应该学习的一些课程：
[title]1.课程简介欢迎来到这门针对开发者的AIGPT提示工程课程。我很高兴能够与Isa Fulford一起授课。她是OpenAI的技术团队成员，她开发了流行的AIGPT检索插件，同时也教授人们如何在产品中使用LLM或大型语言模型技术，也为OpenAI食谱做出贡献。我很高兴能和她一起授课。同时我也很高兴在这里与大家分享一些提示最佳实践。实际上，关于提示已经有了很多互联网上的材料，例如“30个人人都必须知道的提示”。很多焦点都放在了AIGPT的Web版界面上，这使得很多人只用于完成特定的任务，而且经常是一次性的。但我认为，LLM大型语言模型作为一名开发人员的强大之处在于使用API调用LLM快速构建软件应用程序。实际上，AI Fund在我的团队与DeepLearning.AI的姊妹公司合作，为很多创业公司应用这些技术到许多不同的应用领域，看到LLM API可以使开发人员非常快速地构建应用程序实属令人兴奋。因此，在这门课程中，我们将与您分享一些您可以做到什么的可能性，以及如何最佳实践地完成这些任务。有很多要涵盖的内容。首先，你将学习一些软件开发最佳实践的提示。然后，我们将涵盖一些常见的用例，包括总结、推理、转换和扩展。接着，你将使用LLM构建一个聊天机器人。我们希望这会激发你的想象力，并能够创建出新的应用程序。在大型语言模型或LLM的开发中，大体上有两种类型的LLM，我将其称为基础LLM和指令调整后的LLM。因此，基础LLM已经训练出来根据文本训练数据预测下一个单词。通常是在互联网和其他来源的大量数据上进行训练，以找出接下来最有可能的单词。例如，如果你提示“一次有一个独角兽”，它可能会继续完整这个句子，预测出接下来的几个单词是“和所有的独角兽朋友生活在一个神奇的森林里”。但如果你提示“法国的首都是什么”，那么LLM可能会给出正确的回答“巴黎”，或者可能会给出错误的回答。训练后的LLM可以接收新的提示作为输入，并输出预测结果。
本课程将教您如何成为这些生成AI工具的专家用户。本课程将展示令人惊叹的示例，说明如何利用这些生成式人工智能工具的新兴智能和推理，如何使用它们来提高日常工作效率，并让您深入了解它们的工作原理。[heading2][了解大型语言模型背后的理论](https://www.edx.org/course/large-l[content]这门课程深入探讨了自然语言处理（NLP）中基本模型的细节。学习创新技术，促进了基于Transformer的模型（包括BERT，GPT和T5）的广泛应用，以及推动ChatGPT等应用的关键突破。课程还涉及到少量学习和知识蒸馏等转移学习技术，以改善大型语言模型（LLMs）。课程聚焦于新的LLM发展方向，如多模态模型和LLM决策制定，展望这个变化快速的领域的未来。本课程需要有中级Python水平和深度学习概念的初步了解。可以选择免费或购买付费课程。[heading2][赋予GPT “无限”知识-如何让GPT接受大量数据](https://sudoapps.subs[content]OpenAI的大型语言模型（LLMs）受到它们可以训练和依赖的数据量的限制，这可能会导致不准确性和幻觉。将实时、相关的数据存储和提供给LLMs以向量数据库可以帮助提高它们的准确性和灵活性。但是，对于初始提示和响应生成，存在ToKen限制，并且监控ToKen计数对于防止超过ToKen限制至关重要。自主代理可以用于实时获取LLMs的数据。随着信息不断演变，可以预期持续改进和解决方案。
大家好，我们现在正步入培训的最终阶段。在之前的学习过程中，我很好奇大家是否都有了显著的收获。我希望大家能够紧跟我们的步伐，确保不落后。现在，让我们集中精力，全神贯注地学习最后一部分的培训内容。那么，不浪费时间，我们现在就开始吧！[heading1]二、课程导览[content]在Part4中，我们会首先介绍提词工程的基础概念和一些实用技巧。我们将利用地规来构建思考链条，并探讨提示词的敏感性问题。此外，我们还会解释'token'，这是我们之前没有涉及的新概念。同时，我们会讨论如何根据特定原则来压缩token，以及如何有效控制成本。在第二部分，我们将深入讲解提示词的进阶技术，包括如何增强推理能力，以及如何运用元提示和一系列任务分解、增强推理的技巧。第三部分，我们将探讨AI-Agent和AI-Agentic的概念和差别，学习吴恩达教授对于智能体的新领悟。同时也会介绍一些基本的多智能体设计模式。最后，在第四部分，我们会梳理一个切实可行的提词落地流程，展示如何在实际工作中有效运用提词，这些内容将为我们的课程带来深刻的洞见和实践指导。[heading1]三、上节回顾