在本课程中，您将学习设计有效提示的原则、技术和最佳实践。本课程将介绍提示工程的基本知识，然后逐步过渡到高级提示技术。您还将学习如何防止提示误用，以及如何在与基础模型 (FM, Foundation Model) 互动时减少偏差。
- 课程级别：中级
- 时长：4 小时
注意：本课程具有本地化的注释/字幕。 旁白保留英语。要显示字幕，请单击播放器右下角的 CC 按钮。
活动
本课程包括在线学习互动。
课程目标
在本课程中，您将学习如何：
- 定义提示工程，以及在与 FM 互动时运用通用最佳实践
- 理解基本类型的提示技术，包括零样本学习和小样本学习
- 在您的使用案例需要时，应用高级提示技术
- 确定哪些提示技术最适合特定模型
- 识别潜在的提示误用
- 分析 FM 响应中的潜在偏差并设计减少这种偏差的提示
培训对象
本课程面向：
- 提示工程师、数据科学家和开发人员
先决条件
我们建议本课程的参加者已经学习过以下课程：
- Introduction to Generative AI - Art of the Possible（1 小时，数字课程）
- Planning a Generative AI Project（1 小时，数字课程）
- Amazon Bedrock Getting Started（1 小时，数字课程）
课程大纲
简介
- 简介
- 基础模型的基本知识
- 提示工程的基础知识
提示类型和技术
- 基本提示技术
- 高级提示技术
- 特定于模型的提示技术
- 解决提示误用问题
- 减少偏差
总结
- 课程总结
课程说明
第 1 课：大语言模型的基本知识
在本课程中，您将学习设计有效提示的原则、技术和最佳实践。本课程将介绍提示工程的基本知识，然后逐步过渡到高级提示技术。您还将学习如何防止提示误用，以及如何在与基础模型 (FM, Foundation Model) 互动时减少偏差。
第 2 课：提示工程的基础知识
在本节课中，您将了解提示工程，这是围绕提示开发、设计和优化的一系列实践，旨在增强 FM 的输出以满足特定业务需求。首先，本节课将定义提示工程，介绍提示工程的关键概念和术语。然后，本节课将通过示例提示来展示提示的不同要素。最后，本节课将提供设计有效提示的通用最佳实践列表。
第 3 课：基本提示技术
在本节课中，您将学习基本的提示工程技术，来帮助您有效地使用生成式 AI 应用程序实现您独特的业务目标。首先，本节课将定义零样本提示技术和小样本提示技术。然后，本节课将定义思维链 (CoT, chain-of-thought) 提示，这是几种高级提示技术的构建块。本节课将提供每种提示技术的技巧和示例。
第 4 课：高级提示技术
在本节课中，您将了解多种高级技术，包括：自洽性、思维树、检索增强生成 (RAG, Retrieval augmented generation)、自动推理和工具使用 (ART, Automatic Reasoning and Tool-use) 以及推理和行动 (ReAct, Reasoning and Acting)。本节课还将提供示例来展示每种技术的实际应用。
第 5 课：特定于模型的提示技术
在本节课中，您将学习如何为一些最常用的 FM（包括 Amazon Titan、Anthropic Claude 和 AI21 Labs Jurassic-2）设计提示。您将了解可以配置哪些不同的参数，以便从模型中获得自定义结果。接下来，您将了解每个模型的提示工程最佳实践。
第 6 课：解决提示误用问题
在本节课中，您将了解对抗性提示或旨在故意误导模型的提示。您将学习提示注入和提示泄漏这两种类型的对抗性提示。本节课将为您提供每种情况的示例。
第 7 课：减少偏差
在本节课中，您将了解训练阶段如何将偏差引入模型，以及如何在 FM 生成的响应中重现相应偏差。您将学习如何通过更新提示、增强数据集和使用训练技术来减少有偏差的结果。
