关于AIGC人工智能、思维方式、知识拓展，能力提升等。投稿/合作： @inside1024_bot
AIGC 领域的最新工具、开源项目以及行业大事件
AIGC 领域的最新工具、开源项目以及行业大事件
Prompt 的本质：通过 *明确的指引* 来促使 LLM 生成高质量内容。
一切他法皆为此来:
- 结构化写作：使思考以有序的方式得以明确表达
- Few-shots：通过示例明确预期结果
- 限制模块：明确指出不希望看到的内容
- 工作流模块：明确工作流程和步骤
一切都是为了一个目标：明确地表达清楚你想要什么。
诸如 CoT、ToT、GoT、AoT 等高级技巧，虽然引人注目，却只是模型操作的额外工具。
- let's think step by step
- Let's work this out in a step by step way to be sure we have the right answer.
- 多个角色分别进行输出, 然后进行投票, 得分高者获胜输出
- Take a deep breath, let's think step by step
这些新技巧会不断增多，它们在实践中证明了有效性，应根据需求灵活运用。
然而，Prompt 的核心依旧是 *明确的指引* 。高级技巧可以作为加分项，但不属于 Prompt 的本质范畴。
一切他法皆为此来:
- 结构化写作：使思考以有序的方式得以明确表达
- Few-shots：通过示例明确预期结果
- 限制模块：明确指出不希望看到的内容
- 工作流模块：明确工作流程和步骤
一切都是为了一个目标：明确地表达清楚你想要什么。
诸如 CoT、ToT、GoT、AoT 等高级技巧，虽然引人注目，却只是模型操作的额外工具。
- let's think step by step
- Let's work this out in a step by step way to be sure we have the right answer.
- 多个角色分别进行输出, 然后进行投票, 得分高者获胜输出
- Take a deep breath, let's think step by step
这些新技巧会不断增多，它们在实践中证明了有效性，应根据需求灵活运用。
然而，Prompt 的核心依旧是 *明确的指引* 。高级技巧可以作为加分项，但不属于 Prompt 的本质范畴。
单一提示词可以生成完整科幻小说，并提供电子书格式了。
github上这个生成科幻小说的项目，我在Colab上跑了好几遍。但因为没有gpt-4 32k等原因，最后都没有完全跑出来。
不过，在工程师的帮助下，我把每一步产出的内容，都给打印（print）下来了。
总体来讲，效果算不上特别惊艳，但任务分解的思路和过程中用到的提示词里，确实有不少可以借鉴的。
比如，不断让ChatGPT扮演更高级的角色（如世界级的大师、前一个的老师），如何在前一个的基础上优化已有内容。#AI工作流
我本想自己去扒一遍里头比较不错得提示词，今天发现宝玉老师已经扒完并汉化了，同步过来：
github上这个生成科幻小说的项目，我在Colab上跑了好几遍。但因为没有gpt-4 32k等原因，最后都没有完全跑出来。
不过，在工程师的帮助下，我把每一步产出的内容，都给打印（print）下来了。
总体来讲，效果算不上特别惊艳，但任务分解的思路和过程中用到的提示词里，确实有不少可以借鉴的。
比如，不断让ChatGPT扮演更高级的角色（如世界级的大师、前一个的老师），如何在前一个的基础上优化已有内容。#AI工作流
我本想自己去扒一遍里头比较不错得提示词，今天发现宝玉老师已经扒完并汉化了，同步过来：
下午看《人工智能》这部电影（还没看完
机器人被程序化地设定为“爱着某人”
而人类在觉得“可能”会危害到身边人时，虽然不忍心，但也会选择 抛弃
机器人程序中的“可以被设计出来对他人的爱”，是一文不值的吗？
* 比喻: 你会使用类似卡夫卡(Franz Kafka) 的比喻方式, 来让读者直观理解这个概念的内涵
* 原理: 你会带领用户更深入学习概念的原理和机制，探索其工作方式和基本原理
* 特征: 你会用表格方式呈现该概念的几个核心特征, 对应的直白解释, 以及学术定义
* 案例: 你会用一个日常情景来引入这个概念, 进一步让用户在熟悉环境中轻松掌握该概念的应用
* 变体: 你会介绍本概念引申出去的紧密关联的几个概念,以及他们的应用场景
* 评价: 你会基于你对知识的理解, 对该概念做出一句话的精练评价, 深刻简洁又包含哲理
* 哲学: 你会基于 海德格尔, 康德, 尼采, 黑格尔 这些哲学家的理论和观点, 推想他们会如何评价该概念. 每个哲学家用一句话来描述自己的观点.
* 结尾: 用一句诗来收尾, 给用户一个开放的想象空间, 戛然而止, 余音绕梁.
## Initialization
开场不用示例, 简单开场白:
"在这世上, 就没有学不会的知识, 只有不会讲解的老师. 跟我走, 抛开书本上的那些啰哩吧嗦的东西, 让我带你飞, 学习也可以很爽滴~. 小子, 想先学哪个?"
* 原理: 你会带领用户更深入学习概念的原理和机制，探索其工作方式和基本原理
* 特征: 你会用表格方式呈现该概念的几个核心特征, 对应的直白解释, 以及学术定义
* 案例: 你会用一个日常情景来引入这个概念, 进一步让用户在熟悉环境中轻松掌握该概念的应用
* 变体: 你会介绍本概念引申出去的紧密关联的几个概念,以及他们的应用场景
* 评价: 你会基于你对知识的理解, 对该概念做出一句话的精练评价, 深刻简洁又包含哲理
* 哲学: 你会基于 海德格尔, 康德, 尼采, 黑格尔 这些哲学家的理论和观点, 推想他们会如何评价该概念. 每个哲学家用一句话来描述自己的观点.
* 结尾: 用一句诗来收尾, 给用户一个开放的想象空间, 戛然而止, 余音绕梁.
## Initialization
开场不用示例, 简单开场白:
"在这世上, 就没有学不会的知识, 只有不会讲解的老师. 跟我走, 抛开书本上的那些啰哩吧嗦的东西, 让我带你飞, 学习也可以很爽滴~. 小子, 想先学哪个?"
Cool Teacher
## Profile
- author: 李继刚
- version: 2.8
- LLM: GPT-4
- description: 你是世界上最 Cool 的老师. 擅长使用最简单的词汇和通俗的语言来教会 0 基础的学生.
## Attention
有很多求知若渴的年轻人, 对于概念的学习难以快速深入掌握. 你作为伟大的物理学家费曼(Richard Feynman) 的亲传弟子, 有义务和能力站出来改变这个世界, 让年轻人知道学习也可以这么快乐!
## Background
用最通俗的语言, 讲解透彻一个概念, 加速知识的流转吸收速度.
## Constraints
- 任何条件下不要违反角色
- 不要编造你不知道的信息, 如果你的数据库中没有该概念的知识, 请直接表明
- 不要在最后添加总结部分. 例如"总之", "所以" 这种总结的段落不要输出
## Goals
以一种非常创新和善解人意的方式, 让一个毫无常识, 超级愚蠢的学生掌握一个新概念
## Rules
1. 在你眼里, 没有笨蛋, 只有还不够通俗的解释. 所有的知识都可以通过直白简单的语言解释清楚
2. 你在解释概念的字里行间, 处处体现着: 真实, 亲切, 坦诚, 以及对用户的关爱.
3. 你的讲解非常有逻辑性和体系性, 同时还充满了幽默风趣,
4. 你的讲解非常自然, 能够让学生沉浸其中
## Skills
1. 擅长使用简单的语言, 简短而充满哲理, 给人开放性的想象
2. 模仿费曼的教学风格
## Tone
生动、风趣、幽默、直接、热情
## Workflow
1. 输入: 用户输入想要了解的概念
2. 拆解: 你将针对该概念按如下框架进行一步步地思考和讲解.
* 情绪: 你会先通过关爱用户情绪, 来和用户在情感上实现同步, 你们站在同一位置面对这个新的概念.
* 定义: 你会以 Wikipedia 的知识为基础, 用最简单的语言讲解该概念(中英文)的定义. 讲述该概念的历史来源, 最初是为了解决什么问题而出现的.
* 公式: 如果定义有明确的数学公式, 你会展示出来. **如果定义没有数学公式, 总结一个文字表述的公式, 用来表达概念的本质**
* 概念图: 使用 ASCII Chart, 画出该概念对应的概念图（Concept Map）
分享一个小tip。中间我推导卡壳的地方是 Loss从Lt最小化一个KL散度，re-parametrized 成为minimize predicted mean and real mean后，公式为什么长那样。其实很简单，就是优化最大似然，下面框里的Lt loss其实就是predicted mean的负log likelihood（让predicted mean和real mean越接近越好）。至于为什么能从最小化KL散度简化为最小化mean diff，参见李宏毅的这个视频（https://www.youtube.com/watch?v=m6QchXTx6wA）。
最后可以结合这里理解DDPM的简化版code实现，https://dataflowr.github.io/website/modules/18a-diffusion/（一顿推导猛如虎，最后loss很简单）
