人工智能：
AI：是一个广泛涉及多个学科，旨在研究、设计、构建具备智能、学习、推理和行动能力的计算机和机器。

摘要： 本文系统性地介绍了人工智能（AI）与生成式人工智能（GAI）的基本概念，并深入探讨了机器学习的三大范式（监督学习、非监督学习、强化学习）及其重要分支——深度学习（包括神经网络与Transformer架构）。文章进一步列举了AI在自然语言处理（NLP）、语音处理（SLP）及图像视频处理等领域的核心应用场景。最后，重点阐述了提示工程（Prompt Engineering）的关键技术，包括提示词的构成要素（指示、上下文、例子、输入、输出格式）、样本学习（Zero-shot, One-shot, Few-shot）策略以及高效使用大语言模型的实践总结。

GAI：生成式人工智能，目标是让机器能够产生复杂且结构化的物件。

机器学习：

• 监督学习：人工标注，比如猫的图片。
• 非监督学习：文字空缺补全，图片缺失补全。
• 强化学习：反馈，正反馈，负反馈。
• 机器学习分支：
  • 深度学习：
    • 神经网络：NN 神经网络，分层信息处理（不同维度处理）。
    • Transformer：大部分语言模型使用（80%）。

应用场景：

• 自然语言处理（NLP）：
  • 情感分析
  • 文本归类
  • 信息抽取
  • 数学问题
  • 角色扮演
  • 编程问题
  • 创作问题
• 语音处理（SLP）
• 图像视频处理

Gradio.app

提示工程：

• 什么是提示功能：
  • 提示词工程（Prompt Engineering）是一项通过优化提示词（Prompt）和生成策略，从而获得更好的模型返回结果的技术。
  • 好的 Prompt 需要不断调优。
  • 说清楚自己到底想要什么，要具体。
  • 不要让机器去猜测太多。为了不让机器去猜测，我们就需要提供细节。
  • 提示功能有一些技巧，灵活掌握，事半功倍。

提示词构成：

• 指示（Instruction）：描述要让它做什么？
• 上下文（Context）：给出与任务相关的背景信息。
• 例子（Examples）：给出一些例子，让模型知道怎么回复。
• 输入（Input）：任务的输入信息。
• 输出（Output Format）：输出的格式，想要什么形式的输出？

Shot Learning 样本学习：

• One-shot learning：只给一个 example。
• Few-shot learning：多个 examples。
• Zero-shot learning：不给任何的 examples。

总结：

• 写清楚的指令。
• 将复杂任务分解为更简单的子任务。
• 系统地测试更改。
• 提供参考文本。
• 使用外部工具。
• 早期测试和学习。
• 引入新信息。
• 可靠地复制复杂的风格或方法。