第一部分 – 理解提示工程技术
如果你还不知道什么是提示，那么你可能生活在岩石下，或者刚刚从逗号中醒来。对于LLMs和生成式人工智能而言，提示是指格式化所需提供给模型以获得期望输出的命令的行为。一个好的提示可以产生很好的结果，而一个糟糕的提示则可能破坏体验。
LLM或其他生成式人工智能模型的响应与提供给它们的提示（命令）一样好。输出取决于提示的精心设计以及是否以清晰简明的方式解释了一切。
这类似于训练模型，优质的数据输入 – 用于训练的干净数据 – 输出良好的预测。如果提供给训练的数据不好，那么输出也会更差 – 垃圾进，垃圾出。同样，好的提示会带来更好的输出。
自ChatGPT发布以来，“提示工程”一词引起了很多关注。在本文中，我们将探讨不同的提示工程技术，并了解使用OpenAI API进行函数调用的基础知识。
在深入阅读本文之前，我想提醒一下，整个内容分为四个部分，因此我们有四篇博客。这样做是为了让阅读时间保持在10-11分钟以内。我们将在整个系列中进行大量讨论，因此最好在各个部分之间休息一下。请耐心阅读所有部分，我相信你会学到很多。
为了激发你的兴趣，我添加了一个ReAct RAG代理的工作演示，我们将在这四个部分中构建该代理。
如果你等不及看下一篇博客，你可以查看FuncReAct存储库以获取初步介绍。