科技
类型
可以朗读
语音朗读
177千字
字数
2024-01-01
发行日期
展开全部
主编推荐语
掌握AI大语言模型，成为与AI交流的高手。
内容简介
随着大语言模型的快速发展，语言AI已经进人了新的阶段。这种新型的语言AI模型具有强大的自然语言处理能力，能够理解和生成人类语言，从而在许多领域中都有广泛的应用前景。大语言模型的出现将深刻影响人类的生产和生活方式。本书将介绍提示工程的基本概念和实践，旨在帮助读者了解如何构建高质量的提示内容，以便更高效地利用大语言模型进行工作和学习。
本书内容通俗易懂，案例丰富，适合所有对大语言模型和提示工程感兴趣的读者。无论是初学者还是进阶读者，都可以从本书中获得有价值的信息和实用技巧，帮助他们更好地应对各种挑战和问题。
目录
- 版权信息
- 内容提要
- 前言
- 第1章 认识大语言模型
- 1.1 大语言模型是什么
- 1.2 大语言模型的发展现状
- 1.3 大语言模型的重要概念
- 1.4 大语言模型的使用方式
- 1.4.1 国产大语言模型的使用流程
- 1.4.2 ChatGPT的使用流程
- 第2章 ChatGPT应用体验
- 2.1 第一次对话
- 2.2 设计特定语境上下文
- 2.2.1 现实例子
- 2.2.2 构建语境
- 2.3 模拟API参数
- 2.3.1 模拟API参数进行对话
- 2.3.2 通过Playground调整参数
- 2.4 专业领域助手
- 2.4.1 统计分析
- 2.4.2 编程语言
- 2.5 基于对话绘图
- 2.5.1 DALL·E绘图
- 2.5.2 Stable Diffusion绘图
- 2.6 场景总结
- 第3章 ChatGPT API
- 3.1 准备工作
- 3.1.1 HTTP请求
- 3.1.2 JSON数据格式
- 3.1.3 GPT模型和API
- 3.1.4 认识ChatGPT API
- 3.2 ChatGPT API调用流程
- 3.2.1 申请API Key
- 3.2.2 选择模型和API
- 3.2.3 发起请求和处理数据
- 第4章 Python ChatGPT API库
- 4.1 Python ChatGPT开发环境
- 4.1.1 安装Python环境
- 4.1.2 安装openai库
- 4.1.3 使用API Key
- 4.2 Python示例应用
- 4.2.1 安装Python示例应用
- 4.2.2 启动Python示例应用
- 4.2.3 调试提示内容和参数
- 4.3 解析Python示例应用
- 4.3.1 解析示例应用
- 4.3.2 Python ChatGPT API
- 4.3.3 集成模式讨论
- 第5章 提示工程
- 5.1 提示工程是什么
- 5.1.1 提示工程模式
- 5.1.2 提示方法
- 5.1.3 能力要素
- 5.2 提示内容
- 5.2.1 提示词要素
- 5.2.2 常用提示
- 5.2.3 让ChatGPT构建提示
- 5.3 规范化提示
- 5.3.1 规范化提示
- 5.3.2 探索提示模板
- 5.3.3 测试提示模板
- 第6章 提示类型
- 6.1 标准、指令、角色提示
- 6.1.1 标准提示
- 6.1.2 指令提示
- 6.1.3 角色提示
- 6.2 思维链提示
- 6.2.1 让ChatGPT说明思维过程
- 6.2.2 向ChatGPT展示思维过程
- 6.3 自洽、知识生成提示
- 6.3.1 自洽提示
- 6.3.2 知识生成提示
- 6.4 总结和建议
- 6.4.1 ChatGPT工作机制
- 6.4.2 内容从简单开始
- 6.4.3 避免内容歧义
- 第7章 基于提示工程应用Python数据分析
- 7.1 提示构建思路
- 7.1.1 参考费曼学习法
- 7.1.2 费曼学习法提示模板
- 7.1.3 学习的目的
- 7.2 Python是什么
- 7.2.1 确定目标
- 7.2.2 认识Python
- 7.2.3 深入学习
- 7.2.4 归纳总结
- 7.2.5 实践
- 7.3 Python语法特征
- 7.3.1 语法特征
- 7.3.2 语法特征的教学
- 7.3.3 讨论学习语法特征
- 7.3.4 总结语法特征
- 7.3.5 语法特征实践
- 7.4 Python变量
- 7.4.1 变量是什么
- 7.4.2 变量的教学
- 7.4.3 讨论学习变量
- 7.4.4 总结变量
- 7.4.5 变量实践
- 7.5 Python运算符
- 7.5.1 运算符是什么
- 7.5.2 运算符的教学
- 7.5.3 讨论学习运算符
- 7.5.4 总结运算符
- 7.5.5 运算符实践
- 7.6 Python字符串
- 7.6.1 字符串是什么
- 7.6.2 字符串的教学
- 7.6.3 讨论学习字符串
- 7.6.4 总结字符串
- 7.6.5 字符串实践
- 7.7 Python条件控制
- 7.7.1 条件控制是什么
- 7.7.2 条件控制的教学
- 7.7.3 讨论学习条件控制
- 7.7.4 总结条件控制
- 7.7.5 条件控制实践
- 7.8 Python循环
- 7.8.1 循环是什么
- 7.8.2 循环的教学
- 7.8.3 讨论学习循环
- 7.8.4 总结循环
- 7.8.5 循环实践
- 7.9 Python复合数据类型
- 7.9.1 复合数据类型是什么
- 7.9.2 复合数据类型的教学
- 7.9.3 讨论学习复合数据类型
- 7.9.4 总结复合数据类型
- 7.9.5 复合数据类型实践
- 7.10 Python函数
- 7.10.1 函数是什么
- 7.10.2 函数的教学
- 7.10.3 讨论学习函数
- 7.10.4 总结函数
- 7.10.5 函数实践
- 7.11 Python类
- 7.11.1 类是什么
- 7.11.2 类的教学
- 7.11.3 讨论学习类
- 7.11.4 总结类
- 7.11.5 类实践
- 7.12 Python模块和包
- 7.12.1 模块和包是什么
- 7.12.2 模块和包的教学
- 7.12.3 讨论学习模块和包
- 7.12.4 总结模块和包
- 7.12.5 模块和包实践
- 7.13 Python Pandas包
- 7.13.1 Pandas是什么
- 7.13.2 Pandas的教学
- 7.13.3 使用Pandas读取数据
- 7.13.4 使用Pandas关联分析
- 7.13.5 使用Pandas统计分析
- 7.13.6 使用Pandas相关性分析
- 7.14 Python Matplotlib包
- 7.14.1 Matplotlib是什么
- 7.14.2 Matplotlib的教学
- 7.14.3 Matplotlib可视化图
- 7.14.4 线图数据分析
- 7.14.5 散点图数据分析
- 7.14.6 柱状图数据分析
- 7.14.7 箱线图数据分析
- 7.14.8 饼图数据分析
- 7.14.9 热力图数据分析
- 7.14.10 3D图数据分析
- 第8章 基于提示工程应用SQL
- 8.1 应用思路
- 8.1.1 构建语境
- 8.1.2 集成Python分析
- 8.2 构建SQL语境
- 8.2.1 SQL知识储备
- 8.2.2 构建提示模板
- 8.2.3 测试数据库
- 8.3 查询数据
- 8.3.1 构建查询提示
- 8.3.2 SQL查询注意事项
- 8.4 数据排序分析
- 8.4.1 构建排序提示
- 8.4.2 排序注意事项
- 8.5 数据修改
- 8.5.1 数据修改提示
- 8.5.2 数据修改注意事项
- 8.6 数据删除
- 8.6.1 数据删除提示
- 8.6.2 数据删除注意事项
- 8.7 多表关联分析
- 8.7.1 多表关联提示
- 8.7.2 多表关联注意事项
- 8.8 字符串处理
- 8.8.1 字符串处理提示
- 8.8.2 字符串处理注意事项
- 8.9 日期、时间数据处理
- 8.9.1 日期、时间数据处理提示
- 8.9.2 日期、时间数据处理注意事项
- 8.10 窗口函数
- 8.10.1 窗口函数分析提示
- 8.10.2 窗口函数分析注意事项
- 8.11 报表分析
- 8.11.1 构建报表分析提示
- 8.11.2 报表分析注意事项
- 8.12 NULL值处理
- 8.12.1 NULL值处理提示
- 8.12.2 NULL值处理注意事项
- 8.13 集成Python数据分析
- 8.13.1 集成的方式
- 8.13.2 连接到数据库
- 8.13.3 调用SQL
- 8.13.4 数据处理
- 8.13.5 数据可视化
- 8.14 SQL集成GPT
- 8.14.1 总结SQL提示内容
- 8.14.2 sql-translator产品介绍
- 8.14.3 sql-translator运行方式
- 8.14.4 SQL集成GPT产品化探讨
- 第9章 基于提示工程应用概率和统计
- 9.1 应用思路
- 9.1.1 Python概率和统计
- 9.1.2 数据分析场景
- 9.2 基本概念
- 9.2.1 什么是概率
- 9.2.2 随机变量
- 9.2.3 什么是统计
- 9.2.4 统计量
- 9.3 离散型随机分布
- 9.3.1 伯努利分布
- 9.3.2 二项分布
- 9.3.3 几何分布
- 9.3.4 泊松分布
- 9.4 连续型随机分布
- 9.4.1 正态分布公式
- 9.4.2 正态分布可视化
- 9.4.3 正态分布标准化
- 9.4.4 正态分布应用
- 9.5 线性回归分析
- 9.5.1 线性回归模型
- 9.5.2 学习线性回归模型
- 9.5.3 应用回归分析
- 9.6 时间序列分析
- 9.6.1 时间序列分析模型
- 9.6.2 学习时间序列模型
- 9.6.3 应用时间序列分析
- 第10章 基于提示工程应用生产力工具
- 10.1 Excel数据处理
- 10.1.1 Excel测试数据
- 10.1.2 Excel文件处理
- 10.1.3 Excel格式
- 10.1.4 Excel公式
- 10.1.5 Excel自动化
- 10.2 思维导图
- 10.2.1 认识markmap和思维导图
- 10.2.2 学习和知识组织
- 10.2.3 创意思考和问题解决
- 10.2.4 项目管理和计划
- 10.2.5 会议和讨论记录
- 10.3 图片编辑
- 10.3.1 AI绘图
- 10.3.2 操作步骤
- 10.3.3 图像处理
- 10.3.4 图层操作
- 10.3.5 文本操作
- 10.4 流程编辑
- 10.4.1 流程图
- 10.4.2 泳道图
- 10.4.3 时序图
- 10.4.4 类设计图
- 10.4.5 网络拓扑图
- 第11章 国产大语言模型
- 11.1 大语言模型通用提示技巧
- 11.1.1 提示的局限
- 11.1.2 通用提示技巧
- 11.1.3 通用提示框架
- 11.2 介绍国产大语言模型
- 11.2.1 国产大语言模型代表
- 11.2.2 国产大语言模型使用方式
- 11.3 应用国产大语言模型
- 11.3.1 星火大模型
- 11.3.2 百川大模型
- 11.3.3 文心一言
- 附录1 部分国产大语言模型
- 附录2 国产大语言模型的发展
展开全部
评分及书评
尚无评分
目前还没人评分
出版方
北京大学出版社
北京大学出版社是在1979年，经国家出版事业管理局同意，教育部批准成立的，恢复了北京大学出版社建制。北京大学出版社依靠北大雄厚的教学、科研力量，同时积极争取国内外专家学者的合作支持，出版了大量高水平、高质量、适应多层次需要的优秀高等教育教材。 北大出版社注意对教材进行全面追踪，捕捉信息，及时修订，以跟上各学科的最新发展，反映该学科研究的最新成果，保持北大版教材的领先地位。
