提示工程是一门相对较新的学科,旨在开发和优化提示,以有效地使用语言模型(LMs)用于各种应用和研究课题。提示工程技能有助于更好地了解大型语言模型(LLMs)的功能和局限性。
提示工程可用来提高 LLMs 在各种常见和复杂任务(如问答和算术推理)上的能力,设计与 LLMs 和其他工具接口的稳健有效的提示技术。
受到开发 LLM 的高度兴趣的推动, 创建了这提示工程指南材料集合,其中包含了所有与提示工程相关的最新论文、学习指南、讲座、参考资料和工具。 (暂时我会每三天更新)
目前大部分的内容翻译於 dair-ai (https://github.com/dair-ai/Prompt-Engineering-Guide)
-
dair-ai 笔记本和幻灯片皆包含其中。
-
平台 (体验过推荐的)
- LangChain - 将LLM与其他计算或知识来源相结合
- LlamaIndex - 轻松将 LLM 与您的外部数据连接起来,消除对提示大小限制的担忧。
- Lexica - Stable diffusion的搜索引擎
- PromptPerfect - 提示优化器,专为大型语言模型 (LLM)、大型模型 (LM) 和 LMOps 设计。
- PromptHero - 提示搜寻平台,可通过高质素的 AI 生成图像,回溯用家所输入的提示。
- Promptbase - 买卖「提示」平台,提示工程师靠出售专业提示获取收益,每个售价由 1.99 美元到 5 美元不等,平台可从每宗交易得到 20% 分成,但平台终究不能阻止买家免费公开「提示」
- Prompt Engine - 这个 repo 包含一个 NPM 实用程序库,用于创建和维护大型语言模型 (LLM) 的提示。
- promptly - 为提示编写和运行测试并自信地部署更改。
- Saxifrage - 视觉提示生成器
以下是dair-ai 开发的提示工程指南。 dair-ai 指南正在研发中。(暂时我会每三天更新)
- Prompt Engineering - Introduction
- Prompt Engineering - Basic Prompting
- Prompt Engineering - Advanced Prompting
- Prompt Engineering - Applications
- Prompt Engineering - ChatGPT
- Prompt Engineering - Adversarial Prompting
- Prompt Engineering - Reliability
- Prompt Engineering - Miscellaneous Topics
- AI 测试厨房
- 更好的提示
- DreamStudio
- DUST
- Dyno
- EveryPrompt
- GPT 索引
- GPTTools
- hwchase17/对抗性提示
- 交互式作曲探索器
- LangChain
- LearnGPT
- Lexica
- 织轴
- Metaprompt
- OpenAI playground
- OpenPrompt
- Playground
- Prodia
- Prompt Base
- Prompt Engine
- OpenAI 的 DALL-E 2 的提示生成器
- Promptable
- PromptInject
- Prompts.ai
- PromptSource
- Scale SpellBook
- sharegpt
- ThoughtSource
- 可视提示构建器
- Anthropic 的 Red Team 数据集, (paper)
- Awesome ChatGPT 提示
- DiffusionDB
- Midjourney Prompts
- P3 - 公共提示池
- PartiPrompts
- Real Toxicity Prompts
- Stable Diffusion Dataset
- WritingPrompts
以下是关于提示工程的最新论文(按发布日期排序)。我们每天更新这些论文,并添加新的论文。我们每周都会将这些论文的摘要添加到上面的指南中:
-
调查/概述 Surveys / Overviews:
- 增强语言模型的探索(2023 年 2 月)
- 上下文学习调查(2022 年 12 月)
- 朝着大型语言模型的推理:一项调查(2022 年 12 月)
- 大型语言模型的新兴能力(2022 年 6 月)
- 文本到图像生成的提示修饰器分类(2022 年 4 月)
- 训练、提示和预测:自然语言处理中提示方法的系统调查(2021 年 7 月)
-
技术/方法 Approaches/Techniques:
-
可扩展的语言模型半监督学习提示生成(2023 年 2 月)
-
通过提示约束界定大型语言模型在开放文本生成中的能力范围(2023 年 2 月)
-
À-la-carte Prompt Tuning(APT):通过可组合的提示结合不同的数据(2023 年 2 月)
-
GraphPrompt:图形神经网络的预训练和下游任务的统一(2023 年 2 月)
-
大型语言模型在道德自我纠正中的能力(2023 年 2 月)
-
SwitchPrompt:为低资源域中的分类学习领域特定的门控软提示(2023 年 2 月)
-
评估离散提示的鲁棒性 (Feb 2023)
-
上下文学习的组合示例 (Feb 2023)
-
硬提示变得容易:基于梯度的离散优化用于提示调整和发现 (Feb 2023)
-
多模态连锁思维推理在语言模型中 (Feb 2023)
-
大型语言模型容易被无关的上下文分散注意力 (Feb 2023)
-
合成提示:为大型语言模型生成思维演示 (Feb 2023)
-
渐进提示:语言模型的持续学习 (Jan 2023)
-
批处理提示:LLM API 的高效推理 (Jan 2023)
-
再想想,让我们不要一步一步地思考!零点推理中的偏见和毒性 (Dec 2022)
-
宪政 AI:来自 AI 反馈的无害性 (Dec 2022)
-
连续提示:解决复杂问题 (Dec 2022)
-
通过模型编写的评估发现语言模型行为 (Dec 2022)
-
结构提示:将上下文学习扩展至 1000 个例子 (Dec 2022)
-
PAL:程序辅助语言模型 (Nov 2022)
-
大型语言模型是人类级别的提示工程师 (Nov 2022)
-
忽略先前提示:语言模型的攻击技术 (Nov 2022)
-
机器生成文本:威胁模型和检测方法的综合研究 (Nov 2022)
-
通过上下文学习教授算法推理 (Nov 2022)
-
通过自然语言推理增强预训练语言模型的自我一致性和性能 (Nov 2022)
-
随便问问:提示语言模型的简单策略 (Oct 2022)
-
ReAct:在语言模型中协同推理和行动 (Oct 2022)
-
提示 GPT-3 可靠 (Oct 2022)
-
分解提示:解决复杂任务的模块化方法 (Oct 2022)
-
语言模型是贪婪的推理者:思路链的系统形式分析 (Oct 2022)
-
通过手工设计的对抗性例子评估预先训练语言模型的易感性(2022 年 9 月)
-
Promptagator:从 8 个例子中获取少量的密集检索(2022 年 9 月)
-
推动语言模型变得更好的推理者(2022 年 6 月)
-
大型语言模型是零点推理者(2022 年 5 月)
-
MRKL 系统:一种模块化的神经符号架构,结合大型语言模型,外部知识源和离散推理(2022 年 5 月)
-
通过生成提示的毒性检测(2022 年 5 月)
-
学习转移提示以用于文本生成(2022 年 5 月)
-
少量提示的文本推理说明的不可靠性(2022 年 5 月)
-
用于文本到图像生成的提示修改器分类(2022 年 4 月)
-
PromptChainer:通过可视化编程链接大型语言模型提示(2022 年 3 月)
-
自我一致性提高语言模型的思路链推理(2022 年 3 月)
-
重新审视示范的作用:什么使上下文学习成功?(2022 年 2 月)
-
想法链接提示引发大型语言模型的推理(2022 年 1 月)
-
展示你的工作:与语言模型中间计算的暂存器(2021 年 11 月)
-
基于生成知识提示的常识推理(2021 年 10 月)
-
多任务提示训练可实现零射击任务泛化 (Oct 2021)
-
重构指令提示以适应 GPTk 的语言 (Sep 2021)
-
文本到图像生成模型的设计准则 (Sep 2021)
-
使预训练语言模型成为更好的少样本学习器 (Aug 2021)
-
神奇有序的提示及其位置:克服少量提示顺序敏感性 (April 2021)
-
BERTese:学会与 BERT 交谈 (April 2021)
-
参数有效的提示调整的规模之力 (April 2021)
-
大型语言模型的提示编程:超越少量提示范式 (Feb 2021)
-
使用前校准:提高语言模型的少样本性能 (Feb 2021)
-
前缀调整:优化用于生成的连续提示 (Jan 2021)
-
AutoPrompt:通过自动生成的提示从语言模型中提示知识 (Oct 2020)
-
语言模型是少量学习者 (May 2020)
-
我们如何知道语言模型知道什么? (July 2020)
-
-
应用 Applications:
- 格林童话:使用 Midjourney 进行提示工程以诠释童话故事 (2023 年 2 月)
- LabelPrompt:有效的基于提示的关系分类学习 (2023 年 2 月)
- 深度神经网络的提示调整,用于说话人适应的视觉语音识别 (2023 年 2 月)
- 大型语言模型中的道德自我纠正能力 (2023 年 2 月)
- 多模态仇恨 Meme 分类的提示 (2023 年 2 月)
- PLACES:提示语言模型以合成社交对话 (2023 年 2 月)
- 基于常识的提示,用于可控的移情对话生成 (2023 年 2 月)
- 爬取语言模型的内部知识库 (2023 年 1 月)
- 法律提示工程,用于多语言法律判断预测 (2022 年 12 月)
- 探索扩散模型中的提示工程 (2022 年 11 月)
- 学习解释:通过思维链进行多模态推理,用于科学问题解答 (2022 年 9 月)
- 与 Copilot 交谈:探索使用自然语言解决 CS1 问题的提示工程 (2022 年 10 月)
- 驾驶 Copilot 和 Codex:高温、低提示,还是黑魔法? (2022 年 10 月)
- 从头开始编写情节预训练语言模型 (2022 年 7 月)
-
集合 Collections:
- 3 Principles for prompt engineering with GPT-3
- A beginner-friendly guide to generative language models - LaMBDA guide
- A Complete Introduction to Prompt Engineering for Large Language Models
- A Generic Framework for ChatGPT Prompt Engineering
- AI Content Generation
- Awesome ChatGPT Prompts
- Best 100+ Stable Diffusion Prompts
- Best practices for prompt engineering with OpenAI API
- Building GPT-3 applications — beyond the prompt
- ChatGPT, AI and GPT-3 Apps and use cases
- CMU Advanced NLP 2022: Prompting
- Curtis64's set of prompt gists
- DALL·E 2 Prompt Engineering Guide
- DALL·E 2 Preview - Risks and Limitations
- DALLE Prompt Book
- DALL-E, Make Me Another Picasso, Please
- Diffusion Models: A Practical Guide
- Exploiting GPT-3 Prompts
- Exploring Prompt Injection Attacks
- Extrapolating to Unnatural Language Processing with GPT-3's In-context Learning: The Good, the Bad, and the Mysterious
- Generative AI with Cohere: Part 1 - Model Prompting
- Giving GPT-3 a Turing Test
- GPT3 and Prompts: A quick primer
- How to Draw Anything
- How to get images that don't suck
- How to write good prompts
- Introduction to Reinforcement Learning with Human Feedback
- In defense of prompt engineering
- Language Models and Prompt Engineering: Systematic Survey of Prompting Methods in NLP
- Learn Prompting
- Methods of prompt programming
- Mysteries of mode collapse
- NLP for Text-to-Image Generators: Prompt Analysis
- NLP with Deep Learning CS224N/Ling284 - Lecture 11: Promting, Instruction Tuning, and RLHF
- Notes for Prompt Engineering by sw-yx
- OpenAI Cookbook
- OpenAI Prompt Examples for several applications
- Pretrain, Prompt, Predict - A New Paradigm for NLP
- Prompt Engineering 101 - Introduction and resources
- Prompt Engineering 101: Autocomplete, Zero-shot, One-shot, and Few-shot prompting
- Prompt Engineering 101
- Prompt Engineering - A new profession ?
- Prompt Engineering by co:here
- Prompt Engineering by Microsoft
- Prompt Engineering: The Career of Future
- Prompt engineering davinci-003 on our own docs for automated support (Part I)
- Prompt Engineering Guide: How to Engineer the Perfect Prompts
- Prompt Engineering in GPT-3
- Prompt Engineering Template
- Prompt Engineering Topic by GitHub
- Prompt Engineering: From Words to Art
- Prompt Engineering with OpenAI's GPT-3 and other LLMs
- Prompt injection attacks against GPT-3
- Prompt injection to read out the secret OpenAI API key
- Prompting in NLP: Prompt-based zero-shot learning
- Prompting Methods with Language Models and Their Applications to Weak Supervision
- Prompts as Programming by Gwern
- Reverse Prompt Engineering for Fun and (no) Profit
- So you want to be a prompt engineer: Critical careers of the future
- Simulators
- Start with an Instruction
- Talking to machines: prompt engineering & injection
- the Book - Fed Honeypot
- The ChatGPT Prompt Book
- Using GPT-Eliezer against ChatGPT Jailbreaking
- What Is ChatGPT Doing … and Why Does It Work?
如果你认为缺少了什么,欢迎提交一个 PR。也欢迎反馈和建议。