本書旨在探討AI提示工程(通常簡稱提示工程或Prompt工程)在各領域的應用。大語言模型是人工智能領域的重要成果，在自然語言處理和生成任務中發揮著重要的作用。讀者通過深入了解和應用提示工程，能充分挖掘和利用大語言模型的潛力，提升效率、促進創新，并解決實際問題。本書涵蓋人工智能發展歷程，提示工程的概念和設計原則、策略和技巧、不同領域的典型應用，以及數據分析與挖掘領域的應用。本書旨在以通俗易懂的方式呈現復雜概念和技術，并通過案例和實踐指導，幫助讀者掌握和應用提示工程，以取得更好的成果。本書適合從事AI提示工作的人員閱讀，也可以作為各類學校相關課程的教材，還可以作為提示工程培訓用書。
萬 欣，中國電子信息行業聯合會數字經濟專委會學術委員，武漢紡織大學大數據與效益制造中心主任，碩士生導師，湖北省一流課程“商務智能”負責人；畢業于日本電氣通信大學，社會智能信息學博士，主要研究方向有商務智能、機器學習、數據挖掘等；曾就職于國內外多家上市公司，從事技術研發、軟件開發工作；在大數據分析與挖掘領域教學與實踐經驗豐富。
目 錄
第1章 智領未來—走近大語言模型
1.1 人工智能的發展歷程
1.2 機器學習與深度學習
1.3 自然語言處理
1.3.1 大語言模型
1.3.2 機器翻譯與文本生成
1.4 大語言模型
1.4.1 Transformer與大語言模型
1.4.2 GPT及ChatGPT
1.5 小結
第2章 提示工程概述
2.1 提示工程的概念和作用
2.2 提示信息的設計原則和框架
2.2.1 清晰具體的提示
2.2.2 給模型思考的時間
2.2.3 提示信息的設計原則
2.2.4 提示框架
2.3 提示工程在人工智能生成內容(AIGC)中的應用
2.3.1 文本生成任務
2.3.2 圖像生成任務
2.3.3 音頻生成任務
2.3.4 其他生成任務
2.4 提示信息的評估
2.5 小結
第3章 提示工程的策略和技巧
3.1 提高提示信息量
3.1.1 零樣本提示(Zero-Shot Prompting)
3.1.2 單樣本提示(1-Shot Prompting)
3.1.3 少樣本提示(Few-Shot Prompting)
3.1.4 鏈式思維提示(Chain-of-Thought Prompting)
3.1.5 生成知識提示(Generated Knowledge Prompting)
3.2 提升一致性
3.2.1 自我一致性提示(Self-Consistency Prompting)
3.2.2 思維樹提示(Tree of Thought Prompting)
3.3 其他策略和技巧
3.3.1 結合其他能力
3.3.2 主動學習
3.3.3 強化反饋提示
3.4 反向提示工程(Reverse Prompt Engineering)
3.5 協作技巧
3.6 小結
第4章 提示工程的典型應用
4.1 職場效率手冊
4.1.1 求職招聘
4.1.2 高效辦公
4.1.3 職場溝通
4.2 大型創作：大語言模型輔助編寫一部書
4.2.1 擬定提綱
4.2.2 前言寫作
4.2.3 實驗開發
4.2.4 優化章節標題
4.2.5 每章小結
4.2.6 創建實訓
4.2.7 設置特別內容
4.2.8 處理內容中斷問題
4.2.9 調整生成的代碼
4.2.10 創建原創數據實驗
4.2.11 報錯處理、錯誤解析和自動糾錯
4.3 提示工程在知識領域的應用
4.3.1 自我修煉導師
4.3.2 助力文獻閱讀
4.3.3 研究問題發掘
4.3.4 多角色任務執行
4.4 小結
第5章 提示工程賦能數據分析與挖掘
5.1 數據收集的提示技巧
5.2 數據清洗技巧
5.3 數據探索技術
5.4 數據可視化技術
5.5 數據分析方法與模型
5.6 小結
第6章 提示工程數據分析實戰：零代碼、SQL和Python
6.1 案例：基于市場數據的產品分析與決策(零代碼)
6.2 案例：銷售數據分析與挖掘(SQL)
6.3 項目實戰：武漢房價分析(Python)
6.4 小結
結語
參考文獻
新書資訊