核心知识点脑图如下：
1、第一讲：课程介绍
- 要点1：
上图展示了两种大型语言模型（LLMs）的对比：基础语言模型（Base LLM）和指令调整语言模型（Instruction Tuned LLM）。
基础语言模型（Base LLM）
功能：基础语言模型能够预测下一个单词，这种预测是基于文本训练数据。
例子：图中提供了一个故事的开头：“Once upon a time, there was a unicorn that lived in a magical forest with all her unicorn friends（中文释义：从前，有一只独角兽和她所有的独角兽朋友住在魔法森林里）”，这展示了模型如何根据给定的文本继续生成故事。问答能力：它能够回答基础的问题，例如“法国的首都是什么？”，但它可能会产生问题文本，如有害输出，这些输出与基础语言模型的性质有关，因为它们仅基于预测下一个最可能的单词，而不是遵循特定的指令。
指令调整语言模型（Instruction Tuned LLM）
- 功能：这种模型试图遵循指令，它通过在指令上进行微调（fine-tuning，周鸿祎大佬经常讲），并在尝试遵循这些指令时进行优化。
- 微调方法：使用RLHF（Reinforcement Learning with Human Feedback，中文释义：人类反馈强化学习）进行微调，即结合强化学习和人类反馈。
- 三H原则：帮助（Helpful）、诚实（Honest）、无害（Harmless）。
例子：当问到“法国的首都是什么？”时，指令调整的模型会更准确地回答“法国的首都是巴黎”。
总结来说，图中的主要区别在于基础模型侧重于文本数据的下一个词预测，而指令调整模型则侧重于理解和遵循指令，提供更准确、更有用、更安全的输出。
2、第二讲：使用准则
- 要点1：好提示词的第一个原则——写出清晰且准确的提示
指令必须清晰的三个核心原因：
核心一——避免歧义：清晰的指令让机器没有猜测的空间，可以直接执行。
核心二——提高效率：清晰的指令可以让机器快速理解并采取行动，节约时间。
核心三——确保结果准确：指令清晰可以确保机器提供的结果是我们所期待的。
- 要点2：好提示词的第一个原则——给大模型思考的时间
要点2所说的“给大模型思考的时间”，其实是在指导我们如何更高效地与大型语言模型（如我）进行交互。
下面是三个核心要点的解读：
（1）等待模型回应：
模型需要时间处理你的请求和生成回答，就像你向朋友提问后要等待他们思考并回答一样。
（2）避免打断：
在模型回答之前不要急于提出新问题，这就像不打断别人说话，给对方完成表达的机会。
这个一般模型也不允许。
（3）逐步提问：
如果有复杂的问题，可以分步骤提问，让模型逐一解决，就像解难题一样，一步一个脚印来解答。
这是最核心的，大问题务必精准拆解成小问题，且根据回复逐步调优。
3、第三讲：提示词不是一步到位的，而通过反复迭代逐步完善的。
吴恩达老师“这幅图展示了一个名为“迭代式提示开发”的循环流程图，它代表一个反馈循环，用于改进和完善提示（可能是编程、数据输入或任何需要精确指示的场合）的质量。流程由四个主要部分组成：
1、Idea（想法）: 这是流程的开始阶段，你需要有一个初始想法或设计，这将成为你的起始点。
2、Implementation (code/data) Prompt（实现（代码/数据）提示）: 根据想法，你会创建一个初步的提示，如果是编程领域，可能是编写代码或准备数据输入。
3、Experimental result（实验结果）: 使用你的提示进行实验后，你将获得某些结果，这些结果可能会或不会符合你的预期。
4、Error Analysis（错误分析）: 如果结果不符合预期，你需要进行错误分析，查找为什么会出现这样的结果，可能是提示不够清晰、具体或存在逻辑错误。
这个过程是迭代的，意味着你会不断重复这个循环，每一次都根据之前的反馈来调整和改进你的提示，直到实验结果符合你的预期。
图下方的“Prompt guidelines”列出了优化提示时应遵循的指导原则：
1、Be clear and specific（要清晰和具体）: 提示需要有足够的详细信息，避免歧义——这点反复强调过了。
2、Analyze why result does not give desired output（分析为什么结果不符合预期输出）: 当结果不如意时，深入分析原因（模型会分析，咱们也不要坐等，要结合经验进行分析），理解导致结果偏差的因素。
3、Refine the idea and the prompt（改进想法和提示）: 根据分析结果调整你的想法和提示。
4、Repeat（重复）: 不断重复这一过程（反复迭代），每次都尝试提高提示的有效性。
这个流程是设计思维和敏捷开发的典型，强调持续改进和适应性。
4、第四讲：最兴奋的功能——文本总结
为大段文本形成摘要，以便我们快速的获取信息。
新版GPT4最多能让用户输入3万2千token（大概50页英文文字长度，网上说法大约25000字）。
5、第五讲：模型推理：
省去了早期开发需要自己训练模型的工作，现在一个API搞定！
6、第六讲：格式转化 Transforming
- Html 转 JSON等各种转换：原来咱们用复杂的正则，现在大模型API快速搞定。
- 校对写的所有内容：论文、评论、文稿等。
- 支持各种语言的翻译
- GPT4 的图片转文本，文本转图片功能也非常强大。
7、第7讲：文本扩写
- Chatgpt可以作为头脑风暴的伙伴，基于我们的提示词展开文本扩写。
- 建议负责任的使用，比如：不要生成垃圾邮件。
- 可用于文档助理，比如：邮件助理。
8、第8讲：自定义聊天机器人
用途举例：
- AI 客服助理；
- 餐厅AI接单员
等等......
注意：角色的设定很重要。
9、小结
9.1 写出好的提示词的两个核心要点
- 1、写出清晰和具体指令的重要性
- 2、给予模型足够的时间来“思考”。
9.2 迭代式提示开发
这是一种通过不断优化和细化提示来改进模型响应的方法。
9.3 模型的几项能力
- 总结
- 推断
- 转换
- 扩展信息。
这些能力在构建聊天机器人时尤为重要，它们使得机器人能够处理各种任务，从理解和回应用户输入到生成新的内容。
模型非常有趣，可以放心去玩！！——咱们就是得多用，才能知道怎么更好得使用用！
10、中英文字母视频地址
https://www.bilibili.com/video/BV1s24y1F7eq
