OpenAI和DeepLearning.AI最新的指令工程课程，能给我们带来什么？
目前，有很多关于LLM Prompting的文章，但大多聚焦在ChatGPT的网页用户界面上，仅用于完成特定的一次性任务。
而LLM的真正力量在于开发人员可以通过API调用来快速构建软件应用程序，似乎这一点还没有得到足够重视。
所以这门课程由此而生，它主要介绍如何利用ChatGPT等大型语言模型(LLM)进行开发。
在这门课程中，以几大指令主题配合Jupyter环境下的实战，主要讲述如何利用LLM API，可以让开发者快速构建的各种可能性，以及最佳实践方法。
当前LLM主要有两种，Base LLM和指令调优LLM。Base LLM通过训练大量互联网数据来预测下一个单词。而指令调优LLM经过进一步训练，可以更好地遵循指令。
由于指令调优LLM被专属训练，因此更适合实际应用。而这门课程重点讲述的是指令调优LLM的最佳实践。
使用指令调优LLM时，需要提供清晰明确的指令，如果指令不够明确和精准，即便再聪明的人也帮不了你什么。这也是当你发现LLM不起作用时，原因往往是指令不够清晰，或者说你的问题不够精准。
这个课程就是为了尝试解决此问题，包含如下主题：软件开发过程中最佳Prompting方法，然后介绍常见的使用案例，如迭代、摘要、推理、转换和扩展，最后实战案例用LLM构建一个聊天机器人。
接下来理论和实践的结合，把Jupyter环境准备好，即可开始～
指令工程向导
迭代指令实践
Summarizing实践
Inferrring实践
Transforming实践
Expanding实践
聊天机器人实践
在Jupyter中，你可以探索如何利用聊天格式与针对特定任务或行为，进行个性化或专门化的聊天机器人进行扩展对话。
授课团队来自DeepLearning AI的Andrew Wu和OpenAI Isa Fulford，以及相关工程师。
由于此前学习过吴恩达的Machine Learning和Deep Learning，基本对他的课程都是无条件支持和学习。
大家可以学习一下，看是否有所收获～
原创文章，作者：门童靖博士，如若转载，请注明出处：https://www.agent-universe.cn/2023/04/11819.html
