即刻App年轻人的同好社区
下载
App内打开
MSDN
1关注0被关注0夸夸
MSDN
2年前
MSDN
3年前
MSDN
3年前

开研OpenResearch: 📌【新一代开发工具！GPT-Engineer获GitHub1.2k+ stars！】 GitHub上的又一开源项目GPT-Engineer获得1.2K+ stars，该项目旨在彻底改变代码生成和自定义。 GPT-Engineer具备以下特征： 1、适应性强、动态发展 2、在短短几分钟内就可以迭代几个输出，以获得最佳的编码应用程序 3、个性化您的人工智能代理以了解您的编码偏好 4、GPT Engineer的配置环境也非常简单 它简化了创建软件的过程。你只需要提供一个prompt，GPT 工程师将根据需要要求澄清，然后再生成针对您选择的编码风格和功能定制整个代码库。 具体而言，GPT-Engineer 是一个 AI 代理，其代码库生成步骤如下： ▸ 提出澄清性问题（clarifying question） ▸ 生成技术规格 ▸ 编写所有必要的代码 ▸ 轻松添加自己的推理步骤、修改和实验 ▸ 让您在几分钟内完成编码项目 GPT-Engineer：https://github.com/AntonOsika/gpt-engineer

00
MSDN
3年前
MSDN
3年前

志达: 新玩具来啦～最近在模型炼丹，觉得法律的这个专业领域挺有意思，正好手头有些数据饲料，于是就做了「张三」 https://zhangsan.app 这个专业法律咨询的类 chatgpt 小产品。卖点如下: 1. 解决了 gpt 的 hallucination 幻觉问题，3.5 基本上法条都是编的，gpt 4 好一些但还是有些胡编乱造，尤其是判例； 2. 暂时用了80w 个判例来训练，效果还行，做到了回答一定要严格给出法条和案例的依据，而且案例可直接查看。如果有需要可以陆续加到千万级别； 3. 基本上达到了普通律师咨询服务的可信度，可以放心用，需要隐私保密的也请放心，支持游客提问。 加班几天复用了原来fsys的不少设计，有点简陋，去掉了注册要求，游客也有5 次提问机会，估计很多 edge case 处理的不太好，有 bug 请大家反馈。

00
MSDN
3年前
MSDN
3年前

vigorxu: ChatGPT+麦肯锡方法论，快速了解一个行业 原文链接：https://ki6j1b0d92h.feishu.cn/wiki/E4I1wSQY6i2GxAkMANuc0E8anRd?from=from_copylink 想知道如何快速了解和学习一个全新行业吗，一篇图文手把手教会你，用AI加持麦肯锡方法论，只需几天时间就能让你速成“行业专家” 受乔木大佬的启发，简单记录一下👇 一、什么是麦肯锡方法论 该方法论囊括了各种解决商业问题的技巧，比如“MECE原则”、“事实驱动原则”和“80/20原则”等等，我们今天不研究太深，只需要从中提取出如何快速了解一个行业的关键点，并通过AI的能力快速掌握并实践。 二、如何快速了解一个行业 第1步是总结行业的100个关键词。 第2步是找三五个专家访谈，了解各种行业问题。 第3步是找三五本行业专业书籍，仔细阅读并找出共性。 三、了解行业概况（Prompt在原文中） 第一步：让ChatGPT给出50个关键字 第二步：对关键词进行分类归纳 第三步：对关键词进一步分类并梳理学习优先级 第四步：了解行业宏观上下游 第五步：绘制行业知识框架导图 四、加深行业理解 在这里我将推荐一些可以大大提高阅读文献速度的AI工具给大家，将ChatGPT与PDF相结合，通过聊天的方式获取文档中的知识要点。 1、ChatGPT插件：“AskYourPDF” 2、ChatDOC——AI文档工具 3、更多AI文档工具 五、总结 总的来说，学习如何将AI能力与麦肯锡三大步骤结合实现快速学习一个行业，关键点就在于通过ChatGPT获取行业关键字，并进行分类梳理得出行业的学习路径；其次我们还掌握了将AI能力融入到文档阅读的技巧，将ChatGPT那强大的检索、理解和总结能力为我们所用，进一步加快和加深对行业的认知和理解

00
MSDN
3年前

放牛班的春天1991: 分享一个chatgpt的创意用法 之前，学习过麦肯锡的“100关键词”方法来掌握一个新领域。但是，这种方法需要高昂的时间成本和高超的搜索能力，ChatGPT出现后，我进行了不断的测试和总结，现在已经开发出了一套使用ChatGPT的方法，只需两个小时即可像行业专业人士一样深入了解一个行业，实现快速掌握行业的基础知识和趋势的目标。 以人工智能为例 第一个问题 你知道麦肯锡咨询公司中有一个咨询顾问用来快速了解某个行业的方法，就是搞懂某个行业的100个关键词?作为一个小白，你可以为我介绍一下这个方法吗? 目的:是让他先了解这个方法，与我有一个共同的认识，接下来他就知道你要的100个关键词是用来了解一个新领域的，所选的关键词会更有指向性，如果不问这个问题，它给出来的关键词会有所不同。 回答见图一 第二个问题 我现在想了解最近非常火的人工智能，根据现有各项调查、行业报告、新闻、研究论文，帮我整理出了解人工智能的100个关键词，同时根据关键词的关联性的强弱进行分类，分为5-8个类别。 目的: 节省了大量的搜索，判断，筛选，整理的时间和精力，可以轻松搜集到100个关键词，也许你会担心自己没有去阅读那些调查，报告和论文，会有很大的信息损失。其实不然，对于一个新了解行业的人来说，看长篇专业性很强的报告或者论文，只是徒增脑力的负担，现在了解100个关键词，为的就是为以后自己去读该领域专业性文章打基础。同时它为我们梳理了关键词的结构，便有了基础框架。 回答见图二 第三个问题 以上100个关键词，都用一句话帮我定义或者概述。 目的:为的是收集到这100个关键词的准确清晰的含义，以便于我们去记忆理解，由于生成字数的限制，需要在他停止的时候，输入请继续。当你熟悉这些一句话定义的关键词，你在输出的时候，无论对专业人士还是小白，专业的人设一下就立住了。完成这个问题后，你可以选择复制粘贴到飞书或者幕布形成一个思维导图。 tips:如果你在阅读这些关键词的一句话定义时，有不理解的，你可以提出你的疑问，让他以类比或举例的方式进行解释说明，帮助你理解。 回答见图三 第四个问题: 目前，在全球的研究人工智能领域的公司或者机构中，技术比较领先的前十位是哪些? 目的:搞清楚领域的头部玩家，如果你还想了解这些公司或机构的优劣势，你可以进一步提关于这方面的问题。 回答见图四 第五个问题 哪些关键技术的突破，才会有 人工智能的出现?和目前来说，阻碍人工智能进一步发展的要素有哪些？我们是否有好的解决方法? 目的:了解关键技术的发展，目前的阻碍要素，可能的解决方案，是可以帮助我们我们理解和预测行业变迁。 回答见图五 第六个问题 作为一个对人工智能有一定了解的人，我该如何和人工智能领域专业人士聊哪些问题，他们会比较关心和感兴趣，更愿意分享。 目的:进入一个新领域时，和该领域的专业人士请教的时候，可以通过chatgpt提供的问题来大家话匣子，进入到聊天的状态后，专业人士分享的思考和看法，对我们增加对该领域的了解非常有帮助的，同时你的一些疑问，也能得到建设性回答。 回答见图六

00
MSDN
3年前

云中江树: LangGPT —— 让人人都能编写高质量 Prompt 要用好现有大模型的能力严重依赖高质量 prompt， 然而编写高质量 prompt 在现阶段还是个手艺活，太依赖个人经验。 虽然也有许多个人自发分享的 prompt 方法、框架，以及吴恩达老师的 prompt 教程，但是现有 Prompt 创建方法还是有各种各样的缺点： 1. 缺乏系统性：大多是细碎的规则，技巧，严重依赖个人经验 2. 缺乏灵活性：对他人分享的优质 prompt 进行调整需要直接修改 prompt 内容 3. 缺乏交互友好性：优质 prompt 的配置和使用太复杂，有时往往还要学习 prompt 用法 4.未充分考虑大语言模型的下列特性： （1）偏好分点、条理性叙述 （2）长对话会出现遗忘问题 （3）不同语言间性能存在差距 这也是为什么大家爱收集，分享一些久经考验的 prompt 的原因之一。 随着 GPT-4 模型出来，对 prompt 的依赖有所降低，同时其更强大的基础能力为编写更强大的 prompt 提供了良好的基础，优质的 prompt 能力越来越强大，也越来越复杂。 prompt 编写越来越像 AI 时代的编程语言。 那么有没有可能像学编程一样，掌握一些基础规则和概念，掌握一些编程模式（类似面向对象的编程），即可高效的编写出表现良好稳定的 prompt——即 prompt 编程？ 经过初步探索和实验，我们设计了 LangGPT，希望在 prompt 的编程法上迈出一小步。 使用 LangGPT 为大规模生产高质量prompt提供了可能，它有下面的优点： 1. 系统性：提供“模板”，按照模板填鸭式写上相应内容即可 2. 灵活性：可以使用“变量”，轻松引用、设置和更改 prompt 中的内容，可编程性好 3. 使用命令，轻松设置、执行预定义行为，可以无损性能情况下轻松设置中英文切换 4. 交互友好：“工作流” 轻松定义与用户交互，角色行为等，轻松引导用户使用 5. 充分利用大模型能力： （1）模块化配置 （2）分点条理性叙述 （3）Reminder 缓解长期记忆缺失问题 LangGPT 的两个关键语法 1. LangGPT 变量： 我们发现 ChatGPT 可以识别各种良好标记的层级结构内容。大模型可以识别文章的标题，段落名，段落正文等层级结构，如果我们告诉他标题，模型知道我们指的是标题以及标题下的正文内容。 这意味着我们将 prompt 的内容用结构化方式呈现，并设置标题即可方便的引用，修改，设置 prompt 内容。可以直接使用段落标题来指代大段内容，也可以告诉ChatGPT修改调整指定内容。这类似于编程中的变量，因此我们可以将这种标题当做变量使用。 Markdown 的语法层级结构很好，适合编写 prompt，因此 LangGPT 的变量基于 markdown语法。实际上除 markdown外各种能实现标记作用，如 json,yaml, 甚至好好排版好格式 都可以。 变量为 Prompt 的编写带来了很大的灵活性。使用变量可以方便的引用角色内容，设置和更改角色属性。这是一般的 prompt 方法实现起来不方便的。 2. LangGPT 模板： ChatGPT 十分擅长角色扮演，大部分优质 prompt 开头往往就是 “我希望你作为xxx”，“我希望你扮演xxx” 的句式定义一个角色，只要提供角色说明，角色行为，技能等描述，就能做出很符合角色的行为。 如果你熟悉编程语言里的 “对象”，就知道其实 prompt 的“角色声明”和类声明很像。因此 可以将 prompt 抽象为一个角色 （Role），包含名字，描述，技能，工作方法等描述，然后就得到了 LangGPT 的 Role 模板。 使用 Role 模板，只需要按照模板填写相应内容即可。 除了变量和模板外，LangGPT 还提供了命令，记忆器，条件句等语法设置方法。 3. LangGPT 咒语生成器 值得一提的是，我们基于 LangGPT 设计了 LangGPT 助手来帮助大家使用 LangGPT, 它会帮助你设计很好的咒语 LangGPT 还在探索开发阶段，有问题欢迎反馈，更欢迎更多的人参与进来！ 项目链接： https://github.com/yzfly/LangGPT

00
MSDN
3年前

Causality_Z: 关于LLM自生成数据集，Sam Altman也说他们几乎不需要人工标注了。在开源拥有更多可能性的图景中，直接生成更高质量的数据集也成为趋势。 目前看到最新颖的相关研究是上个月微软和北大的WizardLM（基于开源的LLaMa 7B）【https://arxiv.org/abs/2304.12244】，模型能力上，复杂表现能够超越GPT3.5；研究方面也是少有的系统性地呈现自训练数据集的探索。 WizardLM把扩展数据集完全交给LLM。利用一个「精心设计」的prompt，模型自主将一个简单的问题/指令扩展、深化、复杂化。比如，可以从简单指令“1+1=？”扩展出更复杂、更具有难度的指令（图1）。简单翻了一下他们的prompt（虽然原本就是中国人写的XD）。 开玩笑地说，自生成数据集的路上，我们向着被LLM替代又近了一步。下一步很可能就是让LLM更有参照性地自生成prompt来自监督指令扩展，从而让训练更具效率。 * 这两天和老前辈工程师“友好交流”了LLM的表现，上一辈的技术人员相信精细的工艺和细末的细节，这是工业化的传统沉浸在程序和端口中的习性。但LLM明显更像一种认知体系、一种逻辑和行为的重塑框架，遵循着LLM，我们会走到更宏观的、边界模糊的世界中去吗？虽然有些过分乐观，但我常常“不得不”这样想。

00