人工智能学习——华为AI Day10

一、如何让AI更好的理解人类语言？

1、提示词Prompt

如何创建好的Prompt？
遵守原则——CRISP原则
作用：该框架本质是思维工具而非教条，实际效果取决于对人物本质的理解深度，细节约束比角色定义更关键，
而情感类交互优先强化角色代入。

i.Context情境设定

例：假设你是资深营养师，面相亚健康上班族群体。
注意：给出具体的目标、场景；

ii.Role角色定义

AI所需要模拟的角色。
正确说法：作为区块链技术专家，用类比方式解释。需要把角色的特征描述的越详细越好。

iii.Instruction明确指令

结构化模版：
                请完成：
                要求包括：
                - 要素1：
                - 要素2：
                输出格式：

iv.Specificity细节约束

计划可能出现的错误类型，指定详细的限制条件；
示例：举例5个2024年新出现的SaaS商业模式，每个需包含：
目标客户画像
核心价值主张
技术实现路径

v.预防偏差

预设可能出现的错误类型及修正指令。
避免使用专业术语，需要通过xxxx案例说明。

 

2、思维链CoT（Chain of Thoughts）

i.概述

一系列短句逐步描述推理逻辑，将复杂推理分解为一系列中间步骤，链式一次解决。
比如：Deepseek 深度思考
　　　　kimi　　深度思考

ii.优点和缺点

优点：加强模型推理能力，增强答案的可解释性、可控性。
缺点：

• 存在事实幻觉问题。如果前面错了，后面按思路无法纠偏；
• 约束了大模型原有思维；
• 对指令涉及有一定要求。

iii.适用人物和场景

需要多步骤推理才能完成的复杂任务。

应用场景：

• 工单审核
• 数据质量管理（数据清洗、数据血缘追踪等）
• 论文分析
• 数据计算
• 决策

iv.优势

现在KIMI和Deepseek的深度学习中，通过模型一步步的慢慢思考，通过中间步骤验证准确性。
COT更适合结构化明确的问题（如：数学计算）而对开发性创意任务可能产生反效果，实际应用通过AB测试最优提示策略。

3、检索增强式生成RAG

i.概述

RAG（检索增强生成）是一种让AI更“靠谱”的技术，简单来说就像给大模型配了个实时更新的知识库助手。

RAG大模型类似图书馆，可以通过数据库进行思考，或者通过外部摘录数据，整合成完整的文档回复用户的问题；

RAG动态更新数据库，与SFT互补；

RAG：输出格式固定、企业内部数据安全
SFT：外部开放域、微调、领域专家知识、专业；
注意：两个结合使用，可以互补；

 

防“AI瞎编”、破“信息茧房”、省“训练成本

思考：今天温度怎样？今天有哪些娱乐新闻？xx公司内部对于三级违规的惩罚制度是什么样的？
上述问题，基于Prompt，模型能够回复吗？
知识存在边界，无论如何沟通都无法获得需要的回答，这时候表明触及模型知识边界，需要用到RAG。

ii.核心原理

• 检索：当有用户提问时，系统会先像搜索引擎一样，从数据库/文档库中快速找出相关段落（比如最新政策或企业私密数据）；
• 增强：把这些新鲜资料打包成“参考资料”喂给大模型；
• 生成：大模型结合自身语言能力+刚查到的资料生成回答；