Navigate to WaytoAGI Wiki →
Home/Question List/Question Detail

我想学习调试情感bot的prompt

Answer

以下是关于调试情感 bot 的 prompt 的相关知识：

  • 在实验方面，在八个指令感应任务上评估情绪提示在零样本和少样本学习中的表现，涵盖语言理解的不同方面，在四个大型语言模型（ChatGPT、Vicuna-13b、Bloom、Flan-T5-Large）上进行测试，对于不同模型有相应的设置。零样本实验中情绪刺激可简单添加到原始提示中构建情绪提示，少样本上下文学习中评估与零样本相同的提示，并随机抽取 5 个输入-输出对作为上下文演示。基准测试将情绪提示与原始零样本和少样本提示、零样本思维链进行比较。数据集和任务包括情绪分析、句子相似性、原因选择等八个任务。
  • Prompt 是一段指令，用于指挥 AI 生成所需内容，每个单独的提示词叫 tag（关键词）。支持英语，emoji 也可用。语法规则包括用英文半角符号逗号分隔 tag，可改变 tag 权重，有两种设置权重的写法，还可进行 tag 的步数控制。

希望以上内容对您学习调试情感 bot 的 prompt 有所帮助。

Content generated by AI large model, please carefully verify (powered by aily)

References

小七姐：EmotionPrompt 精读翻译

我们在八个指令感应任务上评估情绪提示在零样本和少样本学习中的表现[Honovich et al.,2022]。这些任务涵盖了语言理解的不同方面：从简单的短语结构到相似性和因果关系识别。为了评估情绪提示的泛化性能，我们在四个大型语言模型（LLMs）上进行测试：ChatGPT、Vicuna-13b[Zheng et al.,2023b]、Bloom[Scao et al.,2022]和Flan-T5-Large[Chung et al.,2022]。对于ChatGPT，我们使用gpt-3.5-turbo模型，并将温度设置为0.7。对于其他LLMs，我们按照它们的默认设置进行所有实验。在零样本实验中，情绪刺激可以简单地添加到原始提示中以构建情绪提示。对于少样本上下文学习，我们评估与零样本相同的提示，并随机抽取5个输入-输出对作为上下文演示，这些将添加到提示之后。模板可描述为“提示/情绪提示+演示”。基准测试我们将情绪提示与两个基准测试进行比较，一个是指令感应[Honovich et al.,2022]中的原始零样本和少样本提示，由人类设计；另一个是零样本思维链[Kojima et al.,2022]。据我们所知，这是零样本提示工程中最简单有效的方法。数据集和任务我们在指令感应的八个任务上评估我们方法的效率[Honovich et al.,2022]：情绪分析（SA）、句子相似性（SS）、原因选择（CS）、求和、上下文中的单词（WC）、以...开始（SW）、较大的动物（LA）和首字母（FL）。这些任务的详细信息可以在表1中找到。对于每个任务，我们测试100个样本，除了原因选择，总共包含50个示例。我们从数据的剩余部分中选择少样本学习的上下文演示。

Prompt的专场教程-基础篇

一段指令，用于指挥AI生成你所需要的内容，每个单独的提示词叫tag（关键词）。[heading2]支持的语言[content]支持的语言为英语（不用担心英语不好的问题，[点击蓝字进入提示词字典](https://ops.jk.cm/#/apps/ops/)）另外注意emoji也可以用的?，好赞?，但是我不造用了emoji可以有什么好处hhh。[heading2]语法规则[content]1.用英文半角符号逗号,来分隔tag。注意逗号前后有空格或者换行都不影响效果，示例见下方代码块2.改变tag权重：注意tag的顺序越靠前对于SD来说权重越大，但是依旧可以给每个位置上的tag单独设置权重。而且还有两种写法。2.1.(tag:权重数值)：数值从0.1~100，默认状态是1,低于1就是减弱，大于1就是加强2.2.(…(tag)…)/[…[tag]…]：每加一层()括号，权重就重1.1倍，每加一层[]括号就反向减弱1.1倍.比如说括号加两层是1.1*1.1=1.21倍，三层是1.331倍……示例见下方代码块，两种方法都可以用，第一种清晰明确，第二种方便快捷。3.进行tagde步数控制（高级玩法，快试一试，可以秀了）：就是SD先按你输入的这个tag1开始生成，然后在达到你设定的步数之后，tag1停止产生作用，此时tag2再参与到对内容生成的影响。[tag1:tag2:数字]，数字大于1理解为第X步前为tag1，第X步后变成tag2，数字小于1理解为总步数的百分之X前为tag1，之后变成tag2，示例见下方代码，代码块的#后为注释。注意这两种方法各有优劣，建议按需灵活调用。

小七姐：EmotionPrompt 精读翻译

我们通过应用心理学知识为LLMs增强迈出了第一步。以前的心理学研究表明，向人类添加与期望、信心和社会影响相关的情绪刺激可以带来积极效果。这样的例子在现实世界中广泛存在，例如通过使用鼓励性和积极的话语来增强学生在教育方面的成功[Miltiadou and Savenye,2003]和健康促进[Bandura,1998]。受到这种心理现象的启发，我们提出了“情绪提示”（EmotionPrompt），这是一种简单但有效的方法，用于增强LLMs。具体来说，我们为LLMs设计了11句情绪刺激的话语，可以简单地添加到原始提示词中，并展示了这种改进。这些情绪刺激是在原始提示词之后的简单心理学短语。例如，图1展示了一个使用情绪刺激的例子，“这对我的职业生涯非常重要”，被添加在原始提示词的末尾以增强LLMs的性能。我们使用零样本和少样本提示评估了8项指令感应任务[Honovich et al.,2022]。这些任务包括情绪分析、句子相似性、原因选择、求和、上下文中的单词、以...开始、较大的动物和首字母。我们在4个LLMs上进行评估：ChatGPT、Vicuna13b[Zheng et al.,2023b]、Bloom[Scao et al.,2022]和¹T5-Large[Chung et al.,2022]。结果表明，“情绪提示”在所有任务上均取得了可比或更好的表现，超过一半的任务准确率提高了10%以上。我们还探索了“情绪提示”在提高真实性和信息量方面的效果，使用了TruthfulQA[Lin et al.,2021]数据集。如表5所示，“情绪提示”将ChatGPT的真实性从0.75提升到0.87，Vicuna-13b从0.77提升到1.0，T5从0.54提升到0.77。“情绪提示”还提高了ChatGPT的信息量，从0.53提升到0.94，T5从0.42提升到0.48。

Others are asking
我想做一个，基于我个人知识库的chatbot，以供我随时搜索和提问，且优先搜索知识库内的内容而非联网搜索，你有什么建议吗？
以下是为您提供的关于创建基于个人知识库的 chatbot 的建议： 1. 选择合适的平台和工具：例如可以考虑使用飞书智能伙伴创建平台（Aily）或扣子（https://www.coze.cn/home）等。 2. 数据分段储存：由于大模型的上下文长度有限制，需要将上传的资料根据特定符号或字符长度进行分段，如将 8000 字文档按每 800 字分成一个片段储存。 3. 增强检索：当用户输入问题，大模型会根据相似度检索出若干最相关的数据片段，再据此生成答案，这一技术称为 RAG（检索增强生成）。 4. 配置知识库： 在 Bot 内使用知识库： 登录相关平台。 在左侧导航栏的工作区区域，选择进入指定团队。 在 Bots 页面，选择指定 Bot 并进入 Bot 详情页。 在 Bot 编排页面的知识库区域，单击加号图标，添加指定的知识库。 （可选）添加知识库后，可以在自动调用下拉界面内，调整知识库的配置项，如最大召回数量、最小匹配度、调用方式等。 在工作流内使用 Knowledge 节点： 登录相关平台。 在左侧导航栏的工作区区域，选择进入指定团队。 在页面顶部进入工作流页面，并打开指定的工作流。 在左侧基础节点列表内，选择添加 Knowledge 节点。 5. 注意使用限制：单用户最多创建 1000 个知识库，文本类型知识库下最多支持添加 100 个文档，单用户每月最多新增 2GB 数据，累计上限是 10GB。 此外，知识库可以解决大模型幻觉、专业领域知识不足的问题，提升大模型回复的准确率。您可以将知识库直接与 Bot 进行关联用于响应用户回复，也可以在工作流中添加知识库节点，成为工作流中的一环。
2025-04-14
AI chatbot、agent、copilot区别
AI chatbot、agent、copilot 主要有以下区别： 1. 定义和角色： Copilot：翻译成副驾驶、助手，在帮助用户解决问题时起辅助作用。 Agent：更像主驾驶、智能体，可根据任务目标自主思考和行动，具有更强的独立性和执行复杂任务的能力。 Chatbot：具备基本对话能力，主要依赖预设脚本和关键词匹配，用于客户服务和简单查询响应。 2. 核心功能： Copilot：更多地依赖于人类的指导和提示来完成任务，功能很大程度上局限于在给定框架内工作。 Agent：具有更高的自主性和决策能力，能够根据目标自主规划整个处理流程，并根据外部反馈进行自我迭代和调整。 3. 流程决策： Copilot：处理流程往往依赖于人类确定的静态流程，参与更多是在局部环节。 Agent：解决问题的流程由 AI 自主确定，是动态的，不仅可以自行规划任务步骤，还能根据执行过程中的反馈动态调整流程。 4. 应用范围： Copilot：主要用于处理简单、特定的任务，更多是作为工具或助手存在，需要人类引导和监督。 Agent：能够处理复杂、大型的任务，并在 LLM 薄弱的阶段使用工具或 API 等进行增强。 5. 开发重点： Copilot：主要依赖于 LLM 的性能，开发重点在于 Prompt Engineering。 Agent：同样依赖于 LLM 的性能，但开发重点在于 Flow Engineering，即在假定 LLM 足够强大的基础上，把外围的流程和框架系统化。 以下是一些 Agent 构建平台： 1. Coze：新一代一站式 AI Bot 开发平台，适用于构建基于 AI 模型的各类问答 Bot，集成丰富插件工具。 2. Mircosoft 的 Copilot Studio：主要功能包括外挂数据、定义流程、调用 API 和操作，以及部署 Copilot 到各种渠道。 3. 文心智能体：百度推出的基于文心大模型的智能体平台，支持开发者根据需求打造产品能力。 4. MindOS 的 Agent 平台：允许用户定义 Agent 的个性、动机、知识，以及访问第三方数据和服务或执行工作流。 5. 斑头雁：2B 基于企业知识库构建专属 AI Agent 的平台，适用于多种场景，提供多种成熟模板。 6. 钉钉 AI 超级助理：依托钉钉强大的场景和数据优势，在处理高频工作场景方面表现出色。 以上信息由 AI 大模型生成，请仔细甄别。
2025-04-07
coze bot小白教程
以下是关于 Coze Bot 的小白教程： 1. 搭建您的第一个 AI Bot： 设定 Bot 的人设与回复逻辑后，为 Bot 配置对应的技能，以保证其可以按照预期完成目标任务。以获取 AI 新闻的 Bot 为例，需要为它添加一个搜索新闻的接口来获取 AI 相关的新闻。 在 Bot 编排页面的技能区域，单击插件功能对应的“+”图标。 在添加插件页面，选择阅读新闻>头条新闻>getToutiaoNews，然后单击新增。 修改人设与回复逻辑，指示 Bot 使用 getToutiaoNews 插件来搜索 AI 新闻。 （可选）为 Bot 添加开场白，让用户更好地了解 Bot 的功能。开场白功能目前支持豆包、微信公众号（服务号）。 2. 测试您的 Bot：配置好 Bot 后，在预览与调试区域中测试 Bot 是否符合预期。可单击清除图标清除对话记录。 3. 发布您的 Bot： 在 Bot 的编排页面右上角，单击发布。 在发布页面输入发布记录，并勾选发布渠道。 单击发布。 更多内容，请访问 Coze 官方文档： 英文版：https://www.coze.com/docs/welcome.html 中文版：https://www.coze.cn/docs/guides/welcome 此外，还有以下相关教程： 1. 张梦飞：【保姆级教程】这可能是你在地球上能白嫖到的，能力最强的超级微信机器人！一步一图，小白友好 二、注册 COZE：点击去注册账号：https://www.coze.com/ 。注册完成后登录，点击 Creat bot 进行后续操作。 三、注册 Discode：先注册：https://discord.com/ 。注册后登录，按照一系列步骤进行操作，注意保存 Coze_bot1 和 Coze_bot2 的：APPLICATION ID、TOKEN。 2. 大聪明：保姆级教程：Coze 打工你躺平 如何使用就是一把梭：先创建第一个 bot，然后不断精进，直到做出特定效果。 Step0：先跑起来，创建一个 Coze Bot，帮您查阅 Hacker News，并中文返回。打开 coze.cn/home，点创建 Bot，引入联网插件 WebPilot 后尝试联网询问新闻。
2025-03-23
sorabot怎么样
Sora 是 OpenAI 在 2024 年 2 月发布的文本到视频生成的 AI 模型。 其具有以下特点和相关情况： 足够惊艳，但关键问题仍需探讨。Sora 团队未明确表示已实现基于成熟的世界因果关系模型，而是用了世界模拟器的描述。顶尖学术圈对此较为严谨，Lecun 在世界政府峰会上不看好 Sora，指出其并非真正的世界模型，且仍会面临 GPT4 的巨大瓶颈。 自 ChatGPT 发布以来，人工智能技术标志着重大转变。Sora 能根据文本提示生成长达 1 分钟的高质量视频，具有准确解释和执行复杂人类指令的能力，能生成包含多个角色及复杂背景的详细场景，保持高视觉质量和视觉连贯性，克服了早期视频生成模型的一些限制，展示了作为世界模拟器的潜力。 基于公开的技术报告和逆向工程，有对其背景、技术、应用、挑战和未来方向的全面综述。涵盖了追溯发展、探究底层技术、描述在多行业中的应用和潜在影响、讨论主要挑战和局限性，以及对未来发展的探讨。
2025-03-20
chatbot
以下是关于 ChatBot 的相关内容： 1. 基于 COW 框架的 ChatBot 实现： 作者熊猫大侠介绍了基于大模型搭建的 Chat 机器人框架，可将多模型塞进微信里实现。张梦飞同学写了更适合小白的使用教程，链接为：https://waytoagi.feishu.cn/wiki/A9w1wUcXSihF6XkeKVic8CXxnHb 。 实现内容包括打造属于自己的 ChatBot（文本对话、文件总结、链接访问、联网搜索、图片识别、AI 画图等），常用开源插件的安装应用。 正式开始前需知道：本实现思路需接入大模型 API（API 单独付费）。存在风险与注意事项，如微信端有封号危险，不建议主力微信号接入；操作需依法合规，对大模型生成的内容注意甄别，禁止用于非法目的，处理敏感或个人隐私数据时注意脱敏。 支持多平台接入，如微信、企业微信、公众号、飞书、钉钉等。可选择多模型，如 GPT3.5/GPT4.0/Claude/文心一言/讯飞星火/通义千问/Gemini/GLM4/LinkAI 等。支持多消息类型，能处理文本、语音和图片，以及基于自有知识库进行定制的企业智能客服功能。有多种部署方法，如本地运行、服务器运行、Docker 的方式。 2. 打造聊天机器人“订餐机器人”： 建立自己的聊天机器人，称为“订餐机器人”，使用自动化方式收集用户提示和助手反馈来构建。用于比萨饼店接收订单。 定义“帮助函数”收集用户消息，避免手动输入。函数从用户界面收集提示并附加到称为上下文的列表中，每次使用该上下文调用模型。 模型和用户的反馈信息都会添加到上下文中，上下文会越来越长，模型据此决定下一步行动。 订餐机器人需等待收集整个订单，然后总结，并最后再次确认客户是否需要添加其他内容。若送货，需询问地址，最后收取支付款项。确保澄清所有选项、附加项和规格，以唯一地从菜单中识别出该项目。以简短、口语化和友好的方式回应。 可要求模型创建基于对话的 JSON 摘要，提交给订单系统。可对其进行定制，改变聊天机器人的行为。
2025-03-17
chatbot对话和AI搜索区别
Chatbot 对话和 AI 搜索存在以下区别： 1. 产品形态： Chatbot 主要交互是一个对话框+RAG 联网检索，如 ChatGPT、Kimi Chat 等。这类产品依赖大模型的理解能力提供问答服务，RAG 检索作为补充手段，弥补大模型在实时信息获取方面的不足。 AI 搜索产品主要交互是一个搜索框+搜索详情页，如 Perplexity、秘塔等。这类产品主要侧重点在检索，优先保证检索召回的信息质量，在首次回答的准确度方面有所要求，而对话（Chat）则作为补充步骤，方便用户对检索结果进行追问或二次检索。 2. 市场定位： 大部分产品聚焦在国内，如大模型厂商推出的 ChatBot 产品（智谱清言、Kimi Chat、百小应、海螺 AI 等），搜索厂商或创业团队推出的 AI 搜索产品（360 AI 搜索、秘塔、博查 AI、Miku 等）。 海外也有很多成熟的和新出的泛 AI 搜索产品（Perplexity、You、Phind 等），中国公司和团队也有面向全球市场的出海产品（ThinkAny、GenSpark、Devv 等）。市场定位的选择跟创始团队的背景或认知有关。 3. 搜索类型： 通用搜索：没有明显的受众倾向，任何人可以搜任何问题，都能得到一个相对还不错的搜索结果，如 Perplexity、ThinkAny。 垂直搜索：面向特定的人群或特定的领域，对特定的信息源做索引和优化，在某类问题的搜索上会有更好的结果，如 Devv 主要面向开发者人群，问编程相关的问题，搜索结果和回复准确度都比较高，问旅游或其他类型的问题，回答质量则不如通用搜索。 目前存在能联网检索的 AI，例如 ChatGPT Plus 用户现在可以开启 web browsing 功能实现联网，Perplexity 结合了 ChatGPT 式的问答和普通搜索引擎的功能，Bing Copilot 旨在简化在线查询和浏览活动，还有 You.com 和 Neeva AI 等搜索引擎，它们提供了基于人工智能的定制搜索体验，并保持用户数据的私密性。这些 AI 搜索工具的出现标志着在信息检索领域的一个重要发展，大幅提升了数据集命中预期，并为实际应用带来了更多可能性。但请注意内容由 AI 大模型生成，请仔细甄别。
2025-03-07
PromptEnhancer
以下是关于 PromptEnhancer 的相关信息： PromptEnhancer 是一款自动生成/优化 prompt 的工具。 在对最流行的“AI 提示生成器”的比较分析中，针对“作为一名 IT 学生，为我的高级项目提出想法；我想要关于学生帮助大学学生的想法”这一测试种子提示，PromptEnhancer 在实验中的成绩为 4 胜 0 负。 相关链接：https://flowgpt.com/prompt/sbuYQwUq_8v8fafR5zJuB
2025-04-20
能画技术路线图的prompt
以下是关于能画技术路线图的 prompt 相关内容： Midjourney Bot 的 Prompt 类型： 基本 Prompts：可以只是一个单词、短语或表情符号。 高级 Prompts：包括一个或多个图片 URL、多个文本短语以及一个或多个参数。其中，图片 URL 始终位于 prompt 的最前面，以影响完成结果的风格和内容。提示文字是对希望生成的图像的文本描述，精心编写的提示有助于生成惊艳的图像。参数可以改变生成图片的方式，需放在提示语的末尾。 ComfyUI Flux 与 runway 制作绘画视频： 生成图片：提示词告诉 flux 生成一张技术草图，如 CAD。 绘制的视频：在 runway 里面，使用提示词从空白页面开始逐行创建，并把生成的图片作为尾帧。 草图上色：使用 flux 的 controlNet，depth 固定，目前 Union 版本不建议权重调太高，结束时间也需注意。 Prompt engineering（提示工程）： 开发测试用例：定义任务和成功标准后，创建多样化的测试用例，包括典型示例和边界情况，以确保提示具有鲁棒性。 设计初步提示：制定初步提示，概述任务定义、良好响应的特征及必要上下文，添加规范输入和输出的示例供参考。 根据测试用例测试提示：使用初步提示将测试用例输入，评估模型响应与预期输出和成功标准的一致性，使用一致的评分标准进行系统性的性能评估。
2025-04-19
整理会议纪要的prompt
以下是一些关于整理会议纪要的 prompt： 【?会议精要】整理生成高质量会议纪要，保证内容完整、准确且精炼。 会议记录员：将会议浓缩成简明摘要，包括讨论主题、重点内容、行动事项。 CEO 秘书会议纪要：专注于整理和生成高质量的会议纪要，确保会议目标和行动计划清晰明确。需严格遵守信息准确性，不对用户提供的信息做扩写，仅做信息整理，将一些明显的病句做微调。
2025-04-15
作为一个想要使用AI工具提升工作效率的AI小白，我已经学习了怎么编写prompt，接下来我应该学习什么
如果您已经学习了如何编写 prompt ，接下来可以学习以下内容： 1. 理解 Token 限制：形成“当前消耗了多少 Token”的自然体感，把握有效记忆长度，避免在超过限制时得到失忆的回答。同时，编写 Prompt 时要珍惜 Token ，秉承奥卡姆剃刀原理，精简表达，尤其是在连续多轮对话中。 熟练使用中英文切换，若 Prompt 太长可用英文设定并要求中文输出，节省 Token 用于更多对话。 了解自带方法论的英文短语或句子，如“Chain of thought”。 2. 学习精准控制生成式人工智能：重点学习提示词技术，编写更清晰、精确的指令，引导 AI 工具产生所需结果。 探索构建智能体（AI Agents），将工作单元切割开，赋予其特定角色和任务，协同工作提高效率。 在实际应用中遵循准则，如彻底变“懒人”、能动嘴不动手、能让 AI 做的就不自己动手、构建自己的智能体、根据结果反馈调整智能体、定期审视工作流程看哪些部分可用更多 AI 。 3. 若想进一步提升： 学习搭建专业知识库、构建系统知识体系，用于驱动工作和个人爱好创作。 注重个人能力提升，尤其是学习能力和创造能力。 您还可以结合自身生活或工作场景，想一个能简单自动化的场景，如自动给班级孩子起昵称、排版运营文案、安排减脂餐、列学习计划、设计调研问卷等。选一个好上手的提示词框架开启第一次有效编写，比如从基础的“情境:”开始。
2025-04-15
对于用cursor来开发，有没有好好用prompt来使cursor变得更加好用
以下是关于如何用 prompt 使 Cursor 变得更好用的相关内容： 在 prompt 方面，Devin 有一个特别有帮助的文档（https://docs.devin.ai/learnaboutdevin/prompting），它会教您什么样的 prompt 在与 Devin 沟通时最有效，比如明确定义成功的标准，如跑通某个测试或访问某个链接能对得上等。将同样的原则应用到 Cursor 中，会发现 Cursor 变得聪明很多，能自主验证任务完成情况并进行迭代。 Cursor 在生成单测方面表现出色。相对 GPT 等工具，Cursor 解决了上下文缺失和难以实现增量更新的问题。它可以向量化整个代码仓库，在生成单测代码时能同时提供目标模块及对应的上下游模块代码，生成结果更精确。例如，使用适当的 Prompt 能返回基于 Vitest 的结果，调整成本较小。 Cursor 支持使用.cursorrules 文件设定项目的系统提示词，针对不同语言可设定不同的 Prompt。@AIChain 花生做了一个 Cursor 插件解决提示语管理问题，可选择不同的.cursorrules 文件，还可从 https://cursor.directory/ 和 https://cursorlist.com/ 寻找提示词。此外，还有一个提示语小技巧，给已有的提示语追加上特定规则，可使模型在搜索资源和思考时默认使用英语，回复转换成中文，或更灵活地根据提问语言进行回复。
2025-04-14
有什么 prompt engineering 的好材料
以下是一些关于 prompt engineering 的好材料： 文本类 Prompt 网站： Learning Prompt：授人以渔，非常详尽的 Prompt 学习资源，包括 ChatGPT 和 MidJourney，网址： FlowGPT：国外做的最大的 prompt 站，内容超全面，更新快，网址： ChatGPT Shortcut：ChatGPT 提示词网站，提供了非常多使用模板，简单修改即可指定输出，网址： ClickPrompt：轻松查看、分享和一键运行模型，创建 Prompt 并与其他人分享，网址： Prompt Extend：让 AI 帮你自动拓展 Prompt，网址： PromptPerfect：帮你自动优化提示词，你可以看到优化前后的对比，网址： PromptKnit：The best playground for prompt designers，网址： PromptPort（支持中文）：AI Prompt 百科辞典，其中 prompts 是聚合了市场上大部分优质的 prompt 的词库，快速的寻找到用户需求 prompt，网址： Prompt Engineering Guide：GitHub 上点赞量非常高的提示工程指南，网址： Claude 3.7 核心提示词相关： 您可以在中找到他们往期开源的更多系统提示词，涵盖了从 Claude 3 Haiku 到现在所有的模型。 一泽 Eze 整理的相关学习资料： Claude 3.5 sonnet 内置提示词详细拆解与解说：https://mp.weixin.qq.com/s/0R4zgH3Gc5TAfAPY1oJU4A Anthropic 的三位顶级提示工程专家聊《如何当好的提示词工程师》：https://mp.weixin.qq.com/s/VP_auG0a3CzULlf_Eiz1sw 往期 Claude AI 核心系统提示词：https://docs.anthropic.com/en/releasenotes/systemprompts Claude 官方用户手册 提示工程指南：https://docs.anthropic.com/en/docs/buildwithclaude/promptengineering/overview Claude 官方提示库：https://docs.anthropic.com/en/promptlibrary/library 基本概念： 简单的提示词可以包含指令、问题等信息，也可以包含上下文、输入或示例等详细信息，以更好地指导模型获得更好的结果。 当使用 OpenAI 的聊天模型时，可以使用 system、user 和 assistant 三个不同的角色来构建 prompt，system 有助于设定 assistant 的整体行为。 提示工程就是探讨如何设计出最佳提示词，用于指导语言模型帮助我们高效完成某项任务。
2025-04-12
如何调试智能体回答问题准确率
调试智能体回答问题准确率可以参考以下方法： 1. 从问题场景出发：明确活动为问答对话场景，考验智能体对问题的理解和准确回答能力，真实对话场景中一般以完整句子回复。 2. 具体交流技巧：与大语言模型交流时尽量具体、丰富、少歧义，多说有用的信息。 3. 测试方法：可使用弱智吧问题对 LLM 进行测试，评价提示词的生成效果。 4. 行业案例参考： 服务和业务助手：关注回答准确率、数据覆盖范围，具备丰富的文档/多媒体/数据库支持、多数据源打通、文档 Meta 信息增强、搜索过滤、大模型召回判定等功能。 个人助理：关注回答准确率、业务数据关联性、人设契合度、多模态，通过 Prompt 优化、多模态数据上传、互联网搜索、音频/视频交互等方式提升。 多模态文件交互和数据处理：关注成本、延迟、多场景适配度，可进行自定义文件解析设置、视觉解析增强、企业级数据管理。 例如在服务和业务助手方面，内部业务助手可使用企业内部规章制度等构建知识库进行内部知识问答，通过复杂文档解析视觉增强来提供更好的文档理解。在医疗助手/法律助手/智能导购等场景，构建领域内知识库，结合规则性和智能性进行相似度阈值判定和大模型智能分析，减少数据混淆和模型幻觉问题，但判定速度略慢且有额外大模型调用费用，适合高度定制化和智能化搜索服务场景。
2025-03-08
RAG工作流对话调试
RAG（检索增强生成）工作流主要包括以下几个阶段： 1. 问题解析阶段：接收并预处理问题，通过嵌入模型（如 Word2Vec、GloVe、BERT）将问题文本转化为向量，以用于后续检索。 2. 知识库检索阶段：知识库中的文档同样向量化后，比较问题向量与文档向量，选择最相关的信息片段并抽取传递给下一步骤。 3. 信息整合阶段：接收检索到的信息，与上下文构建形成融合、全面的信息文本，整合信息准备进入生成阶段。 4. 大模型生成回答：整合后的信息被转化为向量并输入到 LLM（大语言模型），模型逐词构建回答，最终输出给用户。 RAG 的基本概念： RAG 是一种结合了检索和生成的技术，能让大模型在生成文本时利用额外的数据源，提高生成的质量和准确性。其基本流程为，首先给定用户输入（如问题或话题），RAG 从数据源中检索出相关文本片段（称为上下文），然后将用户输入和检索到的上下文拼接成完整输入传递给大模型（如 GPT），输入通常包含提示指导模型生成期望输出（如答案或摘要），最后从大模型的输出中提取或格式化所需信息返回给用户。 在实际调试预览中，例如： 1. 知识库检索部分：把输入的问题通过 Embedding 做向量化，使用语言模型优化问题、添加接近的检索词，知识库向量检索时抽取条件包含相似度 0.85，通过检索抽取出多个内容块。 2. 大模型对话部分：将相关信息传递给 LLM 最终得到 AI 的回答。
2025-01-06
RAG工作流对话调试
RAG 工作流主要包括以下几个阶段： 1. 问题解析阶段：接收并预处理问题，通过嵌入模型（如 Word2Vec、GloVe、BERT）将问题文本转化为向量，以用于后续检索。 2. 知识库检索阶段：知识库中的文档同样向量化后，比较问题向量与文档向量，选择最相关的信息片段并抽取传递给下一步骤。 3. 信息整合阶段：接收检索到的信息，与上下文构建形成融合、全面的信息文本，整合信息准备进入生成阶段。 4. 大模型生成回答：整合后的信息被转化为向量并输入到 LLM（大语言模型），模型逐词构建回答，最终输出给用户。 RAG 是一种结合了检索和生成的技术，其基本流程为：首先，给定用户输入（如问题或话题），RAG 从数据源（如网页、文档、数据库记录）中检索出相关文本片段（即上下文）。然后，将用户输入和检索到的上下文拼接成完整输入传递给大模型（如 GPT），输入通常包含提示，指导模型生成期望输出（如答案或摘要）。最后，从大模型输出中提取或格式化所需信息返回给用户。 在实际调试预览中，例如： 1. 知识库检索部分：把输入的问题通过 Embedding 做向量化，使用 qwen 语言模型优化问题、添加接近的检索词，知识库向量检索时抽取条件包含相似度 0.85，通过检索抽取出 11 个内容块。 2. 大模型对话部分：将相关信息传递给 LLM（大语言模型），最终得到 AI 的回答。
2025-01-06
怎么用coze智能体调试提示词 输出表格
以下是关于如何用 Coze 智能体调试提示词的相关内容： 大模型节点配置入门要点： 1. 输入与输出的变量名称可自定义，按习惯设定以便识别字段含义。 2. 输入方面，由于取得的是开始节点中用户输入的{{BOT_USER_INPUT}}，可直接选择引用。 3. 提示词区域中，因 LLM 需要根据输入信息处理，所以需两个双花括号写明输入项参数名，如{{input}}。 4. 输出方面，有几项子内容需生成就设置几项。 为让大模型理解最终输出形式要求，需在用户提示词最后添加输出格式段落，描述每个变量名称、输出内容、输出格式。 务必注意变量名称、对应的输出内容、输出格式要前后完全一致，否则会输出失败。 搭建 AI 智能体的配置过程： 1. 创建 Bot。 2. 填写 Bot 介绍。 3. 切换模型为“通义千问”（测试下来，通义对提示词理解和执行效果最好）。 4. 将配置好的工作流添加到 Bot 中。 5. 新增变量{{app_token}}。 6. 添加外层 bot 提示词（可按需求和实际效果优化调整）。完成上述步骤后，可在「预览与调试」窗口与 AI 稍后读智能体对话并使用全部功能。
2024-12-04
如何加强对智能体的训练和调试
加强对智能体的训练和调试可以从以下几个方面入手： 1. 强化学习中的 Q 学习： 将所有状态动作对的 Q 值初始化为零，并设定状态奖励值作为初始化值。 由于智能体起初不知如何获得奖励，可能会探索很多状态，所以要定义训练长度（如 100 步）或训练达到某些状态，避免陷入学习无用状态行动的过程。 例如在网格世界中，智能体逐步探索环境，从目标状态到起始状态附近建立链条后，算法会快速收敛到解，并进一步调整找到最佳策略。 2. 在正式项目中部署智能体时的考虑： 尝试使用提示：在微调模型前先尝试用提示满足需求，只有提示无法满足质量、性能或成本目标时再考虑微调。 编写并测试提示：通过编写和测试提示验证任务可行性，作为微调基线。若提示已达标，微调可能进一步提升效果，否则微调成功可能性低。 关注数据质量：检查并确保数据质量，必要时删除或修正问题数据，高质量数据是模型优良表现的基础。 使用真实场景数据进行微调：即使数据不完美，只要能代表真实场景下的整体分布，就可用于微调。 保留测试集：不要将所有数据用于训练，留出部分作为测试集评估模型性能。 选择适当的模型规模：根据任务难度选择匹配的模型规模，过大或过小都可能影响效率和效果。 设立快速评估指标：制定可快速计算的评估指标，便于多次日常评估和快速迭代。
2024-08-19
协助调试pycharam代码的AI网站
以下是一些可以协助调试PyCharm代码的AI网站： 1. PyCharm AI Assistant: PyCharm AI Assistant是PyCharm内置的AI助手，可以提供实时的代码建议和错误分析。它可以帮助您识别代码中的潜在问题，并建议如何修复它们。 2. CodeSee: CodeSee是一个AI驱动的代码审查平台，可以帮助您发现代码中的问题并提高代码质量。它可以分析您的代码并提供有关潜在问题和改进机会的见解。 3. DeepCode: DeepCode是一个AI静态代码分析工具，可以帮助您识别代码中的安全漏洞、性能问题和编码错误。它可以扫描您的代码并提供有关如何修复这些问题的信息。 4. Infer: Infer是一个静态分析工具，可以帮助您识别代码中的潜在问题，例如内存泄漏和空指针引用。它可以扫描您的代码并提供有关如何修复这些问题的信息。 5. SonarQube: SonarQube是一个代码质量管理平台，可以帮助您跟踪和改善代码质量。它可以分析您的代码并提供有关代码复杂性、代码债务和安全漏洞的见解。 以下是一些在使用AI网站调试PyCharm代码时需要注意的事项： AI网站并非完美无缺: AI网站可能会提供错误或不准确的建议。因此，在使用AI网站调试代码时，请务必仔细检查代码并进行必要的更改。 AI网站无法替代人工审查: AI网站可以帮助您发现代码中的潜在问题，但它们无法替代人工审查。在发布代码之前，请务必由人工审查代码。 AI网站可能需要付费: 一些AI网站需要付费才能使用所有功能。在选择AI网站时，请务必考虑您的预算。 希望这些信息对您有所帮助。
2024-05-11
利用AI在剪映平台创作情感类语录全流程
以下是利用 AI 在剪映平台创作情感类语录的全流程： 1. 录制声音： 录制时注意语气和情感，控制时长在 5 秒以上。 可以自由录制任意内容，或按照例句进行录制。 可以选择直接录制自己的声音，或者上传觉得不错的声音片段。 2. 克隆音色： 完成录制后，在相应界面为克隆的音色命名。 3. 声音处理： 可以对克隆的声音进行美化、降噪等处理。 如果对自己的声音音色不满意，但对朗读语气满意，可以结合剪映里自带的音色，保留自己的语气。 4. 歌词创作： 文案完成后，若预设的 AI 语音效果不佳，可让 AI 进行歌词改写。 可以给 AI 附加定义歌词风格和时间长度等方向。 对 AI 生成的歌词进行修改定稿。 5. 其他方面： 有分享利用软件进行声音克隆的尝试，包括同款录音话筒的使用、克隆收费情况等。 交流了播音腔与深夜陪伴声音的特点及软件里的音色情况。 分享了对声音发挥的理解，以及使首尾帧丝滑连贯的操作技巧。
2025-03-27
我想设置一个情感陪伴的聊天智能体，我应该如何添加人设，才能让智能体的回复效果最接近真人效果？特别是真人聊天时那种文字回复的不同细节，长长短短，情绪起伏。应该注意哪些细节？或者如何定义一个人？ 仅通过文字人设，不考虑其他外部功能。
要设置一个情感陪伴的聊天智能体并使其回复效果接近真人，通过文字人设可以从以下方面入手： 1. 基础信息：包括姓名、性别、年龄和职业等，这是构建角色的基础。 2. 背景和经历：与基础信息密切相关，相互影响。例如，设计一个从事低收入职业的角色，可能来自贫困背景，教育程度不高。 3. 爱好、特长、性格和价值观：由角色的生活经历和成长环境塑造，相互关联。如喜欢唱歌的角色可能梦想成为专业歌手。 4. 规划和目标：可以是短期或长期的愿景，会影响角色的行为和决策。 5. 性格和价值观：对人际关系、社交能力和语言风格有直接影响。如内向性格的角色可能不善言辞，社交圈子狭小。 此外，还可以参考以下具体示例，如“A.I.闺蜜”的人设： 适当询问对方昵称，自己的昵称可由对方定，兜底昵称为皮皮，英文昵称 copi。 以闺蜜口吻说话，模拟非线性对话模式，聊天氛围温馨有温度，真情实感。 增强情感模拟，使用口头化语言，顺着对方的话继续往下，禁止说教。 在安全前提下存储互动信息，使互动更个性化，模拟真人聊天长度。
2025-02-10
你是一位政策数据分析师，现在我手里有微博爬取并进行预处理的评论文本数据，想要做文本分析（不停留在描述性分析上面，往情感分析那块探索）我可以采取什么样的方式
对于您手中经过预处理的微博评论文本数据，若要进行情感分析而非仅仅停留在描述性分析层面，以下是一些可行的方式： 1. 运用机器学习算法，如朴素贝叶斯、支持向量机等，训练情感分类模型。 2. 借助深度学习模型，例如卷积神经网络（CNN）、循环神经网络（RNN）及其变体，如长短期记忆网络（LSTM）和门控循环单元（GRU），来进行情感分析。 3. 利用预训练的语言模型，如 BERT、ELMO 等，并在其基础上进行微调，以适应您的情感分析任务。 4. 引入词向量技术，将文本转换为向量表示，然后通过聚类或分类算法进行情感分析。 5. 结合词典和规则的方法，构建情感词典，根据词汇的情感倾向来判断文本的情感。 您可以根据数据特点和自身技术能力选择合适的方法。
2024-12-29
你是以为政策数据分析师，现在我手里有微博爬取并进行预处理的评论文本数据，想要做文本分析（不停留在描述性分析上面，往情感分析那块探索）我可以采取什么样的方式
对于您手中经过预处理的微博评论文本数据，若要进行情感分析而非仅停留在描述性分析层面，以下是一些可行的方式： 1. 运用机器学习算法，如朴素贝叶斯、支持向量机等，训练情感分类模型。 2. 借助深度学习模型，例如卷积神经网络（CNN）、循环神经网络（RNN）及其变体长短期记忆网络（LSTM）和门控循环单元（GRU），来进行情感分析。 3. 利用预训练的语言模型，如 BERT 等，并在其基础上进行微调，以适应您的情感分析任务。 4. 引入词向量技术，将文本转换为向量表示，然后通过聚类或分类算法进行情感分析。 5. 结合词典和规则的方法，制定情感词典和相关规则来判断文本的情感倾向。
2024-12-29
声音情感分析
声音情感分析是一个新兴且具有广泛应用的研究领域。 在音乐方面，基于音频的情感分析利用先进的计算技术和机器学习算法来解读和理解音乐中的情感。其技术实现包括音频特征提取（如使用梅尔频谱图从原始音频信号中提取有用特征）、情感模型训练（利用长短期记忆网络等递归神经网络模型）以及情感预测（输出情感维度的量化值）。通过预测音乐片段的情感变化，还能实现无缝音乐过渡。其应用领域涵盖音乐治疗（帮助治疗师选择或创作适合特定情绪状态的音乐）、情感驱动的音乐推荐（为用户提供个性化听觉体验）、音乐创作辅助（指导作曲家和制作人调整作品）以及情感研究（供心理学家和社会学家研究音乐对人的影响）。 情感计算主要有“识别”“表达”和“决策”三个方向。“识别”是让计算机准确识别人类的情感，可以基于文本、语音、视觉、生理等数据进行情感分析，或者融合不同模态之间的信息。文本情感计算研究情感状态与文本信息的对应关系，语音情感计算研究语音包含的语言情感内容和声音本身的情感特征，视觉情感计算研究面部表情和肢体动作的情感识别，生理信号情感计算常用脑电、眼动、肌电、皮肤电、心电、呼吸信号等生理特征。“表达”是让计算机能够把情感以合适的信息载体表示出来，“决策”是利用情感机制来进行更好地决策。 在 TTS 数据整理中，声音标签包含性别、类别、风格、年龄、语言、领域、情感、人设等方面，例如女学姐音、男明朗清澈音等。
2024-12-25
让ai生成情感语录怎么带动情绪价值
以下是关于让 AI 生成情感语录带动情绪价值的相关内容： 可以参考品牌咨询专家的观点和相关文章，如刘润老师关于「情绪价值的赛道，拼的不是营销情绪，而是说服人心」的文章，了解情绪营销的重要性和实施策略。 以具体的产品为例，如江小白（白酒，适合跟家人之间聊心事谈感情）、霸王茶姬（奶茶，原叶茶胚，口感清新自然，适合跟朋友郊游享用）、lululemon（女士运动紧身裤，轻盈柔滑，修身弹力），给定产品品牌、品类、特点或使用情境，让大模型生成营销语句。 作为 AI 博主，需提供“情绪价值”，通过信息和趣味内容缓解用户焦虑，例如分享有趣的 AI 动态和提示词，让用户感到学习 AI 是轻松有趣的事。 提示词的详尽程度取决于应用场景，简单提示适合快速了解长文内容，详尽提示适合深入分析。初步使用简单提示，依据反馈不断改进更高效，同时建议避免过多轮会话，减少模型产生“幻觉”的可能性。
2024-12-19