ai提示词反推

作者：白马少年介绍：SD实践派，出品精细教程发布时间：2023-05-02 20:00原文网址：https://mp.weixin.qq.com/s/l-O9vT9-_xzy0uvxnkjV-w相比于文生图，图生图功能除了文本提词框以外还多了一个图片框的输入口，因此，我们还可以通过图片来给与AI创作的灵感。我们随便照一张照片，直接拖入进来。然后可以看到，在文本输入框的旁边有两个反推提示词的按钮：CLIP是可以通过图片反推出完整含义的句子；DeepBooru是可以反推出关键词组。上面的那一张图，我们通过两种反推方式得到的提示词分别为：CLIP——a young boy sitting on a bench with a toy train and a lego train set on the floor next to him,Adam Rex,detailed product photo,a stock photo,lyco art。（一个小男孩坐在长凳上，旁边的地板上放着一辆玩具火车和一辆乐高火车，亚当·雷克斯，详细的产品照片，一张库存照片，莱科艺术，）DeepBooru——shoes,solo,hat,orange_background,yellow_background,smile,socks,black_hair,sitting,sneakers。（鞋子，独奏，帽子，橙色背景，黄色背景，微笑，袜子，黑发，坐着，运动鞋）可以看到两种方式生成的提示词都有些瑕疵，比如第一组里面没有描述小孩的穿着，第二组里面没有描述小孩的性别和周围的物品，所以我们需要手动来补充提示词的信息。写好提示词之后，我们再调整一下宽度和高度，让这个红框刚好匹配我们的图片即可。接下来，最重要的是这两个参数：提示词相关性和重绘幅度。

在上述案例中，该方法的核心要点在于，充分发挥AI自身的逻辑分析以及抽象总结能力，主动从用户所提供的样例表象中总结出方法论。用户只需对AI提供的方法论正确与否进行判断，零星、分散地提出自身的意见，便能够推动AI不断进行反思，总结出更为优质的内容生成方法与要求，进而为AI提示词爱好者提供一种门槛较低的提示词生成途径。可以说，在某些特定场景下，样例驱动的渐进式引导法，的确能够让AI主动理解我们的需求，且不再依赖Prompt工程师的知识洞察和思维素质，自动化地提炼出高可用的提示词?。[heading2]一点补充：提示词递归[content]LLM具有上下文长度限制。在长对话中，特别是使用渐进式引导法时，由于对话轮数的增加（用户输入+AI回复的累积），可能会触碰到长度限制。这可能导致AI遗忘早期的对话内容，进而影响输出质量。所以需要引入“提示词递归”的概念与方法。我们在长对话中定期总结和重新引入关键信息，确保AI不会遗忘重要的上下文。具体步骤如下：1.初始提示：开始对话时使用清晰、具体的初始提示。2.定期总结：在对话进行中，定期总结已讨论的关键点。3.重新引入：将总结的信息重新引入到新的提示中。4.细化和拓展：基于之前的回答，逐步细化或拓展问题。5.验证和优化：确保新的提示词在不同情况下都能引导AI生成高质量内容。例如：

在上述案例中，该方法的核心要点在于，充分发挥AI自身的逻辑分析以及抽象总结能力，主动从用户所提供的样例表象中总结出方法论。用户只需对AI提供的方法论正确与否进行判断，零星、分散地提出自身的意见，便能够推动AI不断进行反思，总结出更为优质的内容生成方法与要求，进而为AI提示词爱好者提供一种门槛较低的提示词生成途径。可以说，在某些特定场景下，样例驱动的渐进式引导法，的确能够让AI主动理解我们的需求，且不再依赖Prompt工程师的知识洞察和思维素质，自动化地提炼出高可用的提示词?。[heading2]一点补充：提示词递归[content]LLM具有上下文长度限制。在长对话中，特别是使用渐进式引导法时，由于对话轮数的增加（用户输入+AI回复的累积），可能会触碰到长度限制。这可能导致AI遗忘早期的对话内容，进而影响输出质量。所以需要引入“提示词递归”的概念与方法。我们在长对话中定期总结和重新引入关键信息，确保AI不会遗忘重要的上下文。具体步骤如下：1.初始提示：开始对话时使用清晰、具体的初始提示。2.定期总结：在对话进行中，定期总结已讨论的关键点。3.重新引入：将总结的信息重新引入到新的提示中。4.细化和拓展：基于之前的回答，逐步细化或拓展问题。5.验证和优化：确保新的提示词在不同情况下都能引导AI生成高质量内容。例如：