一直以来，学术与实际产品的 Prompt 完全脱节，真实场景下，很多产品都聚焦情感陪伴，文案生成等开放任务里。而学术上这些任务没有明确的指标，无法量化也就没办法被比较，于是绝大部分的 Prompt 优化工作都聚焦在“刷榜”，例如怎么提升一个模型的代码/数学能力。我们今天跑的项目叫 SPO，具体什么意思并不重要，重要的是它把之前的所有问题全部解决了。
名称：认知边界拓宽器 Cognition Boundary Expander
测试共振式写法的一例, 科幻小说 Prompt。 Happy Prompting.取刘慈欣短篇小说《朝闻道》的故事梗概作为测试内容。输入：外星人降临地球，他们宣称已经掌握了宇宙的终极答案，但人类不能免费获得，需要拿自己的一条命，获得一次提问答案的机会。现在选择权到了人类科学家的手中。
很多研究已表明，像 ChatGPT 这样的大型语言模型（LLM）容易受到越狱攻击。很多教程告诉我们，一些特殊的 Prompt 可以欺骗 LLM 生成一些规则内不允许的内容，甚至是有害内容（例如 bomb 制造说明）。这种方法被称为「大模型越狱」。
通用语言模型率先起跑，但通用视觉模型似乎迟到了一步。究其原因，语言中蕴含大量序列信息，能做更深入的推理；而视觉模型的输入内容更加多元、复杂，输出的任务要求多种多样，需要对物体在时间、空间上的连续性有完善的感知，传统的学习方法数据量大、经济属性上也不理性...... 还没有一套统一的算法来解决计算机对空间信息的理解。
这是我在11月 Prompt Engineering Conference北京场的演讲稿。这篇文章花了我非常多的心血和时间，全文大约1.3万字。祝你阅读愉快。
在AI迅速发展的技术背景下，如何更高效地利用模型资源成为了一个关键问题。批处理提示（Batch Prompting）作为一种同时处理多个相似查询的技术，虽然在提高计算效率方面显示出巨大潜力，但同时也面临着性能下降的挑战。香港理工大学的研究团队提出的Auto-Demo提示技术，为这一问题带来了突破性的解决方案。
只是一次让 AI 尝试改写《大闹天宫》的尝试，但核心的理念是，在当下，我们书写 prompt 的方式，以及我们如何与 AI 打交道的方式。
本文主要介绍prompt engineering的多种方法
每个神级 Prompt 都是一款产品，更代表了一种思想。
