快速上手大模型

from zhipuai import ZhipuAI
client = ZhipuAI(api_key="") # 填写您自己的APIKey
response = client.chat.completions.create(model="glm-4-plus",  # 填写需要调用的模型编码messages=[{"role": "system", "content": "你是一个乐于解答各种问题的助手，你的任务是为用户提供专业、准确、有见地的建议。"},{"role": "user", "content": "农夫需要把狼、羊和白菜都带过河，但每次只能带一样物品，而且狼和羊不能单独相处，羊和白菜也不能单独相处，问农夫该如何过河。"}],
)
print(response.choices[0].message)

泛化能力的增强使得模型能够处理和理解多种未知任务，而指令跟随能力的提升则确保了模型能够准确响应人类的指令。两种> 能力的结合，使得我们能够通过精心编写的指令输入，即Prompt，来引导模型适应各种下游任务，从而避免了传统微调方法所带来的高昂计算成本。Prompt工程，作为一门专注于如何编写这些有效指令的技术，成为了连接模型与任务需求之间的桥梁

Prompt 是指用于指导生成式人工智能模型执行特定任务的输入指令 ，这些指令通常以自然语言文本的形式出现。Prompt 的核心目的是清晰地描述模型应该执行的任务，以引导模型生成特定的文本、图像、音频等内容

Prompt 工程（Prompt Engineering），又称提示工程，是指设计和优化用于与生
成式人工智能模型交互的 Prompt 的过程

Prompt 工程包括多种技巧和技术，如 3.2上下文学习（In-Context Learning）和 3.3思维链（Chain of Thought）等。这些技巧和技术的结合使用，可以显著提升 Prompt 的质量，进而有效地引导模型生成更符合特定任务需求的输出。

在 Prompt 进入大模型之前，需要 将它拆分成一个 Token 的序列，其中 Token 是承载语义的最小单元，标识具体某个词，并且每个 Token 由 Token ID 唯一标识。将文本转化为 Token 的过程称之为分 词（Tokenization）
为实现有效分词，首先需构建一个包含大语言模型所能识别的所有 Token 的词表，在构建词表时，需在涵盖广泛词汇与保持语义精细度之间找到恰当的平衡点，每个大语言模型都有自己的分词器

Prompt 工程的意义：能够激发大型语言模型的内在潜力，使其在垂域任务、数据增强、智能代理等多个领域发挥出卓越的性能