随着人工智能领域的迅速发展，Prompt Engineering 已成为一门备受关注的新兴技术。Prompt 是指用于引导机器学习模型生成符合预期输出的文本或代码片段。编写高效的 Prompt 对于提高模型效果至关重要。本文将探讨如何高效编写 Prompt。 一个高效的 Prompt 应由 Instruction 和 Question 两部分组成。在使用 openAPI 调用时，通常将 Instruction 通过 system 传递，将 Question 通过 user 传递。而在使用 Web 界面时，可以简单地拼接这两部分。本文的演示将以 Web 界面为主。
我不是一个机器学习专家，本来是一名软件工程师，与人工智能的互动很少。我一直渴望深入了解机器学习，但一直没有找到适合自己的入门方式。这就是为什么，当谷歌在2015年11月开源TensorFlow时，我非常兴奋，知道是时候开始学习之旅了。不想过于夸张，但对我来说，这就像是普罗米修斯从机器学习的奥林匹斯山上将火种赠予人类。在我脑海中，整个大数据领域，以及像Hadoop这样的技术，都得到了极大的加速，当谷歌研究人员发布他们的Map Reduce论文时。这一次不仅是论文，而是实际的软件，是他们在多年的发展之后所使用的内部工具。 因此，我开始学习机器学习基础知识，发现初学者需要更通俗易懂的资源。这是我尝试提供的。
随着大语言模型的生成效果越发逼真，各行各业迫切需要一款可靠的 AI 生成文本检测器。然而，不同行业对检测语料的要求不同，例如在学术界，普遍需要对大段完整的学术文本进行检测；在社交平台上，需要对相对简短而较为支离破碎的假消息进行检测。然而，既有检测器往往无法兼顾各式需求。例如，主流的一些 AI 文本检测器对较短的语料预测能力普遍较差。 对于不同长度语料的不同检测效果，作者观察到较短的 AI 生成文本可能存在着一部分归属上的「不确定性」；或者更直白地说，由于一些 AI 生成短句同时也常常被人类使用，因而很难界定 AI 生成的短文本是否来自于人或 AI。
Kubernetes（K8s）的复杂性和缺乏内部技能成为挑战。许多开发人员和运维团队对 K8s 相对陌生，需要学习新术语、工作流程和工具等。K8s 的离散部分要求具备广泛的专业知识，考虑到启动 K8s 集群需要了解和配置多个组件。此外，生态系统本身也在不断快速增长和发展。故障的诊断需要深入的技术和专业知识，这通常保存在少数有经验的工程师的头脑中。让我们探索新的创新方式，帮助克服技能差距问题。
作为一个文本模型，ChatGPT是无法直接输出图像的，除非借助其他的第三方插件或库。 但是，得益于前期接受了海量不同格式文本的预训练，ChatGPT可以轻松生成各种类型的结构化输出，例如表格，代码，数学公式等等。 这其中还包括一类「基于文本的图形描述语言」，它允许我们通过编写文本指令或代码来构建包含特定元素、关系以及布局的图形，而无需依赖图形编辑工具。 那么，我们是否可以改由让ChatGPT生成对应的文本指令或代码，然后再通过特定的解析器与渲染引擎，转换为可视化的图形或图表呢？ 这不禁让我想起了一个很有意思的工具：PlantUML。
