提示工程的案例
使用大型語言模型（LLMs）、檢索增強生成（RAG） ￥5
你將超越簡單的提示詞實驗，學習如何利用大型語言模型、嵌入技術、檢索、智能體、工具和全棧應用架構，設計可靠、可擴展且適合企業使用的AI系統。課程的每個部分都包含循序漸進的實踐實驗，確保你不僅理解概念，還能通過真實代碼實現這些概念。
- 課程模塊：
- 模塊1——生成式AI入門：通過理解生成式AI與判別式模型的區別、生成式系統的重要性以及它們在企業軟件、醫療保健、金融和航空等真實行業中的應用，建立堅實的概念基礎。實踐實驗：比較判別式模型與生成式模型，使用基于Transformer的模型生成文本，并繪制真實世界中生成式AI的應用場景。
- 模塊2——Transformer架構與大型語言模型基礎：揭開Transformer的工作原理，包括自注意力機制、位置編碼以及編碼器與解碼器架構。你還將探索令牌化、嵌入技術、上下文窗口，以及大型語言模型如何通過預訓練、微調、指令調優和基于人類反饋的強化學習（RLHF）進行訓練。實踐實驗：實現自注意力概念，可視化令牌化和嵌入過程，并在高層模擬大型語言模型的訓練流程。
- 模塊3——大型語言模型實踐：親手實踐熱門的大型語言模型系列，包括GPT、Claude、Gemini、LLaMA、Mistral和Falcon，并學習如何根據質量、成本、延遲和應用場景要求選擇合適的模型。實踐實驗：構建多模型評估工具，測試幻覺現象和偏見，并使用溫度參數、核采樣（top-p）和最大令牌數等參數集成大型語言模型API。
- 模塊4——工程師的提示詞工程：將提示詞工程作為軟件工程學科進行教學，涵蓋系統、用戶和助手角色，零樣本、單樣本和少樣本提示技術，以及思維鏈、自一致性和基于約束的提示等高級技術。實踐實驗：設計穩健的提示詞模板，防范提示詞注入攻擊，并為安全提示實現輸入/輸出驗證。
展開 什么是大型語言模型 （LLM）？
LLM 的用例不僅限于上述，還必須具有足夠的創造力來編寫更好的提示，并且您可以讓這些模型執行各種任務，因為它們經過訓練，可以執行一次性學習和零次學習方法的任務。正因為如此，對于期待廣泛使用 ChatGPT 類型模型的人來說，提示工程在學術界是一個全新的熱門話題。
大型語言模型應用程序
LLM，例如 GPT-3，在各個領域都有廣泛的應用。他們中的少數是：
自然語言理解 （NLU）
大型語言模型為能夠進行自然對話的高級聊天機器人提供支持。
它們可用于為日程安排、提醒和信息檢索等任務創建智能虛擬助手。
內容生成
為各種目的創建類似人類的文本，包括內容創建、創意寫作和講故事。
根據自然語言描述或命令編寫代碼片段。
語言翻譯
大型語言模型可以幫助在不同語言之間翻譯文本，提高準確性和流暢度。
文本摘要
生成較長文本或文章的簡明摘要。
情感分析
分析和理解社交媒體帖子、評論和評論中表達的情緒。
NLP 和 LLM 之間的區別
NLP 是自然語言處理，是人工智能 （AI） 的一個領域。它包括算法的開發。NLP 是一個比 LLM 更廣泛的領域，它由算法和技術組成。NLP 規定了兩種方法，即機器學習和分析語言數據。NLP 的應用是 -
汽車常規任務
改進搜索
搜索引擎優化
分析和組織大型文檔
社交媒體分析。
而另一方面，LLM 是一種大型語言模型，更特定于類人文本，提供內容生成和個性化推薦。
大型語言模型有哪些優勢？
展開 質量管理 | “質量+AI”翻開企業高質量發展的新篇章
為破局，企業搭建了 “QMS 數據底座 + AI 智能 Agent” 的質量管理體系：
數據筑基：
先通過 QMS 系統完成物料基本信息、檢驗項目庫、不良模式庫、處置方案庫等核心數據的數字化沉淀，形成覆蓋全產品生命周期的質量數據資產；
Agent 矩陣搭建：
● 基于 “大模型 + 提示詞工程”，構建專屬智能 Agent 集群，當產線檢測到某齒輪尺寸超差時，不良模式 Agent1 秒匹配“尺寸偏差類型”，同步調取該齒輪的歷史不良記錄；
● 與此同時處置方案Agent立即推送 “返工調整機床參數” 的方案，并自動生成工單發送至機加工車間；
● 同時，根因分析 Agent聯動機床運行數據，發現是 “主軸溫度過高導致的熱變形”，隨即觸發預防措施 Agent，推送 “主軸溫度實時監控” 的設備改造建議；
● 持續優化：系統將每次處置數據回傳至知識圖譜，不斷迭代 Agent 的推薦精度，實現 越用越智能。
價值體現：
這套體系落地6個月后，實現了企業質量管理上多個指標提升與優化：
● 不合格品處置周期從24小時縮短至40分鐘，效率提升87%；
● 同類質量問題重復發生率從月均5次降至1次以內，下降80%；
● 質量管理人員的重復性工作占比從70%降至20%，精力轉向更核心的改進決策。
結語
AI不是“替代人工”，而是讓質量管控 “更有溫度”
AI 賦能質量管理，并非用機器取代檢驗員與質量工程師，而是將他們從重復性工作中解放，聚焦于 “決策、優化、創新” 等高價值環節 —— 當系統承擔了數據采集、方案匹配的基礎工作，人便能更專注于質量戰略的制定、核心問題的攻堅。
對于制造業而言，這場 “AI + 質量” 的變革，既是響應 “十五五” 高質量發展的要求，也是在激烈競爭中構建差異化優勢的關鍵。
展開 ChatGPT 獲得 Wolfram 超能力注入！
但告訴它應該如何處理這些事情是最初"插件提示"的問題。
而編寫這種提示也比較奇怪——也許是我們第一次正經嘗試"與外星智能交流"的經歷。當然，這有助于"外星智能"接受大量的人類書寫的文本訓練。因此，舉例來說，它會說英語（有點像那些老套的科幻小說中的外星人......）。我們可以告訴它"如果用戶輸入的語言不是英語，請翻譯成英語并向 Wolfram|Alpha 發送合適的查詢內容，再用原始輸入的語言提供你的回應"。
我們發現有時我們必須相當堅持原則（注意所有大寫字母）："在編寫 Wolfram 語言代碼時，永遠不要對變量名使用蛇式命名法（snake case）；變量名永遠要使用駝峰式命名法（camel case）。" 即使堅持這樣的規則，ChatGPT 有時還是會做錯事。整個"提示工程"的過程感覺有點像飼養動物：你嘗試讓 ChatGPT 做你想做的事，但很難知道要怎么做才能實現。
最終，這個問題可能會在訓練或提示中得到解決，但就目前而言，ChatGPT 有時會不知道 Wolfram 插件何時能提供幫助。例如，ChatGPT 猜測這應該是一個 DNA 序列，但（至少在這個會話中）并不立即認為 Wolfram 插件可以幫上任何忙：
不過，輸入"使用Wolfram"，它就會把查詢內容發送到 Wolfram 插件，后者確實能很好地處理這個內容：
（有時你可能還想專門輸入"使用 Wolfram|Alpha"或"使用 Wolfram 語言"。特別是在 Wolfram 語言的情況下，你可能想看看它發送的實際代碼，并告訴它不要使用編出來實際上并不存在的函數等內容。）
當把 Wolfram語言代碼給到 Wolfram 插件時，它所做的基本上只是運算該代碼，并返回結果——可能以圖形或數學公式，或只是文本的形式。
展開 
UG編程各類參數選項卡詳解，你想要的干貨我都有！[轉載]
工程提示：IPW常用于半精加工，清除前一把刀具銑不到的角落和無法下刀的區域。優先使用“跟隨工件”的切削方式，生成的刀軌安全高效，智能化程度高。
深度加工輪廓銑操作是型腔銑的特例，經常應用到陡峭曲面的精加工和半精加工，相對于型腔銑，增加了一些特定參數，如陡峭角度、混合切削模式、層間過渡、層間剖切等，其主界面如圖17所示：
一、固定軸曲面輪廓銑的含義
曲面銑削是一種刀具沿曲面外形運動的加工類型，加工時機床的X軸、Y軸和Z軸聯動。
二、固定軸曲面輪廓銑的特點及應用場合
是一種用于精加工由輪廓曲面所形成區域的加工方式。它通過精確控制刀具軸和投影矢量，使刀具沿著非常復雜曲面的復雜輪廓運動。
三、固定軸曲面輪廓銑的驅動方法
驅動方法1-曲線/點
驅動方法2-螺旋式
驅動方法3-邊界
驅動方法4-區域銑削
驅動方法5-曲面區域銑
驅動方法6-刀軌
驅動方法7-徑向切削
驅動方法8-流線
驅動方法9-清根
驅動方法10-文本
驅動方法11-用戶定義
展開 STM32 HAL的超全知識總結
點擊
生成報告，軟件會提示新建工程，輸入工程名，選擇工程保存路徑。IDE選擇MDK-ARM V5。
在Code Generator中找到Generated files框，勾選Generated periphera initialization as a pair of '.c/.h'files per IP。外設初始化為獨立的C文件和頭文件。
點擊
生成代碼。點擊Open Project打開工程。到這里我們就配置好工程外設初始化。
點擊Build按鈕，然后等一會，Build Optput信息框會輸出沒有錯誤沒有警告。
在main函數里添加如下代碼
延時電平翻轉函數，這樣LED燈就能開始閃爍。
再點擊Build按鈕，然后等一會，Build Optput信息框會輸出沒有錯誤沒有警告。
代碼燒寫。
現在開始燒寫程序，燒寫程序有兩種，一種是使用ST-LINK工具燒寫，一種是直接用與上位機通訊的串口1燒寫。燒寫工具使用mcuisp。
，軟件可自行網上搜索，下載配置如下。
選擇好串口端口后，可以開始下載。
展開 