Rozdział 1. Pięć zasad promptowania

• Omówienie pięciu zasad promptowania
• 1. Określ wytyczne
• 2. Określ format odpowiedzi
• 3. Przedstaw przykłady
• 4. Oceniaj jakość
• 5. Dziel pracę
• Podsumowanie

Rozdział 2. Wprowadzenie do dużych modeli językowych do generowania tekstu

• Czym są modele do generowania tekstu?
  • Reprezentacje wektorowe: język w liczbach
  • Architektura transformerów: orkiestracja związków kontekstowych
  • Probabilistyczne generowanie tekstu: mechanizm podejmowania decyzji
• Krótko o historii: wzrost znaczenia architektur transformerów
• Wstępnie przeszkolony transformer generatywny OpenAI
  • GPT-3.5-turbo i ChatGPT
• GPT-4
• Google Gemini
• Model Llama firmy Meta a otwarte oprogramowanie
• Kwantyzacja i LoRA
• Mistral
• Anthropic: Claude
• GPT-4V(ision)
• Porównanie modeli
• Podsumowanie

Rozdział 3. Standardowe zasady generowania tekstu z ChatGPT

• Generowanie list
• Generowanie list hierarchicznych
• Kiedy unikać wyrażeń regularnych?
• Generowanie danych w formacie JSON
  • Generowanie danych w formacie YAML
• Filtrowanie dokumentów YAML
• Obsługa nieprawidłowych dokumentów w formacie YAML
• Generowanie różnorodnych formatów z użyciem ChatGPT
  • Spreparowane dane CSV
• Wyjaśnij to jak pięciolatkowi
• Uniwersalne tłumaczenia za pomocą LLM
• Pytaj o kontekst
• Wydzielenie stylu tekstu
• Znalezienie pożądanych cech tekstu
• Generowanie nowej treści za pomocą wyekstrahowanych cech
• Ekstrakcja określonych cech tekstu za pomocą LLM
• Podsumowywanie
• Podsumowywanie a ograniczenia okna kontekstu
• Podział tekstu na fragmenty
  • Zalety dzielenia tekstu na fragmenty
  • Scenariusze podziału tekstu na fragmenty
  • Niewłaściwe przykłady dzielenia tekstu na fragmenty
• Strategie podziału
• Wykrywanie zdań z użyciem spaCy
• Tworzenie prostego algorytmu podziału w Pythonie
• Podział za pomocą okna przesuwnego
• Pakiety do dzielenia tekstu
• Podział tekstu z biblioteką tiktoken
• Kodowania
  • Zrozumienie procesu tokenizacji łańcuchów znaków
• Szacowanie użycia tokenów w wywołaniach API czata
• Analiza sentymentu
  • Sposoby usprawnienia analizy sentymentu
  • Ograniczenia i wyzwania analizy sentymentu
• Od najmniejszych do największych
  • Planowanie architektury
  • Programowanie funkcji we Flasku
  • Dodawanie testów
  • Zalety techniki od najmniejszych do największych
  • Wyzwania, jakie wiążą się z techniką od najmniejszych do największych
• Promptowanie z użyciem ról
• Zalety promptowania z użyciem ról
• Wyzwania, jakie wiążą się z promptowaniem z użyciem ról
• Kiedy korzystać z promptowania z użyciem ról
• Techniki promptowania GPT
  • Unikanie halucynacji dzięki tekstom źródłowym
  • Daj modelowi GPT "czas na przemyślenie"
  • Technika wewnętrznego monologu
  • Samooceniające odpowiedzi modelu językowego
• Klasyfikacja za pomocą dużych modeli językowych
• Tworzenie modelu klasyfikacji
• Głosowanie większością w klasyfikacji
• Ewaluacja kryteriów
• Metapromptowanie
• Podsumowanie

Rozdział 4. Zaawansowane techniki generowania tekstu za pomocą LangChain

• Wprowadzenie do LangChain
  • Konfiguracja środowiska
• Modele czatowe
• Strumieniowanie modeli czatowych
• Generowanie wielu odpowiedzi z dużych modeli językowych
• Szablony promptów LangChain
• Język wyrażeń LangChain (LCEL)
• Stosowanie PromptTemplate z modelami czatowymi
• Parsery wyjścia
• Ewaluacje LangChain
• Wywołanie funkcji OpenAI
• Współbieżne wywołanie funkcji
• Wywoływanie funkcji w LangChain
• Ekstrakcja danych za pomocą LangChain
• Planowanie zapytań
• Tworzenie szablonów promptów z kilkoma przykładami
  • Podejście z kilkoma przykładami o stałej długości
  • Formatowanie przykładów
  • Wybór promptów z kilkoma przykładami według długości
• Ograniczenia promptów z kilkoma przykładami
• Zapisywanie i wczytywanie promptów modeli językowych
• Łączenie danych
• Ładowarki dokumentów
• Rozdzielacze tekstu
• Podział tekstu według długości i liczby tokenów
• Rekursywny podział według wielu znaków
• Dekompozycja zadań
• Łańcuchy promptów
• Łańcuchy sekwencyjne
  • Ekstrakcja kluczy za pomocą funkcji itemgetter
  • Tworzenie struktury dla łańcuchów LCEL
  • Łańcuchy dokumentów
  • Łańcuch nadziania dokumentów
  • Łańcuchy oczyszczania
  • Mapowanie i redukcja
  • Łańcuch mapowania z rankingiem
• Podsumowanie

Rozdział 5. Wektorowe bazy danych z FAISS i Pinecone

• Retrieval Augmented Generation (RAG)
• Wprowadzenie do osadzeń
• Ładowanie dokumentów
• Pozyskiwanie z pamięci za pomocą FAISS
• RAG z użyciem frameworka LangChain
• Wektorowe bazy danych w chmurze z użyciem Pinecone
• Samoodpytywanie
• Alternatywne mechanizmy pozyskiwania danych
• Podsumowanie

Rozdział 6. Agenty autonomiczne z pamięcią i narzędziami

• Łańcuch myśli
• Agenty
  • Wnioskuj i działaj (ReAct)
  • Implementacja schematu wnioskuj i działaj
  • Stosowanie narzędzi
• Duże modele językowe jako API (funkcje OpenAI)
• Porównanie funkcji OpenAI i schematu ReAct
  • Przypadki użycia dla funkcji OpenAI
  • ReAct
  • Przypadki użycia dla schematu ReAct
• Zestawy narzędzi dla agentów
• Dostosowywanie standardowych agentów
• Własne agenty w LCEL
• Zasady użycia pamięci
  • Pamięć długoterminowa
  • Pamięć krótkoterminowa
  • Pamięć krótkoterminowa w agentach konwersacyjnych QA
• Obsługa pamięci w LangChain
  • Zachowywanie stanu
  • Odpytywanie stanu
  • ConversationBufferMemory
• Inne popularne rodzaje pamięci w LangChain
  • ConversationBufferWindowMemory
  • ConversationSummaryMemory
  • ConversationSummaryBufferMemory
  • ConversationTokenBufferMemory
• Agent funkcji OpenAI z pamięcią
• Zaawansowane frameworki agentowe
  • Agenty typu planuj i uruchamiaj
  • Drzewo myśli
• Wywołania zwrotne
  • Globalne wywołania zwrotne (w konstruktorach)
  • Wywołania zwrotne żądań
  • Argument verbose
  • Które wywołanie zwrotne wybrać?
  • Zliczanie tokenów za pomocą LangChain
• Podsumowanie

Rozdział 7. Wprowadzenie do modeli dyfuzyjnych przeznaczonych do generowania obrazów

• OpenAI DALL-E
• Midjourney
• Stable Diffusion
• Google Gemini
• Generowanie filmów na podstawie tekstu
• Porównanie modeli
• Podsumowanie

Rozdział 8. Standardowe metody generowania obrazów z Midjourney

• Modyfikatory formatu
• Modyfikatory stylu w sztuce
• Inżynieria odwrotna promptów
• Dopalacze jakości
• Prompty negatywne
• Pojęcia ważone
• Promptowanie z użyciem obrazków
• Wmalowywanie
• Domalowywanie
• Spójne postaci
• Przepisywanie promptów
• Rozdzielenie memów
• Mapowanie memów
• Analiza promptów
• Podsumowanie

Rozdział 9. Zaawansowane techniki generowania obrazów za pomocą Stable Diffusion

• Uruchamianie modelu Stable Diffusion
• Interfejs webowy AUTOMATIC1111
• Img2Img
• Skalowanie obrazków w górę
• Tryb Interrogate CLIP
• Wmalowanie i domalowanie w Stable Diffusion
• ControlNet
• Model segmentowania wszystkiego (SAM)
• Dostrajanie DreamBooth
• Dostrajacz modelu Stable Diffusion XL
• Podsumowanie

Rozdział 10. Tworzenie aplikacji wspomaganych AI

• Pisanie bloga przez AI
• Badanie tematu
• Wywiad ekspercki
• Wygeneruj zarys
• Generowanie tekstu
• Styl pisania
• Optymalizacja tytułu
• Obrazki na blogu generowane przez AI
• Interfejs użytkownika
• Podsumowanie

Skorowidz

• Назва: Skuteczna inżynieria promptów. Przyszłościowe rozwiązania dla rzetelnych wyników generatywnej AI
• Автор: James Phoenix, Mike Taylor
• Оригінальна назва: Prompt Engineering for Generative AI: Future-Proof Inputs for Reliable AI Outputs
• Переклад: Krzysztof Rychlicki-Kicior
• ISBN: 978-83-289-1905-1, 9788328919051
• Дата видання: 2025-02-04
• Формат: Eлектронна книга
• Ідентифікатор видання: skuinz
• Видавець: Helion