联系我们

课程大纲

生成式AI与提示工程简介

  • 什么是生成式AI,以及它与传统自动化的区别
  • 提示工程在塑造AI输出质量方面的作用
  • 当前文本、图像、音频和视频工具生态系统概览
  • 提示工程如何增加商业价值

文本和图像生成AI模型基础

  • 用通俗语言解释大型语言模型和扩散模型的工作原理
  • 训练数据、微调和提示之间的区别
  • 预训练模型的优势和局限
  • 为什么模型架构会影响我们编写提示的方式

比较主流AI助手

  • Microsoft Copilot,优势在于Microsoft 365集成、Word、Excel、Outlook和Teams工作流、企业数据支持,劣势在于与同行相比创意范围和推理深度较弱
  • Google Gemini,优势在于原生多模态、Workspace集成、实时搜索支持,劣势在于不一致性、区域可用性和复杂任务指令遵循能力较弱
  • ChatGPT,优势在于生态系统成熟度、自定义GPTs、通过DALL-E进行图像生成、语音模式,劣势在于缺乏支持时的事实可靠性以及高级功能使用限制更严格
  • Claude,优势在于长上下文处理、细致推理、长文写作和清晰分析,劣势在于工具生态系统广度和图像生成能力
  • 根据特定任务、受众或合规要求选择合适的工具
  • 并排演示同一提示在四个助手中的表现

有效提示设计原则

  • 清晰度、具体性和上下文是好提示的三大支柱
  • 结构化指令、语气、格式和约束
  • 初学者常见的错误及如何识别它们
  • 从弱提示迭代到高绩效提示

零样本、单样本和少样本提示

  • 三种方法的区别及各自适用场景
  • 阅读模型行为并相应调整示例
  • 仅使用少数精选样本教会模型新任务
  • 在ChatGPT、Copilot、Gemini和Claude中的实际练习

高级提示工程技术

  • 用于细致输出的条件提示和上下文感知提示
  • 风格迁移、角色提示和创意指导
  • 思维链和逐步推理提示
  • 减少响应中的幻觉、歧义和偏见

无代码少样本微调

  • 什么是少样本微调,以及它如何区别于全模型训练
  • 使用示例驱动的提示将模型适配到利基任务
  • 何时应使用提示工程,何时微调是更好的投资
  • 评估输出质量并迭代优化

超逼真文本生成

  • 生成具有可控语气、声音和长度的文本
  • 生成长文内容、摘要、报告和结构化文档
  • 在多步生成中保持一致性
  • 结合提示模式以获得可重复、符合品牌的结果

将提示工程应用于业务工作流

  • 自动化常规起草、研究和信息分类
  • 简要介绍客户支持和聊天机器人用例
  • 设计团队可重复使用的提示模板,无需重新训练
  • 质量控制、升级逻辑和人在回路检查点

图像生成与处理

  • 比较DALL-E、Stable Diffusion、MidJourney和Leonardo AI
  • 编写控制风格、构图、光照和主题的提示
  • 负向提示、权重和迭代优化
  • 通过提示进行图像到图像的转换和编辑

AI音频与语音

  • 从文本提示生成自然语音
  • 概念层面的语音克隆和合成
  • 培训内容、无障碍和营销中的用例

使用生成式AI创建视频内容

  • 当前文本转视频工具概览及其实际交付能力
  • 通过提示序列进行脚本编写和故事板设计
  • 将AI生成的文本、图像、音频和视频组合成单一资源
  • 编辑和优化AI创建的视频输出

多模态AI与集成工作流

  • 多模态模型如何统一文本、图像、音频和视频推理
  • 无需编写代码即可构建端到端内容管道
  • 来自营销、设计、培训和广告的真实案例研究

伦理、负责任使用与未来趋势

  • 偏见、版权、归属和内容审核
  • 使用生成式平台时的隐私和数据保护考虑
  • 与最终客户的披露、透明度和信任
  • 未来12个月值得关注的新兴工具、模型和趋势

要求

目标受众

探索AI辅助内容创作的营销、传播和创意专业人士。希望通过提示驱动工具自动化重复交互的业务运营和面向客户的团队。希望以结构化和工具聚焦的方式入门生成式AI的初学者,无需AI或编程经验。

 21 小时

客户评论 (2)

即将举行的公开课程

课程分类