Hello! 各位 AI 開發者大家好 👋
我是 ihower，很高興這期跟大家分享我最近的演講內容。
這是我這個月演講分享的投影片，定義了 5-Level 開發 Prompt 的評估成熟度等級，幫助大家更好理解如何進行評估。如果資料不夠看的話，我還有整理筆記在這裡。
👍提示詞 Prompt 自動最佳化: Textgrad 和 DSPy 通用範例
Prompt 自動最佳化的思路，就是用 AI 迭代產生上百上千個提示詞，透過自動化評估，從中挑一個表現最好的 prompt。
延續評估驅動開發的演講內容，我用 Textgrad 和 DSPy 這兩個史丹佛大學出品的最佳化框架，分別做了通用範例。只需要給任務描述，就可以快速完成 Prompt 自動最佳化的過程，拿到厲害的 prompt 結果。
如果你對 Prompt 最佳化無法想像，Jason Liu 的這篇帶你簡單認識什麼是 Prompt 最佳化，從挑選 few-shot examples 開始。
Claude 推出的這個官方課程非常不錯，我推薦看 Real world prompting 這個，可以了解 prompt engineering 和手工做評估的過程。
👊OpenAI 能輸出你想要的格式 (JSON Schema)
YWC 寫的這篇結構化輸出文章很不錯。若要說哪一個功能是我最近開發 AI 最實用的功能，OpenAI 的 Structured Outputs 可以排第一。
透過定義 JSON Schema 可以確保回傳的 JSON 格式，經我實際使用上萬次的 API 呼叫都沒有 JSON 解析出錯，非常好用。
並且 OpenAI 借鑑了 Jason Liu 的 Instructor 框架，使用 Python 的 Pydantic 語法來定義 JSON Schema，整個 code 變得非常簡潔。
於是你就不需要其他結構化的框架了，基本上就是 Pydantic is all you need 和 Pydantic is STILL all you need。
可惜其他家模型目前還沒有這樣的功能，如果想找 structured LLM output 框架可以參考這篇跟這篇。
(2024/10/6) 補充: 這篇 Diving Deeper with Structured Outputs 不錯。
—
希望你會喜歡這期的內容，祝開發順利！
– ihower