book

Ingegneria prompt per l'IA generativa

by James Phoenix, Mike Taylor

March 2025

Intermediate to advanced

422 pages

11h 8m

Italian

O'Reilly Media, Inc.

Book available

Read now

Unlock full access

Requisiti software per questo libroConvenzioni utilizzate in questo libroUtilizzo di esempi di codiceFormazione online O'ReillyCome contattarciRingraziamenti
Panoramica dei cinque principi del prompt1. Dare una direzione2. Specifica il formato3. Fornire esempi4. Valutare la qualità5. Dividere il lavoroRiassunto
Cosa sono i modelli di generazione del testo?Rappresentazioni vettoriali: L'essenza numerica del linguaggioArchitettura Transformer: Orchestrare le relazioni contestualiGenerazione di testi probabilistici: Il meccanismo decisionaleBasi storiche: L'ascesa delle architetture a trasformatoriI trasformatori generativi preaddestrati di OpenAIGPT-3.5-turbo e ChatGPTGPT-4Gemini di GoogleIl lama di Meta e l'open sourceSfruttare la quantizzazione e il LoRAMistralAntropico: ClaudeGPT-4V(isione)Modello a confrontoSommario
Generazione di elenchiGenerazione di elenchi gerarchiciQuando evitare di usare le espressioni regolariGenerare JSONYAMLFiltrare i payload YAMLGestione dei payload non validi in YAMLGenerazione di formati diversi con ChatGPTDati CSV fintiSpiega come se avessi cinque anniLa traduzione universale attraverso gli LLMsChiedi il contestoDisaggregazione dello stile del testoIdentificare le caratteristiche testuali desiderateGenerare nuovi contenuti con le caratteristiche estratteEstrazione di caratteristiche testuali specifiche con le LLMsRiassuntoRiassumere le limitazioni della finestra di contestoSminuzzare il testoVantaggi della suddivisione del testoScenari di suddivisione del testoEsempio di chunking scadenteStrategie di raggruppamentoRilevamento delle frasi con SpaCyCostruire un semplice algoritmo di chunking in PythonFinestre scorrevoli a scomparsaPacchetti di raggruppamento del testoChunking del testo con TiktokenCodificheCapire la tokenizzazione delle stringheStima dell'uso del token per le chiamate API di chatAnalisi del sentimentoTecniche per migliorare l'analisi del sentimentoLimiti e sfide dell'analisi del sentimentoDal meno al piùPianificazione dell'architetturaCodifica delle singole funzioniAggiunta di testVantaggi della tecnica Least to MostSfide con la tecnica dal minimo al massimoprompt dei ruoliVantaggi del prompt di ruoloLe sfide del prompt di ruoloQuando utilizzare il prompt dei ruoliTattiche di prompt GPTEvitare le allucinazioni con il riferimentoDai ai GPT il "tempo di pensare"La tattica del monologo interioreRisposte dell'autovalutazione LLMClassificazione con LLMsCostruire un modello di classificazioneVoto di maggioranza per la classificazioneCriteri di valutazioneMeta promptRiassunto
Introduzione a LangChainImpostazione dell'ambienteModelli di chatModelli di chat in streamingCreazione di generazioni multiple di LLMModelli di prompt di LangChainLinguaggio di espressione LangChain (LCEL)Utilizzare PromptTemplate con i modelli di chatParser di uscitaEvali di LangChainChiamata di funzioni OpenAIChiamata di funzioni in paralleloChiamata di funzione in LangChainEstrarre i dati con LangChainPianificazione delle queryCreare modelli di prompt a pochi colpi di pistolaEsempi di pochi colpi a lunghezza fissaFormattazione degli esempiSelezione di esempi di pochi scatti per lunghezzaLimitazioni con esempi di pochi scattiSalvataggio e caricamento dei prompt LLMConnessione datiCaricatori di documentiDivisori di testoSuddivisione del testo in base alla lunghezza e alla dimensione dei tokenSuddivisione del testo con la suddivisione ricorsiva dei caratteriDecomposizione dei compitiConcatenamento di promptCatena sequenzialeitemgetter e estrazione delle chiavi del dizionarioStrutturare le catene LCELCatene di documentiCoseRaffinareMap ReduceRango delle mappeRiassunto
Generazione aumentata di recupero (RAG)Introduzione alle incorporazioniCaricamento dei documentiRecupero della memoria con FAISSRAG con LangChainDatabase vettoriali in hosting con PineconeAuto-queryMeccanismi di recupero alternativiRiassunto
Catena di pensieriAgentiRagionare e agire (React)Motivazione e attuazione dell'attoUtilizzo degli strumentiUtilizzo di LLMs come API (Funzioni OpenAI)Confronto tra le funzioni di OpenAI e ReactCasi d'uso delle funzioni OpenAIReactCasi d'uso di ReactKit di strumenti per agentiPersonalizzazione degli agenti standardAgenti doganali in LCELCapire e usare la memoriaMemoria a lungo termineMemoria a breve termineLa memoria a breve termine negli agenti di conversazione QAMemoria in LangChainPreservare lo StatoInterrogare lo StatoConversationBufferMemoryAltri tipi di memoria popolari in LangChainConversationBufferWindowMemoryConversationSummaryMemoryConversationSummaryBufferMemoryConversationTokenBufferMemoryAgente di funzioni OpenAI con memoriaQuadri di agenti avanzatiAgenti di pianificazione ed esecuzioneL'albero dei pensieriRichiamiCallback globali (costruttori)Callback specifici per le richiesteL'argomento verbosoQuando usare Which?Conteggio dei token con LangChainRiassunto
OpenAI DALL-EViaggio intermedioDiffusione stabileGoogle GeminiDa testo a videoModello a confrontoRiassunto
Modificatori di formatoModificatori dello stile artisticoPrompt per l'ingegneria inversaBooster di qualitàprompt negativiTermini ponderatiprompt con un'immagineInpaintingDipingerePersonaggi coerentiRiscrittura del promptDisaggregazione dei memeMappatura dei memeAnalisi del promptRiassunto
Esecuzione della diffusione stabileInterfaccia utente web di AUTOMATIC1111Img2ImgUpscaling delle immaginiInterrogare CLIPSD Inpainting e OutpaintingControlNetModello di qualsiasi segmento (SAM)Messa a punto di DreamBoothRaffinatore XL a diffusione stabileRiassunto

Scrittura di blog sull'intelligenza artificialeArgomento di ricercaIntervista all'espertoGenera schemaGenerazione di testoStile di scritturaOttimizzazione del titoloImmagini del blog AIInterfaccia utenteRiassunto

Content preview from Ingegneria prompt per l'IA generativa

Informazioni sugli autori

Mike Taylor ha co-fondato un'agenzia di growth marketing di 50 persone chiamata Ladder con uffici negli Stati Uniti, nel Regno Unito e nell'Unione Europea. Più di 400.000 persone hanno seguito i suoi corsi di marketing e AI su LinkedIn Learning, Udemy e Vexpower.

James Phoenix costruisce pipeline di dati affidabili per i team di marketing, automatizzando migliaia di attività ricorrenti. Ha insegnato oltre 60 bootcamp di Data Science per General Assembly e ha collaborato con Mike per il corso Udemy e Vexpower.

Entrambi gli autori hanno sperimentato l'ingegneria prompt fin dalla beta del GPT-3 nel 2020. Hanno lentamente automatizzato ogni parte del loro lavoro con l'intelligenza artificiale e ora lavorano come ingegneri prompt su vari progetti.