Update documentation: Refined title in prompt engineering section, added detailed guidelines for prompt design, and removed outdated model acquisition content.

Author: jiangyangcreate

docs/docs/机器学习/大语言模型部署/提示词工程.md

@@ -1,6 +1,6 @@
 ---
 sidebar_position: 3
-title: 🚧提示词工程
+title: 提示词工程
 ---
 
 ## 提示词工程
@@ -9,17 +9,182 @@ title: 🚧提示词工程
 
 提示词工程有一套通用的方法论，但是基于不同的模型效果会有所不同，现在的模型更新迭代又很快，因此需要牢记原理，在实践中不断调整自己对提示词的理解。推荐文档：[https://www.promptingguide.ai/zh](https://www.promptingguide.ai/zh)
 
+### 提示词要素  
 
+1. **任务描述**：简明清晰地描述任务。  
+2. **上下文信息**：提供相关背景信息提升准确性。  
+3. **示例输入/输出**：为模型提供具体案例指导生成内容。  
+4. **输出格式要求**：通过明确格式控制输出结构。  
 
-### 练习
+---
+
+### 设计提示的通用技巧  
+
+1. **清晰性**：使用准确的语言表达需求。  
+2. **分解任务**：将复杂任务拆分为多个步骤。  
+3. **逐步引导**：通过示例或分步推理帮助模型理解任务。  
+4. **动态调整**：根据输出效果优化提示内容。  
+
+---
+
+### 提示技术  
+
+#### 零样本提示（Zero-shot Prompting）  
+**示例**:  
+```
+将以下句子翻译为英语：  
+我喜欢学习提示工程。
+```  
+
+#### 少样本提示（Few-shot Prompting）  
+**示例**:  
+```
+示例：  
+输入：天气如何？  
+输出：今天的天气是晴天。  
+
+输入：有什么新闻？  
+输出：今天的新闻是股票市场上涨。  
+
+任务：  
+输入：我们什么时候出发？  
+输出：
+```  
+
+#### 链式思考提示（Chain-of-Thought, CoT）  
+**示例**:  
+```
+问题：如果有10个橙子，卖掉了3个，又买了5个，现在有多少个橙子？  
+请逐步说明计算过程并给出答案。
+```  
+
+#### 自我一致性（Self-consistency）  
+**示例**:  
+```
+问题：一个人有50元，他花了30元买书，又花了10元买文具，还剩多少钱？  
+请给出答案并解释理由。
+```  
+
+#### 生成知识提示（Knowledge Generation Prompting）  
+**示例**:  
+```
+请为以下主题生成一段背景知识：量子计算的基本原理。
+```  
+
+#### Prompt Chaining  
+**示例**:  
+```
+请总结以下文章的主要内容：  
+[文章文本]
+```  
+```
+根据以上总结，请生成一段详细解释。
+```  
+
+#### 思维树提示（Tree-of-Thought, ToT）  
+**示例**:  
+```
+一个人开车去A地需要40分钟，走路需要2小时。他选择开车出发，但在半路遇到堵车，延误了30分钟。他用了多长时间到达A地？  
+请给出所有可能的推理路径并选择答案。
+```  
+
+#### 检索增强生成（Retrieval-Augmented Generation, RAG）  
+**示例**:  
+```
+根据以下文档内容回答问题：  
+[检索内容]  
+问题：量子计算的优势是什么？
+```  
+
+#### 自动推理并使用工具（ART）  
+**示例**:  
+```
+请计算3的5次方是多少？  
+如果需要，可以调用计算器。
+```  
+
+#### Reflexion  
+**示例**:  
+```
+问题：5的平方是多少？  
+模型第一次输出：20  
+模型反思：答案不对，因为5*5=25  
+最终答案：25
+```  
+
+---
+
+### 高阶提示技术  
+
+#### 自动提示工程师  
+**示例**:  
+```
+模型：请为以下任务生成高效的提示：  
+任务：将200条用户评论按情感分类为正面或负面。
+```  
+
+#### Active-Prompt  
+**示例**:  
+```
+当前任务是识别文本中的关键实体：  
+第一步，识别所有专有名词；  
+第二步，判断其是否为人名。
+```  
 
-| 目标             | 数据 | 期望结果 | 推荐提示词 |
-| ---------------- | ---- | -------- | ---------- |
-| 提取地点         | 数据 |          | <details><summary>点击查看</summary>提示词内容1</details> |
-| 提取地点         | 数据 |          | <details><summary>点击查看</summary>提示词内容2</details> |
-| 指定返回指定格式 | 数据 |          | <details><summary>点击查看</summary>提示词内容3</details> |
-| 指定返回指定格式 | 数据 |          | <details><summary>点击查看</summary>提示词内容4</details> |
+#### 方向性刺激提示  
+**示例**:  
+```
+如果我是一个市场分析师，我会如何描述近期经济趋势？  
+请从分析师角度回答问题。
+```  
+
+#### Program-Aided Language Models  
+**示例**:  
+```
+编写Python代码计算圆的面积：  
+输入：半径为3  
+输出：
+```  
+
+#### ReAct框架  
+**示例**:  
+```
+问题：世界上最高的山是什么？  
+行动：查询数据库  
+思考：我需要确认山的名称和高度。  
+最终答案：
+```  
+
+#### Reflexion  
+**示例**:  
+```
+第一次尝试：模型输出错误原因分析；  
+第二次尝试：修正提示后生成正确结果。
+```  
+
+#### 多模态思维链提示方法  
+**示例**:  
+```
+根据以下图片生成描述：  
+[插入图片]  
+描述应包含颜色、位置和物体。
+```  
 
+#### 基于图的提示  
+**示例**:  
+```
+以下是社会关系图：  
+- Alice -> Bob (朋友)  
+- Bob -> Charlie (同事)  
+任务：找出Alice与Charlie之间的关系。
+```  
+
+#### meta-prompting  
+**示例**:  
+```
+任务：设计一个提示来解释meta-prompting的概念。  
+提示应包括定义和应用场景。
+```  
 
 ## 安全挑战
 

docs/docs/机器学习/大语言模型部署/模型获取.md docs/docs/机器学习/大语言模型部署/模型社区.mddocs/docs/机器学习/大语言模型部署/模型获取.md renamed to docs/docs/机器学习/大语言模型部署/模型社区.md

@@ -1,13 +1,13 @@
 ---
 sidebar_position: 1
-title: 🚧模型获取
+title: 模型社区
 ---
 
 ## 开源社区
 
 大模型社区是指围绕大型深度学习模型（如 GPT 系列、BERT、T5 等）构建的开放协作平台和生态系统。这些社区由研究人员、开发者、数据科学家、工程师及爱好者组成，他们共同致力于大模型的研究、开发、优化和应用。
 
-现在模型非常多，各有千秋，且更新迭代非常快。下面的表格列出了部分公司及其z主要大模型代号：
+现在模型非常多，各有千秋，且更新迭代非常快。下面的表格列出了部分公司及其主要大模型代号：
 
 | **公司名称**                  | **大模型代号**      |
 | ----------------------------- | ------------------- |
@@ -99,14 +99,36 @@ while True:
     print(response)
 ```
 
-## 商用接口
+### 模型常见后缀
 
-接口大同小异，这里列举一个国内的接口与一个国外的接口用作示例。
+大部分模型基本有代号、模型类型和参数大小三部分组成，例如：`Qwen2.5-Coder-3B`，其中`Qwen2.5`为代号，`Coder`为模型类型，`3B`为参数大小。
 
-### OpenAI
+#### 模型类型
 
-地址：[https://openai.com/](https://openai.com/)
+- `Instruct`：指令优化  
+- `Fine-tuned`：领域微调  
+- `Base`：基础模型  
+- `Chat`：对话优化  
+- `RAG`：检索增强生成  
+- `Sparse`：稀疏模型  
+- `Dense`：密集模型  
+- `Multimodal`：多模态输入  
+- `Enhanced` / `Extended`：功能改进或扩展  
+- `Lite` / `Compact`：轻量化模型  
+- `Instruction-following (IF)`：指令执行优化  
+- `Code` / `Coder`：代码优化  
+- `Knowledge`：知识问答优化  
+- `Custom` / `Domain-Specific`：定制领域模型  
+- `Aligned`：人类反馈对齐（通过使用人类反馈调整和优化后的模型）
 
-### 百度
+#### 模型微调后缀
 
-地址：[https://cloud.baidu.com/](https://cloud.baidu.com/)
+- `GGUF`：高效二进制通用量化格式
+- `AWQ`：微调后量化：适应不同场景
+- `GPTQ`：分组量化：精度换速度
+
+#### 量化精度
+
+- INT8 (8-bit Integer)：INT8通过将模型权重量化为8位整数，显著减少存储和计算需求，适用于大部分推理任务，但会带来一定的精度损失。
+- INT4 (4-bit Integer)：INT4进一步减少存储和计算需求，能提供更快的推理速度和更低的内存占用，但精度损失更大，且支持较为有限。
+- FP16 (16-bit Floating Point)：FP16通过使用16位浮点数减少存储需求，精度损失较小，但计算开销高于INT8和INT4，适合精度要求较高的任务。