聯繫我們

課程簡介

第1天

生成式AI與提示工程簡介

  • 生成式AI是什麼,它與傳統自動化的區別
  • 提示工程在塑造AI輸出質量中的作用
  • 當前文本、圖像、音頻和視頻工具生態系統概述
  • 提示工程在何處增加業務價值

文本與圖像生成的AI模型基礎

  • 通俗易懂地解釋大語言模型和擴散模型的工作原理
  • 訓練數據、微調和提示之間的區別
  • 預訓練模型的優勢與侷限性
  • 爲什麼模型架構會影響我們編寫提示的方式

主流AI助手對比

  • Microsoft Copilot,優勢在於與Microsoft 365集成、Word、Excel、Outlook和Teams工作流程、企業數據基礎,但在創意範圍和推理深度上不如同行
  • Google Gemini,優勢在於原生多模態、Workspace集成、即時搜索基礎,但在一致性、區域可用性和複雜任務指令遵循上存在弱點
  • ChatGPT,優勢在於生態系統成熟度、自定義GPT、通過DALL-E生成圖像、語音模式,但在無基礎的事實可靠性和高級功能的嚴格使用限制上存在弱點
  • Claude,優勢在於長上下文處理、細緻推理、長篇寫作和清晰分析,但在工具生態系統廣度和圖像生成上存在弱點
  • 爲特定任務、受衆或合規約束選擇合適工具
  • 對四個助手進行相同提示的並排演練

有效提示設計原則

  • 清晰性、具體性和上下文是良好提示的三大支柱
  • 結構化指令、語氣、格式和約束
  • 初學者常見錯誤及其識別方法
  • 從弱提示迭代到高性能提示

第2天

零樣本、單樣本和少樣本提示

  • 三種方法的區別及各自適用場景
  • 讀取模型行爲並相應調整示例
  • 僅使用少量精選樣本教會模型新任務
  • 在ChatGPT、Copilot、Gemini和Claude上的實踐練習

高級提示工程技術

  • 條件提示和上下文感知提示,用於細緻輸出
  • 風格轉換、角色提示和創意指導
  • 思維鏈和逐步推理提示
  • 減少幻覺、模糊性和偏見

無代碼少樣本微調

  • 少樣本微調是什麼,它與完整模型訓練的區別
  • 使用示例驅動提示適應模型的細分任務
  • 何時使用提示工程,何時微調是更好的投資
  • 評估輸出質量並迭代優化

超現實文本生成

  • 生成具有控制語氣、聲音和長度的文本
  • 生成長篇內容、摘要、報告和結構化文檔
  • 在多步生成中保持連貫性
  • 結合提示模式,生成可重複、符合品牌的結果

將提示工程應用於業務工作流程

  • 自動化常規起草、研究和信息分類
  • 簡要介紹客戶支持和聊天機器人用例
  • 設計團隊可重複使用的提示模板,無需重新訓練
  • 質量控制、升級邏輯和人工檢查點

第3天

圖像生成與處理

  • 對比DALL-E、Stable Diffusion、MidJourney和Leonardo AI
  • 編寫控制風格、構圖、光線和主題的提示
  • 否定提示、權重和迭代優化
  • 通過提示進行圖像到圖像轉換和編輯

音頻與語音生成

  • 從文本提示生成自然語音
  • 語音克隆和合成的概念性介紹
  • 在培訓內容、無障礙和營銷中的用例

生成式AI視頻內容創作

  • 當前文本到視頻工具概述及其實際能力
  • 通過提示序列進行腳本編寫和故事板設計
  • 將AI生成的文本、圖像、音頻和視頻組合爲單一資產
  • 編輯和優化AI生成的視頻輸出

多模態AI與集成工作流程

  • 多模態模型如何統一文本、圖像、音頻和視頻推理
  • 構建端到端內容管道,無需編寫代碼
  • 來自營銷、設計、培訓和廣告的真實案例研究

倫理、負責任的使用與未來展望

  • 偏見、版權、署名和內容審覈
  • 使用生成平臺時的隱私和數據保護考量
  • 對最終客戶的披露、透明度和信任
  • 未來12個月內值得關注的新興工具、模型和趨勢
  • 總結與下一步

最低要求

目標受衆

探索AI輔助內容創作的營銷、溝通和創意專業人士。希望通過提示驅動工具自動化重複交互的業務運營和客戶服務團隊。沒有AI或編程經驗的初學者,希望以結構化的工具導向方式入門生成式AI。

 21 小時

客戶評論 (2)

課程分類