[DeepLearning.AI] ChatGPT Prompt Engineering for Developers

Translate the following content from text to an markdown language?

1. Introduction
This course underscores the distinction between base LLMs and instruction-tuned LLMs, emphasizing the advantages of the latter for practical applications due to their training to follow instructions and produce helpful, honest, and safe outputs. The curriculum, designed with contributions from both OpenAI and DeepLearning.ai teams, will cover prompting best practices, common use cases such as summarizing, inferring, and chatbot creation, and strategies for effectively instructing LLMs. This course seeks to inspire developers to explore new applications using LLM APIs, focusing on instruction-tuned models for their enhanced usability and alignment with safety guidelines.

2. Guidelines

This video, focusing on two key principles writing clear and specific instructions, and giving the model time to think—Isa introduces practical tactics for achieving desired outcomes. She emphasizes the importance of clarity and specificity in instructions, suggesting the use of delimiters, structured outputs, condition checks, and few-shot prompting to guide the model towards accurate and relevant responses. To allow the model adequate time to reason, Isa recommends outlining step-by-step instructions, encouraging the model to work out solutions before concluding, and being mindful of the model's limitations, such as its tendency to hallucinate.

First principle - 명확하고 구체적인 지시 작성.


Tactic1 : User delimiters
Triple quotes :"""
Triple backticks:```

Triple dashes: ---,

Angle brackets: <>,

XML tags: <tag> </tag>

Tactic 2 : Ask for structured output
HTML, JSON
Tactic 3: Check whether conditions are satisfied, Check assumptions required to do the task
Tactic 4: Few-shot prompting
Give successful examples of completing tasks
Ten ask model to perform the task


Second principle - 모델에게 생각할 시간을 주기.

Tactic1 : Specify the steps required to complete a task
Tactic 2 : Instruct the model to work out ites own solution before rushing to a conlcusion



Model Limitations
- Hallucinations



3. Iterative
The video emphasizes the iterative nature of prompt development for applications using large language models (LLMs). It underscores that the first attempt at a prompt rarely yields the perfect result, highlighting the importance of an iterative refinement process to achieve optimal outcomes. It walks through the process of evolving a prompt, starting from a basic task description to progressively more specific and complex instructions, adjusting for clarity, specificity, desired output length, technical focus, and format (e.g., HTML).



This process is likened to machine learning development, where the cycle of idea generation, implementation, and result evaluation leads to continuous improvement. The video stresses that successful prompt engineering is less about finding a perfect prompt on the first try and more about developing a robust process for iteratively refining prompts to meet the specific needs of an application. This approach is showcased through the task of creating a concise, technically detailed product description from a chair fact sheet, demonstrating how different prompt adjustments can influence the model's output. The presentation concludes with encouragement for viewers to experiment with their prompts and a reminder of the utility of LLMs in applications like text summarization, setting the stage for further exploration in subsequent videos.



4. Summarizing
5. Inferring

6. Transforming
This video showcases how large language models (LLMs), like ChatGPT, can be utilized to perform a variety of text transformation tasks, enhancing efficiency in applications that traditionally relied on complex regular expressions or manual editing. The video demonstrates LLMs' capabilities in translation, tone transformation, format conversion, and grammar correction through practical examples:

1. **Translation**: The presenter demonstrates LLMs' proficiency in translating text between multiple languages, including less conventional ones like "English pirate." They showcase the model's ability to handle translations in both formal and informal tones, and even perform translations into multiple languages simultaneously from a single prompt.

2. **Identifying Languages**: Through user messages in various languages, the video illustrates how LLMs can identify the language of a given text and translate it into English and Korean, showcasing the potential for a "universal translator" in a multinational e-commerce setting.

3. **Tone Transformation**: The presenter shows how ChatGPT can adapt the tone of a text, transforming casual slang into a formal business letter, demonstrating the model's flexibility in addressing different audience needs.

4. **Format Conversion**: The video highlights LLMs' ability to convert data between formats, such as from JSON to HTML, making it simpler to work with data in web development contexts.

5. **Grammar and Spelling Corrections**: The presenter uses LLMs to correct grammatical and spelling errors in several examples, illustrating the model's utility as a proofreading tool, especially for non-native speakers or in formal writing scenarios.

6. **Making Text More Compelling**: Finally, the video shows how LLMs can not only correct errors but also enhance the text to make it more compelling, follow specific style guidelines (e.g., APA), and target different reader levels, complete with format conversion to markdown.

Throughout the video, the presenter emphasizes the iterative nature of prompt development for optimizing LLM outputs, encouraging viewers to experiment with prompts to discover the full range of LLM capabilities in transforming text for various applications.