我与徐浩进行了一次内部聊天，他展示了如何驱动 ChatGPT 生成有用的自测代码。他最初的提示是用实现策略（思维链提示）来引导 LLM。他的提示还要求提供实现计划而不是代码（常识提示）。一旦他有了计划，他就会用它来改进实现并生成有用的代码段。

我们正在构建一个名为“Boba”的实验性人工智能副驾驶，用于产品策略和生成式构思。在此过程中，我们学习了一些关于如何构建此类应用程序的有用经验，并将其概括为模式。这些模式允许应用程序帮助用户更有效地与大型语言模型 (LLM) 交互，协调提示以获得更好的结果，帮助用户在复杂的对话流程中导航，并整合 LLM 不具备的知识。

生成式人工智能，尤其是 LLM（大型语言模型），已经进入了公众的视野。像许多软件开发人员一样，Birgitta 也对这种可能性很感兴趣，但不确定从长远来看这对我们的职业意味着什么。她在 Thoughtworks 担任了一个协调我们工作的角色，以了解这项技术将如何影响软件交付实践。在本页上，她发布了一系列备忘录，以描述她和我们的同事正在学习和思考的内容。

LLM 工程不仅仅涉及提示设计或提示工程。在本文中，我们分享了一组工程实践，这些实践帮助我们在最近的一个项目中快速可靠地交付了一个原型 LLM 应用程序。我们将分享 LLM 应用程序的自动化测试和对抗性测试技术、重构，以及 LLM 应用程序架构和负责任的人工智能的注意事项。

一位经验丰富的技术作者探索使用 ChatGPT 来协助完成许多写作项目。他发现 ChatGPT 可以通过草稿和提示额外内容来节省时间，但缺乏准确性和深度，并且过于乐观。总的来说，如果您以迭代的方式工作，并使用精心设计的提示请求小块内容，那么它很有用。

向 Stable Diffusion 询问“技术作者肖像”