提示词很火，但你深入到什么层次了？先看看是否熟悉如下的提示词术语？（文末有系列提示词深度文章）
Prompt：提示词，是指输入到生成式AI模型中以引导输出的文本、图像、声音或其他媒体。
Prompt Template：提示模板，是一种包含变量的模板，这些变量会被特定内容替换，从而生成具体的提示词。例如，用于二元分类的模板可能会是“将以下推文分类为积极或消极：{TWEET}”。
Prompt Engineering：提示词工程，是指设计和调整提示词以优化AI模型输出的过程。这包括使用示例、提供上下文和明确的任务指令等。
Prompting Technique：提示技术，指不同的提示词设计方法，如提供上下文、示例或使用特定格式等，以提高模型的响应质量。
Context：上下文，是指提示词中提供的额外信息，以帮助模型更好地理解和生成响应。
Context Window：上下文窗口，指模型处理输入时可以利用的上下文长度。这决定了模型在生成响应时能考虑多少信息。
Priming：预设，是通过提前提供一些信息或示例来影响模型生成的输出。
Orthogonal Prompt Types：正交提示类型，指不互相重叠或依赖的不同提示类型。
Prompt Chain：提示链，是将多个提示词串联起来以生成更复杂响应的技术。
Meta-Prompting：元提示，是指利用提示词对模型进行高层次控制的技术，例如提供多个任务示例来引导模型学习。
Answer Engineering：答案工程，是指设计提示词以优化模型输出的答案质量。
Conversational Prompt Engineering：会话提示工程，是指专门用于优化对话生成模型的提示词设计。
Fine-Tuning：微调，是指对模型进行专门的数据训练以改进其性能。
Prompt-Based Learning：基于提示的学习，是指利用提示词来进行模型训练的过程。
Prompt Tuning：提示调整，通过微调提示词来优化模型输出。
In-Context Learning：上下文学习，模型通过提供的上下文或示例进行学习和生成响应的能力。
Zero-Shot Prompt：零样本提示，是指模型在没有示例的情况下处理任务的能力。
Density：密度，可能指提示词的信息密度或复杂度。
Few-Shot Prompt：少样本提示，是指通过提供少量示例来引导模型生成响应的技术。
Exemplar：示例，在提示词中提供具体的示例来帮助模型理解任务。
Continuous Prompt：连续提示，可能指提示词的连续性或连贯性。
Discrete Prompt：离散提示，与连续提示相对，可能指提示词之间的独立性或离散性。
User Prompt：用户提示，是由用户直接提供的提示词。
System Prompt：系统提示，是由系统预设或自动生成的提示词。
Assistant Prompt：助手提示，专门设计用于助手功能的提示词。
Prefix：前缀，在提示词前加上特定的前缀以引导模型生成特定类型的输出。
Cloze：填空提示，一种要求模型填补缺失信息的提示类型。
Originator：创建者，可能指提示词的来源或生成者。
Verbalizer：词语化器，是将模型的输出转化为可理解语言的工具。
Extractor：提取器，专门用于从文本或数据中提取特定信息的工具。
关注自动领取500+ChatGPT报告，有任何问题，加作者dtalk2023,加入数字化 或者GPT社群。
提示词系列：
