我與許皓的內部聊天記錄，他展示如何驅動 ChatGPT 產生有用的自測程式碼。他的初始提示會以實作策略為 LLM 提供準備（思考鏈提示）。他的提示也會要求實作計畫，而非程式碼（一般知識提示）。一旦取得計畫，他會使用計畫來精進實作並產生有用的程式碼區段。

我們正在打造一款名為「Boba」的實驗性 AI 副駕駛，用於產品策略和生成式構思。在此過程中，我們學到一些關於如何打造這類應用程式的有用經驗，並將這些經驗整理成型式。這些型式讓應用程式能協助使用者更有效率地與大型語言模型 (LLM) 互動，編排提示以獲得更好的結果，協助使用者導覽複雜的對話流程，並整合 LLM 無法取得的知識。

生成式 AI，特別是 LLM（大型語言模型），已在公眾意識中爆發。與許多軟體開發人員一樣，Birgitta 對其可能性感到好奇，但對於從長遠來看它對我們專業的具體影響仍不確定。她在 Thoughtworks 擔任協調員，負責協調我們探討這項技術如何影響軟體交付實務的工作。在此頁面中，她會發布一系列備忘錄，說明她與我們的同事正在學習和思考的事項。

LLM 工程不只是提示設計或提示工程。在本文中，我們分享了一組工程實務，這些實務幫助我們在最近的專案中快速且可靠地交付 LLM 應用程式原型。我們將分享 LLM 應用程式自動化測試和對抗性測試的技術、重構，以及 LLM 應用程式架構和負責任 AI 的考量因素。

一位經驗豐富的技術作者探索使用 ChatGPT 來協助多項寫作專案。他發現 ChatGPT 可以透過草稿和提示額外內容來節省時間，但缺乏準確性和深度，而且過於樂觀。總體而言，如果您反覆進行作業，並要求提供經過精心設計提示的小部分內容，它會很有用。

詢問 Stable Diffusion「技術作者的肖像」