本文介绍了优化大型语言模型（LLM）提示词的两大核心原则：编写清晰具体的指令和给予模型充分思考时间。通过使用分隔符、结构化输出、条件检查和示例演示等策略，可以显著提升模型输出质量。文章还探讨了模型可能产生"幻觉"的局限性，并通过"从产品说明书生成营销文案"的实例，展示了提示词迭代优化的完整流程：从初始版本到针对文本长度问题的优化方案，最终实现简洁有效的输出。

Prompt Injection，即提示词注入，是攻击者通过构造精心设计的恶意提示词，干扰、篡改甚至完全覆盖大语言模型的预设系统指令和执行逻辑，让模型违背开发者的原始设计意图，执行非授权操作、生成有害内容或泄露敏感信息的一种攻击方式。大语言模型对用户输入的“无差别语义理解”特性——常规LLM应用中，模型会同时接收开发者设置的系统指令system，定义模型的角色、功能、行为边界）和用户输入user。

ReAct的全称是（思考+行动），由Google Research团队于2022年在论文《ReAct: Synergizing Reasoning and Acting in Language Models》中提出。让LLM像人类解决问题一样，“边想边做”——通过交替进行“思考（梳理思路、明确下一步）”和“行动（执行操作、获取反馈）”，逐步逼近问题答案，而不是一次性输出最终结果。

聚类算法：K-means、K-means++；聚类算法评估；特征降维：特征选择（Pearson相关系数、Spearman相关系数）、PCA主成分分析

ReAct的全称是（思考+行动），由Google Research团队于2022年在论文《ReAct: Synergizing Reasoning and Acting in Language Models》中提出。让LLM像人类解决问题一样，“边想边做”——通过交替进行“思考（梳理思路、明确下一步）”和“行动（执行操作、获取反馈）”，逐步逼近问题答案，而不是一次性输出最终结果。

K-近邻算法、距离度量：曼哈顿距离，切比雪夫距离、K值选择、kd树、鸢尾花种类预测、特征工程、交叉验证、网格搜索、Facebook签到位置、数据分割

1. 熵Entropy；2. 信息增益（率）；3. 基尼值（指数）；4. CART剪枝；5. 特征工程特征提取；6. 回归决策树

本文介绍了优化大型语言模型（LLM）提示词的两大核心原则：编写清晰具体的指令和给予模型充分思考时间。通过使用分隔符、结构化输出、条件检查和示例演示等策略，可以显著提升模型输出质量。文章还探讨了模型可能产生"幻觉"的局限性，并通过"从产品说明书生成营销文案"的实例，展示了提示词迭代优化的完整流程：从初始版本到针对文本长度问题的优化方案，最终实现简洁有效的输出。

神经网络面试题+答案+解析

Faiss的全称是，是Meta（原Facebook）AI研究院针对大规模向量相似度检索问题开发的开源工具库。高性能：使用C++编写，底层做了大量优化（如SIMD指令、GPU并行计算），对10亿量级的索引可以做到毫秒级检索多语言支持：虽然核心是C++，但提供了简洁易用的Python接口，对Python开发者非常友好索引类型丰富：支持Flat、IVF、HNSW等多种索引结构，可根据数据量和精度需求灵活