在比较不同类型的神经网络架构时，了解各自的独特特性和优势非常重要。循环神经网络（RNN）和 Transformer 模型是两类典型架构，它们各有特点和适用场景。
本练习是课程的一部分
通过我们的互动练习之一，将理论转化为实践
学习 ChatGPT 架构基础，重点理解 Transformer、分词（tokenization）与自注意力机制。您将了解从 GPT-1 到 GPT-4 的演进，覆盖核心组件与训练方法，如预训练、微调，以及来自人类反馈的强化学习（RLHF），并掌握这些进步如何推动自然语言处理（NLP）的飞跃。
当前练习
全面提升您的提示词编写能力，聚焦兼顾准确性与创造力的高级技巧。您将练习在谈判场景中使用 XML 标签来提高清晰度，从而优化加薪谈判能力。您还将探索借助少样本（few-shot）提示与思考标签来生成创业点子的方法。完成本章后，您将能为多种应用场景撰写高质量且高效的提示词。
探索 ChatGPT 的高级功能，首先通过自定义说明（custom instructions）实现个性化交互。您将进一步了解构建与部署 Custom GPTs 的灵活能力，以满足多种用例下的定制化需求。最后，本章将展望 ChatGPT 的未来发展方向，包括潜在技术进步与在迈向通用人工智能（AGI）过程中需要关注的伦理问题。
