Get Started with Lakebase - Mandarin Chinese

提示公司 AI Assistant 的两部分基础课程。第一部分（基础知识）阐释提示的具体程度如何影响回答质量，将该助手定位为一位才华横溢但严格按字面理解指令、通过 RAG 架构扎根于内部知识的"实习生"，介绍其可访问与不可访问的内容，强调"信任但需核实"的思维方式，并引入 C-O-I-E 框架（Context、Outcome、Instruction、Example）。第二部分（技巧）构建提示技巧工具箱，并讲授如何在各技巧之间做出选择：将任务与方法相匹配、内容生成（零样本与少样本）、推理（思维链、自问自答、元提示）、工作流（提示链接以及何时使用链接而非单一提示），以及如何清晰地组织提示结构。

A two-part foundation in prompting a company AI Assistant well. Part 01 (Fundamentals) explains how prompt specificity shapes answer quality, frames the assistant as a brilliant but literal intern grounded in internal knowledge through a RAG architecture, covers what it can and cannot access, stresses a trust-but-verify mindset, and introduces the C-O-I-E framework (Context, Outcome, Instruction, Example). Part 02 (Techniques) builds a toolkit of prompting techniques and teaches how to choose among them: matching tasks to approaches, content generation (zero-shot and few-shot), reasoning (chain-of-thought, self-ask, meta-prompting), workflow (prompt chaining and when to chain versus use a single prompt), and clearly structuring prompts.

Databricks Performance Optimization 课程教导数据工程师和分析师如何在 Databricks Data Intelligence Platform 上诊断、衡量和修复性能瓶颈，以及如何将性能提升与成本关联起来。本课程遵循"先衡量、先平台"的工作流：让平台的自动优化功能承担繁重工作，通过 Query Profile 和系统表验证已应用的优化，再在必要时进行手动调优。

学员将以 Query Profile、Performance Insights 和查询历史记录系统表为基础，学习如何衡量性能。在此基础上，他们将探索关键优化技术，包括数据布局与自调优托管表、liquid clustering、缓存与中间结果、shuffle、数据倾斜、溢出、行爆炸、驱动程序性能、Python UDF、serverless compute、Photon 以及成本归因。

在整个课程中，学员将针对合成零售数据中刻意设计的慢查询进行探索，观察不同优化技术对性能的影响。他们将利用文件裁剪、任务执行时间、Photon 覆盖率和成本等依据来评估优化效果。两个基于场景的实验室将强化从诊断到验证的完整优化工作流。

注意：Databricks Academy 正在将 Databricks 环境中的课堂课程转为基于 notebook 的形式，并停止在讲座中使用幻灯片。您可以在 Vocareum 实验环境中访问课程 notebook。