9. ChatGPT 最佳实践案例小白版

ChatGPT 最佳实践案例小白版 🆒 ChatGPT 最佳实践案例小白版 Modified May 15, 2024 Code block Bash Copy SYSTEM 您将获得一个用三引号分隔的文档。您的任务是选择与以下问题相关的摘录："人工智能历史上发生过哪些重大的经典转变事件。" 确保摘录包含所有相关的上下文，以便解释它们 换句话说，不要提取缺少重要上下文的小片段， 以如下的 JSON 格式提供输出： [{"摘录"： "..."}， ... {"摘录"： "..."}] USER """<插入文档 """ ASSISTANT [{"摘录"： "模型在这里写下一段摘录"}， ... {"摘录"： "模型在这里写下另一段摘录"}] USER 还有其他相关的摘录吗？请注意不要重复摘录。并确保新的摘录确实与问题有关，而且在旧的摘录中还没有涵盖。 ASSISTANT [{"摘录"： "模型在这里写下一段摘录"}， ... {"摘录"： "模型在这里写下另一段摘录"}] 注意，如果文档特别长，这个策略可能需要多次应用。 由于测试的文章内容较大，有需要的小伙伴可以访问链接查看或者继续对话。 地址：https：//shareg.pt/F3KN3NC 总结 通过上述的测试数据，我们可以发现，的确模型存在这种遗忘的现象，那是因为我们输入内容超过了一定的 token ，导致模型存在了一些遗忘，这里请模型再次检查，让模型帮我们重新整理了数据。 因此，请 AI 再次自我检查的提示词习惯，最好是在输入大量文本后，或者在大量对话后，让模型进行自己检查，可以帮助我们收获更加准确的答案哦。 策略五：使用外部工具 我们可以将 GPT 与其他工具结合，来弥补 GPT 的不足。例如，使用文本检索系统让 GPT 访问相关的文档信息，使用 WebPilot 让 GPT 访问实时的信息和网页链接，使用 txyz.ai 让 GPT 访问 Arxive 上的文章等等。如果用工具做某事比用 GPT 更可靠或高效，那就应当使用工具，进而充分发挥两者的优势。 技巧： 1. 使用嵌入式搜索 2. 使用代码进行更精确的计算或者调用API 3. 允许模型访问特定功能 技巧一：使用基于 Embedding 的搜索实现高效的知识检索 适用人群：程序开发者 难度：★★★★ 当谈论模型利用外部信息源时，就像是给它提供更多的信息来来帮助它做出更准确、有根据的回答。您可以想象您在跟一个很聪明的朋友聊天，有时候您会告诉他一些背景信息，这样他就能更好地回答您的问题。 这种外部信息可以通过一种叫做"文本 Embedding"的方式被加入到模型中。文本Embedding就像是把文本转换成特殊的向量，这个向星可以展示不同文本之间的关系。如果两段文本很相似或者相关，它们对应的向量就会比较接近。有些聪明的计算方法可以快速地找出相似向量，这就使得我们可以有效他找到相关的信息。 想象一下，我们有很多关于电影的文本，每个文本都可以被转换成一个向量并存储起来。当用户问一个关于电影的问题时，我们可以把这个问题也转换成一个向量，然后在向量空间中搜索最接近这个向量的文本向量，找到最相关的文本块，然后从中获取信息来回答用户的问题。 简单来说，就是模型可以借助外部信息来更好地回答问题，而文本Embedding是一种帮助我们在海量文本中迅速找到相关信息的聪明方法。这样一来，我们就能让模型变得更聪明，能够根据背景信息做出更准确的回应了。 总结 这里更加适合程序开发人员来实践该案例，这边我们来举个例子来理解： 假设，我们有一个关于电影的大型文本数据库，其中包含了各种电影的详细信息，如演员、导演、剧情等。 现在，用户想知道关于某部特定电影的信息。通过将用户的查询编码为特征向量，并与数据库中的电影信息进行向量搜索，我们可以迅速找到与用户查询最相关的电影信息。例如，如果用户询问"由莱昂纳多·迪卡普里奥主演的电影"，系统可以迅速检索到与这个查询最相关的电影信息，如《泰坦尼克号》、《盗梦空间》等。 要实现这个案例，需要结合几个关键技术和步骤： 1. 文本Embedding工具：首先，您需要一个能够将文本转化为向量的工具具，例如 Word2Vec、BERT、FastText等。这些工具可以将文本转化为高维空间中的向量。 2. 构建电影数据库：您需要一个包含各种电影详细信息的数据库。这个数据库可以是一个简单的文本文件，每行包含一个电影的信息，或者是一个更复杂的数据库系统。 3. 预处理和 Embedding：将数据库中的每部电影的信息进行文本 Embedding，得到每部电影的向量表示，并存储这些向量。 4. 查询处理：当用户提出查询时，例如"由莱昂纳多·迪卡普里奥主演的电影"，您需要将这个查询进行文本Embedding，得到一个查询向量。 5. 向量搜索：使用某种快速的向量搜索算法(例如余弦相似度、KNN 搜索等)在电影数据库中找到与查询向量最接近的电影向量。 6. 返回结果：根据找到的最接近的电影向量，从数据库中检索相关的电影信息，并返回给用户 7. 集成到 ChatGPT ：您可以将上述步骤封装成一个 API 或函数，并在 ChatGPT 的对话逻辑中调用它，以便当用户提出相关查询时，ChatGPT 可以调用这个 API 或函数并返回相目关的电影信息。 8. 这只是一个高级的概述，实际实现可能会涉及更多的细节和技术挑战。但基本的思路是将文本Embedding技术与向量搜索结合起来，以实现高效的知识检索。 技巧二：使用代码执行进行更精确的计算或调用外部 API 适用人群：熟练者、程序开发人员 难度：★★★ 我们不能依赖 GPT 自己精确地进行算术或长时间的计算。在需要的情况下，可以指导模型编写和运行代码，而不是自己进行计算。特别是，可以指导模型将要运行的代码放入特特定格式，如三重反引号。在产生输出后，可以提取并运行代码。最后，如果必要，可以将代码执行引擎(如 Python 解释器)的输出作为模型下一次查询的输入。 总结 这个策略描述了在需要进行复杂计算时，如何正确地使用 GPT 模型 • GPT 模型有以下几个特点： • GPT 模型本身不能被完全依赖来准确地执行算术或长时间的计算。 • 在需要这样的计算时，可以指导模型编写并运行代码，而不是让模型自己进行计算。 • 特别地，可以指导模型将要运行的代码放入一个指定的格式中，例如使用三个反引号( backticks )。 • 代码产生的输出可以被提取并运行。 • 如果需要，代码执行引擎(例如 Python 解释器)的输出可以作)为输入提供给模型，以供下一个查询使用。 策略六：系统地测试更改 有时候很难分辨出某项更改(如新指令或设计)是否提升了系统性能。查看几个例子可能会提示哪种方法更好，但样量太小时，难以区分真正的改进与随机幸运。也许某项更改对某些输入有益，但对其他输入有害。 有时候我们很难确定一项改变（比如新的指令或新的设计）是否会对系统产生积极的影响。我们可以通过观察一些样本来判断哪个更好，但是如果样本数量太少，就很难区分真正的改进和偶然的运气。有些改变可能会提高某些输入的性能，但也可能会降低其他输入的性能。 评估程序(或“测评”)对优化系统设计很有用。好的测评应该具有以下特点： • 代表真实使用情况(或至少包含多样性) • 包含大量测试用例以增强统计功效(参见下表) • 易于自动化或重复 要对比两个提示词的不同差异，需要进行不同的实验次数。OpenAI 在下面表中为我们说明了检测不同的差异度，需要的实验次数。检测 30% 的差异，实验约 10 次即可；当检测 1% 的差异度时，需实验 10000次。 模型输出的评估可以由计算机、人类或两者的组合来完成。计算机可以用客观标准(如只有单一正确答案的问题)自动进行测评，也可以用其他模型查询对一些主观或模糊标准进行测评。OpenAI Evals 是一个开源软件框架，提供了创建自动化测评的工具。 对于输出范围广泛且同等高质量的问题(如需要长答案的问题)，基于模型的测评可发挥作用。模型测评与需要人工评估的问题界限模糊，随着模型变得越来越强大而不断扩展。我们鼓励您进行试验，了解基于模型的测评对您的用例能发挥多大作用。 技巧： • 参照标准答案评估模型输出 技巧一：参照标准答案评估模型输出 适用人群：熟练者、程序开发人员 难度：★★★★ 假设我们知道一个问题的正确答案应该参考一组特定的已知事实。那么我们可以使用模型查询来计算答案中包含了多少必需的事实。 您可以这么理解： 假设问题是：“中国的四大古都是哪些？”那么正确的答案应该包含四个已知事实，即“北京、南京、洛阳、长安”。 我们可以用模型查询来检查答案是否涉及到这四个城市。 如果答案只提到了三个城市，那么我们就知道答案是不完整的。 下面我们将以 openai 提供的标准答案（即检验 prompt ）来核验，为大家对比使用 prompt 前后（ GPT 回复的）差异： 检验 prompt 如下： Code block Plain Text Copy SYSTEM 检查提交的答案是否直接包含下列信息： 尼尔·阿姆斯特朗是第一个登上月球的人。 尼尔·阿姆斯特朗首次登上月球的日期是 1969 年 7 月 21 日。 对于上述的每一点，请执行以下步骤： 1 重新陈述该观点。 2 提供答案中与此观点最接近的引证。 3 考虑一个不了解该主题的人在阅读此引证时是否能直接推断出该观点。在做出判断之前，请解释为什么可以或为什么不可以。 4 如果步骤3的答案是肯定的，写下“是”，否则写下“否”。 最后，提供“是”的答案总数。将此总数以{"count"： <插入计数值 }的形式提供。 该检验 prompt 可以很好的检验您的输入是否准确到位！ 如果答案满足所有要点，count 将为要点的总数。如果仅满足部分要点，count 将小于要点总数。 假如 gpt 给您的答案为：“ 1969 年 7 月 21 日，阿姆斯特朗成为了第一个行走在月球上的人。” 我们在答案中能找到直接的引证，并确定读者可以从引证中直接推断出这两点。 因此，此处的答案是两个“是”，count 总数为 2 。 ——这意味着您的输入是准确到位的。 OpenAI Evals 注意，如果文档特别长，这个策略可能需要多次应用。 由于测试的文章内容较大，有需要的小伙伴可以访问链接查看或者继续对话。 地址：https：//shareg.pt/F3KN3NC 由于测试的文章内容较大，有需要的小伙伴可以访问链接查看或者继续对话。 地址：https：//shareg.pt/F3KN3NC 总结 通过上述的测试数据，我们可以发现，的确模型存在这种遗忘的现象，那是因为我们输入内容超过了一定的 token ，导致模型存在了一些遗忘，这里请模型再次检查，让模型帮我们重新整理了数据。 因此，请 AI 再次自我检查的提示词习惯，最好是在输入大量文本后，或者在大量对话后，让模型进行自己检查，可以帮助我们收获更加准确的答案哦。 策略五：使用外部工具 我们可以将 GPT 与其他工具结合，来弥补 GPT 的不足。例如，使用文本检索系统让 GPT 访问相关的文档信息，使用 WebPilot 让 GPT 访问实时的信息和网页链接，使用 txyz.ai 让 GPT 访问 Arxive 上的文章等等。如果用工具做某事比用 GPT 更可靠或高效，那就应当使用工具，进而充分发挥两者的优势。 技巧： 1. 使用嵌入式搜索 2. 使用代码进行更精确的计算或者调用API 3. 允许模型访问特定功能 技巧一：使用基于 Embedding 的搜索实现高效的知识检索 适用人群：程序开发者 难度：★★★★ 适用人群：程序开发者 难度：★★★★ 当谈论模型利用外部信息源时，就像是给它提供更多的信息来来帮助它做出更准确、有根据的回答。您可以想象您在跟一个很聪明的朋友聊天，有时候您会告诉他一些背景信息，这样他就能更好地回答您的问题。 这种外部信息可以通过一种叫做"文本 Embedding"的方式被加入到模型中。文本Embedding就像是把文本转换成特殊的向量，这个向星可以展示不同文本之间的关系。如果两段文本很相似或者相关，它们对应的向量就会比较接近。有些聪明的计算方法可以快速地找出相似向量，这就使得我们可以有效他找到相关的信息。 想象一下，我们有很多关于电影的文本，每个文本都可以被转换成一个向量并存储起来。当用户问一个关于电影的问题时，我们可以把这个问题也转换成一个向量，然后在向量空间中搜索最接近这个向量的文本向量，找到最相关的文本块，然后从中获取信息来回答用户的问题。 简单来说，就是模型可以借助外部信息来更好地回答问题，而文本Embedding是一种帮助我们在海量文本中迅速找到相关信息的聪明方法。这样一来，我们就能让模型变得更聪明，能够根据背景信息做出更准确的回应了。 总结 这里更加适合程序开发人员来实践该案例，这边我们来举个例子来理解： 假设，我们有一个关于电影的大型文本数据库，其中包含了各种电影的详细信息，如演员、导演、剧情等。 现在，用户想知道关于某部特定电影的信息。通过将用户的查询编码为特征向量，并与数据库中的电影信息进行向量搜索，我们可以迅速找到与用户查询最相关的电影信息。例如，如果用户询问"由莱昂纳多·迪卡普里奥主演的电影"，系统可以迅速检索到与这个查询最相关的电影信息，如《泰坦尼克号》、《盗梦空间》等。 假设，我们有一个关于电影的大型文本数据库，其中包含了各种电影的详细信息，如演员、导演、剧情等。 现在，用户想知道关于某部特定电影的信息。通过将用户的查询编码为特征向量，并与数据库中的电影信息进行向量搜索，我们可以迅速找到与用户查询最相关的电影信息。例如，如果用户询问"由莱昂纳多·迪卡普里奥主演的电影"，系统可以迅速检索到与这个查询最相关的电影信息，如《泰坦尼克号》、《盗梦空间》等。 要实现这个案例，需要结合几个关键技术和步骤： 1. 文本Embedding工具：首先，您需要一个能够将文本转化为向量的工具具，例如 Word2Vec、BERT、FastText等。这些工具可以将文本转化为高维空间中的向量。 2. 构建电影数据库：您需要一个包含各种电影详细信息的数据库。这个数据库可以是一个简单的文本文件，每行包含一个电影的信息，或者是一个更复杂的数据库系统。 3. 预处理和 Embedding：将数据库中的每部电影的信息进行文本 Embedding，得到每部电影的向量表示，并存储这些向量。 4. 查询处理：当用户提出查询时，例如"由莱昂纳多·迪卡普里奥主演的电影"，您需要将这个查询进行文本Embedding，得到一个查询向量。 5. 向量搜索：使用某种快速的向量搜索算法(例如余弦相似度、KNN 搜索等)在电影数据库中找到与查询向量最接近的电影向量。 6. 返回结果：根据找到的最接近的电影向量，从数据库中检索相关的电影信息，并返回给用户 7. 集成到 ChatGPT ：您可以将上述步骤封装成一个 API 或函数，并在 ChatGPT 的对话逻辑中调用它，以便当用户提出相关查询时，ChatGPT 可以调用这个 API 或函数并返回相目关的电影信息。 8. 这只是一个高级的概述，实际实现可能会涉及更多的细节和技术挑战。但基本的思路是将文本Embedding技术与向量搜索结合起来，以实现高效的知识检索。 技巧二：使用代码执行进行更精确的计算或调用外部 API 适用人群：熟练者、程序开发人员 难度：★★★ 适用人群：熟练者、程序开发人员 难度：★★★ 我们不能依赖 GPT 自己精确地进行算术或长时间的计算。在需要的情况下，可以指导模型编写和运行代码，而不是自己进行计算。特别是，可以指导模型将要运行的代码放入特特定格式，如三重反引号。在产生输出后，可以提取并运行代码。最后，如果必要，可以将代码执行引擎(如 Python 解释器)的输出作为模型下一次查询的输入。 总结 这个策略描述了在需要进行复杂计算时，如何正确地使用 GPT 模型 • GPT 模型有以下几个特点： • GPT 模型本身不能被完全依赖来准确地执行算术或长时间的计算。 • 在需要这样的计算时，可以指导模型编写并运行代码，而不是让模型自己进行计算。 • 特别地，可以指导模型将要运行的代码放入一个指定的格式中，例如使用三个反引号( backticks )。 • 代码产生的输出可以被提取并运行。 • 如果需要，代码执行引擎(例如 Python 解释器)的输出可以作)为输入提供给模型，以供下一个查询使用。 策略六：系统地测试更改 有时候很难分辨出某项更改(如新指令或设计)是否提升了系统性能。查看几个例子可能会提示哪种方法更好，但样量太小时，难以区分真正的改进与随机幸运。也许某项更改对某些输入有益，但对其他输入有害。 有时候我们很难确定一项改变（比如新的指令或新的设计）是否会对系统产生积极的影响。我们可以通过观察一些样本来判断哪个更好，但是如果样本数量太少，就很难区分真正的改进和偶然的运气。有些改变可能会提高某些输入的性能，但也可能会降低其他输入的性能。 评估程序(或“测评”)对优化系统设计很有用。好的测评应该具有以下特点： • 代表真实使用情况(或至少包含多样性) • 包含大量测试用例以增强统计功效(参见下表) • 易于自动化或重复 • 代表真实使用情况(或至少包含多样性) • 包含大量测试用例以增强统计功效(参见下表) • 易于自动化或重复 要对比两个提示词的不同差异，需要进行不同的实验次数。OpenAI 在下面表中为我们说明了检测不同的差异度，需要的实验次数。检测 30% 的差异，实验约 10 次即可；当检测 1% 的差异度时，需实验 10000次。 模型输出的评估可以由计算机、人类或两者的组合来完成。计算机可以用客观标准(如只有单一正确答案的问题)自动进行测评，也可以用其他模型查询对一些主观或模糊标准进行测评。OpenAI Evals 是一个开源软件框架，提供了创建自动化测评的工具。 OpenAI Evals 对于输出范围广泛且同等高质量的问题(如需要长答案的问题)，基于模型的测评可发挥作用。模型测评与需要人工评估的问题界限模糊，随着模型变得越来越强大而不断扩展。我们鼓励您进行试验，了解基于模型的测评对您的用例能发挥多大作用。 技巧： • 参照标准答案评估模型输出 技巧一：参照标准答案评估模型输出 适用人群：熟练者、程序开发人员 难度：★★★★ 适用人群：熟练者、程序开发人员 难度：★★★★ 假设我们知道一个问题的正确答案应该参考一组特定的已知事实。那么我们可以使用模型查询来计算答案中包含了多少必需的事实。 您可以这么理解： 假设问题是：“中国的四大古都是哪些？”那么正确的答案应该包含四个已知事实，即“北京、南京、洛阳、长安”。 我们可以用模型查询来检查答案是否涉及到这四个城市。 如果答案只提到了三个城市，那么我们就知道答案是不完整的。 您可以这么理解： 假设问题是：“中国的四大古都是哪些？”那么正确的答案应该包含四个已知事实，即“北京、南京、洛阳、长安”。 我们可以用模型查询来检查答案是否涉及到这四个城市。 如果答案只提到了三个城市，那么我们就知道答案是不完整的。 下面我们将以 openai 提供的标准答案（即检验 prompt ）来核验，为大家对比使用 prompt 前后（ GPT 回复的）差异： 检验 prompt 如下： 该检验 prompt 可以很好的检验您的输入是否准确到位！ 如果答案满足所有要点，count 将为要点的总数。如果仅满足部分要点，count 将小于要点总数。 假如 gpt 给您的答案为：“ 1969 年 7 月 21 日，阿姆斯特朗成为了第一个行走在月球上的人。” 我们在答案中能找到直接的引证，并确定读者可以从引证中直接推断出这两点。 因此，此处的答案是两个“是”，count 总数为 2 。 ——这意味着您的输入是准确到位的。 假如 gpt 给您的答案为：“ 1969 年 7 月 21 日，阿姆斯特朗成为了第一个行走在月球上的人。” 我们在答案中能找到直接的引证，并确定读者可以从引证中直接推断出这两点。 因此，此处的答案是两个“是”，count 总数为 2 。 ——这意味着您的输入是准确到位的。 总结 官方提供了两种不同的场景，一种是与标题答案进行对比，另外一种则是考虑两者之间的重叠和矛盾，更加全面的 评估模型的表现。 这两种方式可以帮助程序开发人员从以下几点中获益： 1. 深入的评估：不仅仅是简单地比较模型输出与专家标准答案，这还要考虑两者之间的重叠和矛盾，从而更全面地评估模型的表现。 2. 发现细微差异：通过跟踪重叠和矛盾，可以更容易地发现模型输输出中的细微差异和潜在问题。 3. 提高模型的准确性和可靠性：确保模型的输出不仅与专家标准答案相符，而且不与其矛盾，从而提高模型的准确性和可靠性。 通过这种评估方法，开发者可以更加深入地了解模型的表现，确保其输出既准确又可靠。进而可以考虑是否进行优 化。这一种非常好的测试手段。 • 本文作者：群友 @耙耳朵的光 （公众号 耙耳朵的光）创作，云中江树修改 • 原文：ChatGPT 最佳实践案例小白版 ChatGPT 最佳实践案例小白版 • LangGPT 社区推荐语：由于 OpenAI 官方最佳实践指南对小白来说有一定的理解门槛，故该文特别为新手玩家降级处理，并提供翔实的对比案例以供参考理解。 编者按 • 该指南是提高 ChatGPT 模型表现的最佳实践策略和技巧，并提供翔实的案例便于新入门的朋友理解 • 这里描述的策略和技巧有时可以组合使用以达到更好的效果 • 建议您使用 GPT 4 上对相关策略和技巧进行尝试，愿您发掘出您需要的使用方案 • 本文主要参考 OpenAI 官方文档最佳实践文档 以及@熊猫JAY的万字解读ChatGPT提示词最佳案例 OpenAI 官方文档最佳实践文档 万字解读ChatGPT提示词最佳案例 • 该指南是提高 ChatGPT 模型表现的最佳实践策略和技巧，并提供翔实的案例便于新入门的朋友理解 • 这里描述的策略和技巧有时可以组合使用以达到更好的效果 • 建议您使用 GPT 4 上对相关策略和技巧进行尝试，愿您发掘出您需要的使用方案 • 本文主要参考 OpenAI 官方文档最佳实践文档 以及@熊猫JAY的万字解读ChatGPT提示词最佳案例 OpenAI 官方文档最佳实践文档 万字解读ChatGPT提示词最佳案例 提示词里的三种角色 本文的最佳实践案例中，和 GPT 的对话会涉及到三种角色，一般分为， • USER 就是您本人 • ASSISTANT 是 GPT • SYSTEM 是系统，正常情况不出现 • 大多数情况下，在对话框里您只会看到 USER 和 ASSISTANT 在 balabala... 本文的最佳实践案例中，和 GPT 的对话会涉及到三种角色，一般分为， • USER 就是您本人 • ASSISTANT 是 GPT • SYSTEM 是系统，正常情况不出现 • 大多数情况下，在对话框里您只会看到 USER 和 ASSISTANT 在 balabala... ChatGPT 提示词最佳实践——六大策略及对比案例 💡 学习指南 • 首先逐步了解每个策略 • 形成对策略的初步认识或疑问 • 带着您的认识或问题去看案例 • 看完案例还有疑问再请教他人 学习指南 • 首先逐步了解每个策略 • 形成对策略的初步认识或疑问 • 带着您的认识或问题去看案例 • 看完案例还有疑问再请教他人 策略一：清晰地表达提示词 我们通过对话框和 GPT 互动，所以我们文字表达清晰、好坏程度决定了 GPT 产出文本结果的优劣 如果 GPT 回复过长，我们可以明确要求简洁答案 如果觉得答案过于基础，我们可以要求更深入、专家级的回答 如果您对输出的格式有特定要求，直接展示您想要的格式 GPT 模型对您的需求理解得越清晰，为您提供满意答案的几率就越高 我们通过对话框和 GPT 互动，所以我们文字表达清晰、好坏程度决定了 GPT 产出文本结果的优劣 如果 GPT 回复过长，我们可以明确要求简洁答案 如果觉得答案过于基础，我们可以要求更深入、专家级的回答 如果您对输出的格式有特定要求，直接展示您想要的格式 GPT 模型对您的需求理解得越清晰，为您提供满意答案的几率就越高 请务必先掌握该部分的策略和技巧，帮您快速入门： 1. 详细描述您的问题 描述越清晰，您得到的答案越符合您的预期 描述越清晰，您得到的答案越符合您的预期 2. 让 GPT 扮演一个角色 您给它什么身份，它就用该身份的思维定势去思考决策 您给它什么身份，它就用该身份的思维定势去思考决策 3. 用分隔符区分不同的输入内容 更方便 GPT 阅读和理解，您自己也不想看长篇累牍一坨吧... 更方便 GPT 阅读和理解，您自己也不想看长篇累牍一坨吧... 4. 列出任务步骤 很重要，学会让 GPT 一步接一步的干活 很重要，学会让 GPT 一步接一步的干活 5. 提供示例 您说个 123 ， GPT 就照您说的 123 来输出 您说个 123 ， GPT 就照您说的 123 来输出 6. 指定输出的长度 精确字数虽然做不到，但您可以指定文章结构、段落啥的... 精确字数虽然做不到，但您可以指定文章结构、段落啥的... 技巧一：细节法（在查询中包含更多细节以获取更相关的回答） 适用人群：新手 难度：★ 适用人群：新手 难度：★ 为了获得与我们提问高度相关的回复，我们需要给模型提供任何重要的细节或上下文，否则，GPT 就会猜测您的意图，从而导致结果不尽如人意。 优质提问到底优在哪里？ 1. 详细性：优质提问 提供了更为详细的描述和需求。例如，第一组只提到了“如何将 Excel 中的数字相加求和”，而优质提问则明确指出了“在 Excel 中将一列美元金额相加”并且详细描述了求和的位置和列名。 2. 具体性：优质提问 更为具体，它不仅仅是提出一个问题，还给出了具体的背景和要求。例如，优质提问关于斐波那契数列的问题明确要求使用 TypeScript 编写，并要求添加注释。 3. 结构性：优质提问 的结构更为清晰，它将需求分为了多个部分。例如，关于会议纪要的问题，优质提问不仅要求总结成一个段落，还要求使用 Markdown 列表形式列出与会者的名称和观点，以及后续的行动事项。 4. 上下文信息：优质提问 提供了更多的上下文信息，这有助于更好地理解和回答问题。例如，关于墨西哥总统的问题，优质提问明确提到了“ 2021 年”并询问选举的频率。 5. 指导性：优质提问 更具指导性，它为回答者提供了明确的方向和期望。例如，关于编写斐波那契数列的代码，优质提问明确要求“高效计算”并“添加大量注释”。 1. 详细性：优质提问 提供了更为详细的描述和需求。例如，第一组只提到了“如何将 Excel 中的数字相加求和”，而优质提问则明确指出了“在 Excel 中将一列美元金额相加”并且详细描述了求和的位置和列名。 2. 具体性：优质提问 更为具体，它不仅仅是提出一个问题，还给出了具体的背景和要求。例如，优质提问关于斐波那契数列的问题明确要求使用 TypeScript 编写，并要求添加注释。 3. 结构性：优质提问 的结构更为清晰，它将需求分为了多个部分。例如，关于会议纪要的问题，优质提问不仅要求总结成一个段落，还要求使用 Markdown 列表形式列出与会者的名称和观点，以及后续的行动事项。 4. 上下文信息：优质提问 提供了更多的上下文信息，这有助于更好地理解和回答问题。例如，关于墨西哥总统的问题，优质提问明确提到了“ 2021 年”并询问选举的频率。 5. 指导性：优质提问 更具指导性，它为回答者提供了明确的方向和期望。例如，关于编写斐波那契数列的代码，优质提问明确要求“高效计算”并“添加大量注释”。 接下来，我们直接上手在 GPT 4 进行对比测试： 不使用细节法提问——谁是总统？ 使用细节法提问—— 2021 年墨西哥总统是谁，选举多久举行一次？ 明显看得出，GPT 给出的回答质量有着天壤之别。 我们再举一个生活中的例子： • 您去图书馆找一本书。您跟图书管理员说：“我想要一本书。”图书管理员可能会很困惑，因为图书馆里有成千上万的书。您并没有说明您想要哪一本书，关于什么内容，或者为什么目的。 • 而这次您跟图书管理员说：“我想找一本关于恐龙的书，因为我要写一个关于侏罗纪时期恐龙的作文。”现在，图书管理员知道您的具体需求，她可以快速地为您找到最合适的书。 • 您去图书馆找一本书。您跟图书管理员说：“我想要一本书。”图书管理员可能会很困惑，因为图书馆里有成千上万的书。您并没有说明您想要哪一本书，关于什么内容，或者为什么目的。 • 而这次您跟图书管理员说：“我想找一本关于恐龙的书，因为我要写一个关于侏罗纪时期恐龙的作文。”现在，图书管理员知道您的具体需求，她可以快速地