提示工程
给出明确的具体指令
1. 使用定界符
- 使用类似"""之类的定界符告诉gpt这是需要阅读的材料而不是任务
2. 要求格式化输出
- 比如json的形式,这样你可以直接将结果绑定到结构体,实现rpc功能
- 可以让他给出具体的终端命令,并且和结果格式化成json,这样chatgpt就可以真正调用你的电脑,实现和硬件的交互功能
- 比如html的形式,这样可以直接根据提示返回前端界面
3. 给出例子
- 类似先给出一个example,要求gpt模仿其生成,会更加精确
4. 尝试修改temperature
- temperature是一个参数(在api调用接口时候使用),默认是0,当这个参数越大的时候,结果的精确度越低,但是创造力会更加强大(有点类似bing的创造力模式)
给模型思考的时间
- 如果让模型快速判断快速生成,模型只能生成一个大概的内容,字数和内容深度都不够,因为模型类似人类看一眼而没有思考
1. 描述一个任务的具体步骤
- 通过任务的具体的步骤(其实这个步骤可以通过之前对话生成),每次对话让他解决其中的一个步骤
比如让他写论文,应该第一步让他先写大纲,然后每一条单独去问去写,而不是直接让他写,模糊的目标只有模糊的结果
2. 在模型下结论之前,指导它自己解决
- 比如让他判断计算是否正确时候,可以先让他自己解决,然后对结果进行对比,再下结论,延长模型的思考过程
不停地改善提示语句
- 通过不停微调提示语句,让其扮演一个特定的角色
总结工程
- 这是传统npl算法工程是训练的重点
1. 将总结汇报侧重在某个点
- 比如向某个具体人群的汇报,这样就会更加具象化
2. 可以将大量的数据生成摘要
- 可以用于评论分析方面,这样可以快速简化内容
3. 可以用于情感分析
- 让其对情感进行分析并输出json,方便批量统计数据特性
4. 可以用于判断是否包含某个主题
- 典型的打标行为,给推荐系统打上tag的行为,可以让其堆每个tag打分并格式化成json输出
其他领域
文本翻译
1. 个性化翻译
- 类似转换官方翻译,口语翻译之类的提示词
2. 纠正语法错误
文本扩写
1. 提取情绪并应用情绪
- 扩写之前可以向他提出详细的要求
聊天机器人
- 这部分可以输入自己的信息训练出一个个人的模型
- 假设你是xxx,你会在yyy的场合下做什么
1. 使用system上下文
- system作为上下文的时候,相当于基础设定而不是假设,这样可以让角色的扮演更加真实
解决问题
核心特点
- 大语言模型特点:垃圾输入,垃圾输出
- 如果我想让你xxx,我应该给你输入什么信息
- how类问题核心在于路径的获取
- 明确目标->寻找路径->获取工具
- why类问题核心在于事实推理
沟通视窗
盲区问题(获取信息)
- 我先了解xxx,我应该向你问什么问题
- 列出xxx领域50个概念和解释,详细介绍xxx
公开区域问题(检验/扩充认知)
- 对于xxx,你认为什么是我应该掌握的要点
- 我理解xxx是yyy的,你觉得我的理解对吗
- 我先深入学习xxx,可以推荐一些学习资源和路径吗
达克效应
- 使用chatgpt方向提问能力
- 为了测试我对xxx的认识,提问10个问题检验我的水平
- 我已经熟悉xxx,我是否还需要了解什么
隐私区
- 介绍背景后让他分析可能的影响
其他
有趣的用法
- 确认主题->AI思维导图(大纲)->AI文章生成->AIppt生成
参考:
- https://space.bilibili.com/15467823/video