后GPT时代开发范式思考《硅创社》001期

万物智能成本无限降低人类生产力与创造力解放TheInfinitelyLowerCostOfIntelligenceInAllThingsHumanProductivityAndCreativityEmancipatedSam山 姆 . 阿 尔 特 曼Altman实现管理通用人工智能AGI（

O

p

e

n

A

I

/

C

h

a

t

G

P

T

）做可控核聚变电价降到一美分3

.

7

5

亿美元投H

e

l

i

o

n成立由企业家组成的超级组织改善资本主义经济建立宪章城市未来的基础设施测试未来的管理方式给普通人提供全民基础收入币虹膜识别，

发放Wo

r

l

d C

o

i

nAIGC-GPT-ChatGPTC

O

N

T

E

N

T目

录一二三五四Business

ParadigmDevelopmentParadigmCopilot&PluginsFunction

Calling六七GPTAPIPrompt

Engineering实践（创新工作室）1.Business

Paradigm商业范式硅创社AICG-应用应用5范式：2层应用3层模型应用程序操作系统&API超本地化AI模型特定AI模型通用AI模型这一层是人类和机器协作的界面。这些是工作流程工具，使人工智能模型能够以使商业客户或消费者娱乐的方式获得。这一层简化了应用程序和工作流程的互操作性。它有助于跟踪身份、支付、法律问题、服务条款、存储等。它帮助应用程序开发人员更快地尝试更多的功能，并使它们更快地运行。可以用《自然》的风格写一篇科学文章、可以创建适合特定人审美的室内设计模型、撰写的特殊风格来写代码、可以完全按照某家公司的风格进行灯光和阴影处理。这个模型是在本地、典型的专有数据上训练的。如编写推文、广告文案、歌词，或生成电子商务照片、3D

室内设计图像等。这些模型是在范围更窄、更专业的数据上训练出来的，这应该能让它们在特定的场景里胜过一般模型。类似GPT3的文本，DALL-E2的图像，Whisper

的语音，或Stable

Difusion·这些模型处理广泛类别的输出：文本、图象、视频、语音、游戏。它们将是开源的、易于使用的，并且擅长上述所有的事情。硅创社AICG-应用ChatPPT=Chat+

PPT深度语义分析结构化全文创建对话式PPT创作AI版式设计ChatPPT周泽安依赖自研语义模型-Wernicke，能识别用户输入的内容行进语义分析并实时创建符合用户诉求的PPT内容，让PPT内容创作更简单更高效。Cha

t

P

P

T

是必优科技旗下A

I

动效产品「Motion

Go」的全国首个“

语义命令式”PPT内容创作功能。应用层（软）硅创社ChatMan

=

Chat

+

数字人（林沂蒙）ChatH-BOXChat

H-Box是极客湾（苏州）科技旗下数字孪生产品，可以实现真人与数字人互动、24小时广告轮播、定制内容投放、景点打卡、公司宣传栏指引等功能。依赖数字人技术、数字孪生技术、全息投影技术等生成。全息超写真准实时建模数字人1：1复刻远程投影AICG-应用应用层（硬）硅创社AICG-应用ChatCRM

=

Chat

+

CRM（卞堉榕）ChatCRM苏州馨璞信息科技有限公司AI+社会化营销

=

精准营销应用层（反例）硅创社AICG-应用ChatU=Chat+

UI即插即用自行设定无缝对接管理方便ChatU刘海峰全球领先的AIGC企业级产品，打造多引擎的AIGC操作系统。通过⼀键接入，AI多引擎驱动，

快速实现多行业，

多场景AI应⽤。分步开源计划：

涵盖前端、中台和后端，

为开发者提供更广泛、优秀的工具和资源。全模态AI产品：

包括文本，

图像，

音频(

语音&

音乐)，

视频(

高写实，2D&3D，动画，实时)。API层（软）硅创社AICG-应用ChatBox

=

Chat

+

音箱（罗聪）ChatBox ChatBox是蝌蚪文数字科技旗下基于人工智能的语音对话智能音箱。识别用户的语音，根据语义做情景回答。根据用户命令式语义，执行扩展物联相关操作。TTSSTTChatGPTAPI层（硬）ChatWriting

=

Chat

+

写作（汤倩）辅助老师批改作文对话式引导学生创作学性和逻辑性，达到美与理的统一。ChatWritingChatWriting是立信科技旗下中小学写作智能批改工具，是全国首个以“语义命令式”辅助完成学生写作批改与引导学生内容创作工具。依赖自研语义模型-davinci，能识别用户输入的内容行进语义分析并实时引导中小学生开拓写作思路，从而让孩子们的写作兼具文超本地化AI模型硅创社AICG-应用BloombergGPT

（彭博社）特定在金融领域任务上，BloombergGPT综合表现最好；在通用任务上，BloombergGPT的综合得分优于相同参数量级的其他模型，并且在某些任务上的得分要高于参数量更大的模型。这说明，开发金融专用的大语言模型在金融领域取得好效果的同时，并没有以牺牲模型通用能力为代价。这一结论也可以给我们一个启示，在其他特定领域，我们也可以开发专用的大语言模型。金 融医 疗教 育AI模型硅创社AICG-应用微调大语言模型（LLM）列表来自综述论文<List

of

Open

Sourced

Fine-Tuned

Large

Language

Models

(LLM)>《微调大语言模（LLM）型列表》通用AI模型硅创社AICG-应用2.Development

Paradigm开发范式Schillace

Laws（“semantic”AI

的思考）原则一原则二原则三原则四原则五原则六原则七原则八原则九如果模型可以，就不要写代码；模型会变得更好，但代码不会。模型可以为差异化放弃准确性；准确性更多依靠与用户的交互。代码用于语法和过程；模型用于语义和意图该系统将与其最脆的部分一样脆弱让聪明变得聪明不确定性是一种异常抛出文本是通用的线路协议对你来说很难，对模型来说很难当心“意识的帕雷多利亚”;这个模型可以用来对付自己硅创社AICG-应用后GPT时代：Prompt

即代码GPT-1是第一次使用预训练方法来实现高效语言理解的训练GPT-2采用迁移学习技术，在多种任务中应用预训练信息，提高语言理解能力DALLE是走到另外一个模态GPT-3主要注重泛化能力，few-shot

(小样本)

的泛化;GPT-3.5instruction

following

(指令遵循)和tuning

(微调)是最大突破GPT-4

已经开始实现工程化2023年3月的

Plugin

是生态化（初阶）GPT-1GPT-2DALL.EGPT-3GPT-3.5GPT-4PluginFunction硅创社AICG-应用2023年6月的

Function

Calling

是生态化（进阶）,

Prompt即代码人机协同三范式人类与AI协同的三种模式Embedding嵌入模式Co-pilot副驾驶AI

Agents自主代理模式人类完成绝大部分工作人类和AI协作工作人类AI人类AI人类模式AI人类设立任务目标其中某(几)个任务AI提供信息或建议人类自主结束工作人类设立任务目标其中某(几)个流程AI完成初稿人类修改调整确认人类自主结束工作AI全权代理任务拆分工具选择进度控制AI自主结束工作设立目标提供资源监督结果AIAI完成绝大部分工作AIAI硅创社AICG-应用常用技能CopilotAI

AgentsFine

TuneRAG/CVPPromptPluginsGPT

APIsFunction

Calling基础技能专业技能硅创社AICG-应用提示工程是一个较新的学科，应用于开发和优化提示词（Prompt），帮助用户有效地将语言模型用于各种应用场景和研究领域。提供一堆可能可选择的工具。在应用时，需要结合上下文，生成动态的工具列表，以让LLM选择合适的工具。为

GPT

应用提供的库和框架，其中包含一组函数和类，可以用于执行特定任务。主要包含了九大类的

API应用。由

LLM

在

API

调用时，检测何时应该调用一个函数，传递输入给函数，并调用这个函数。基于通用预训练的模型，通过在特定任务的数据集上进行进一步的训练来微调模型的参数，以使其适应特定任务的要求。使用提示工程与智能体（Agent）进行交互，和外部工具储相结合。根据用户意图，结合特别的模式编写

workflow，以自动构建上下文。除了

llm

本身已经学到的知识之外，通过外挂其他数据源的方式来增强

LLM

的能力，这其中就包括了外部向量数据库等。使用高级智能体（Agent）自动生成提示来控制预训练模型和外部工具。由

LLM

来自动根据用户意图生成

workflow，并自动控制外部工具。硅创社AICG-应用LLM

的最大问题当前，LLM

的最大问题就是缺乏最新的知识和特定领域的知识。相比微调，RAG

是更好的解决方法。开源

LLM

+

LoRA

微调会成为企业的一种主流方式。现今，我们可以看到

LLaMA

2、Code

LLaMA

2

等模型在不断刷新这种可能性。微调的成本更高，需要使用的数据也更多，因此主要适用于风格迁移（styletransfer）的场景。相比之下，RAG

方法使用例如

Milvus

之类的向量数据库，从而将知识和数据注入到应用中，更适用于通用场景。采用

RAG

方法就意味着使用向量数据库存储真理数据，这样可以确保应用返回正确的信息和知识，而不是在缺乏数据时产生幻觉，捏造回答。对于这一问题，业界有两种主要解决方法：微调和检索增强生成。问题方案结论对比大模型微调全量微调FFTFullFine

Tuning有效参数微调PEFTParameter-EfficientFine

Tuning监督式微调SFTSupervisedFine

uning基于人类反馈的强化学习微调RLHFReinforcementLearningwithHuman

Feedback基于AI反馈的强化学习微调RLAIFReinforcementLearningwithAI

Feedback技术路线训练方法PrefixLoRPromptTu基n座i模n型g(Foundation

Model)的参数不变，为每个特定任务，训练一个少量参数的小模型，在具体执行特定任务的时候按需调用。Tu在n不i改n变g大模型的前提下，在Prompt上下文中添加适当的条件，可以引导大模型有更加出色的表现。A假设：我们现在看到的这些大语言模型，它们都是被过度参数化的。而过度参数化的大模型背后，都有一个低维的本质模型。适配特定的下游任务，要训练一个特定的模型。QLoRAQLoRA就是量化版的LoRA，它是在LoRA的基础上，进行了进一步的量化，将原本用16bit表示的参数，降为用4bit来表示，可以在保证模型效果的同时，极大地降低成本。常

用硅创社AICG-应用RAG（检索增强生成)/CVP

Stack154

种数据源的

loader47

种不同的向量存储方式37

种数据

embedding

方式65

个不同大模型的支持Retrieval-augmented

就是指除了

LLM

本身已经学到的知识之外，通过外挂其他数据源的方式来增强

LLM

的能力，这其中就包括了外部向量数据库、外部知识图谱、甚至直接把现有的ES

接入，或者干脆把现有的生产环境下的搜索引擎接入等方式。接入的方式也大同小异，首先检索外挂数据源中与用户给出的上下文相关的内容，合并之后做

embedding

给到所用的

llm

，最后由

llm

根据模型自己的认知，做出回答。CVP=ChatGPT+vectordatabase

+prompt-as-code特 例硅创社AICG-应用RAGvs

FTRAG:

这种方法将检索(或搜索)的能力集成到LLM文本生成中。它结合了检索系统(从大型语料库中获取相关文档片段)和LLM(使用这些片段中的信息生成答案)。本质上，RAG帮助模型“查找”外部信息以改进其响应。微调:

这是采用预训练的LLM并在较小的特定数据集上进一步训练它以使其适应特定任务或提高其性能的过程。通过调优，我们根据数据调整模型的权重，使其更适合应用程序的独特需求。硅创社AICG-应用AI

Agents（智能代理）「TurnyourLLMsintoreasoning

engines」，reasoningengines推理引擎，在Andrej

Karpathy

和

LilianWeng

近期不遗余力的鼓吹之后，成功变成了

LLMs

落地的另一篇超蓝海。所谓的reasoningengines

就是基于LLMs

的理解任务、拆解任务、执行任务的集合Andrej

KarpathyLilian

Weng硅创社AICG-应用LLMOps（人工智能的“Linux时刻”）使用LLM很容易制作出酷炫的东西，但是要使其达到生产级别却十分困难。（Chip

Huyen）①选择基础模型②适应下游任务③评估LLM性能④落地部署/监控专有模型开源模型GPT-3、GPT-4、Claude、Jurassic-2Stable

Diffusion、LLaMA、BLOOM提示工程 嵌 入精调模型 替代品np.array、Pinecone、Weaviate、Milvusinstruction

tuning、prompt

tuning、模型蒸馏HoneyHiveHumanLoopWhylabsHumanLoopLLMOps（基于大模型的AI应用开发框架）是指用于管理LLM驱动的应用程序生命周期的一组工具和最佳实践，包括开发、部署和维护。重点不是从头开始训练LLM，而是适应下游任务的预训练LLM。涉及选择基础模型、适应下游任务、评估LLM性能、部署与监控四个阶段。硅创社AICG-应用LLMOps（LangChain

–

语言链）LangChain（LC）主要2个能力：1、将LLM

与外部数据源进行连接2、允许与

LLM

进行交互LLM

调用支持多种模型接口，如OpenAI、HuggingFace...Fake

LLM，用于测试缓存支持，如in-mem、SQLite、Redis、SQL...用量记录支持流模式，类似打字效果Prompt管理，支持各种自定义模板EmailMarkdownPDFYoutube

...对索引的支持文档分割器向量化对接向量存储与搜索，如Chroma、Pinecone、Qdrand…ChainsLLMChain各种工具ChainLangChainHub/jordddan/langchain-硅创社AICG-应用LLMOps（Semantic

Kernel

–

语义内核）Semantic

Kernel

（SK）

加速了利用

AI

的应用程序和服务的开发，封装了常见的

AI

应用程序设计模式时效场景问天气 APISkill问新闻 APISkill问政策 APISkill学习场景问知识CustomSkil一般场景问候语 AIGCSkill问日常

AIGCSkill问时间

AIGCSkillPrompt

Engineering

PromptChaining&Prompt+CodeChainingChainofThought

(CoT)Zero-shot/

Few-shot语义记忆索引和存储，上下文记忆检索技能定义、托管、发现自然语言处理，意图检测多模型和多模态硅创社AICG-应用/microsoft/semantic-kernelConversational

AgentAutomationActionsAutomationSoftwareAI

FeaturesAI

CopilotAutomationSoftware其它范式：RPA+LLM范式一范式二范式三RPA+LLM三范式：组合、嵌入、融合硅创社AICG-应用3.Copilot&

Plugins实践OPENAI重磅更新：ChatGPT

plugings硅创社AICG-应用Build大会：战略、观点、更新50+硅创社AICG-应用Copilot

扩展性和插件硅创社AICG-应用Copilot：WPS

AI

（功能）硅创社AICG-应用Copilot：WPS

AI

（页面s）硅创社AICG-应用Copilot：WPS

AI

（页面）硅创社AICG-应用4.Function

Calling实践OPENAI重磅更新：Function

Calling在

Completions

中完成

API

中的新函数调用功能！开发人员现在可以向gpt-4-0613和gpt-3.5-turbo-0613

描述函数，并让模型智能地输出一个

JSON

对象，其中包含用于调用这些函数的参数。16k

上下文3.5Turbo

Model新GPT-4&

3.5Turbo

models新的函数调用功能ChatCompletions

API价格降低

75%V2embedding

model将开放给更多人GPT-4

API

的访问足以改变开发流程的一次更新！硅创社AICG-应用LetGPTaccess

Anything名称Name描述Description参数Parameters必需Required函数的名称。函数作用的描述。含函数需要的所有输入字段。进行查询需要或可选的参数。functioncalling是

ChatCompletion

API

中的可选参数，可用于提供函数规范。这样做的目的是使模型能够生成符合函数输入模式的输出。使用用户查询和在函数参数中定义的一组函数调用模型。模型可以选择调用函数。在您的代码中将字符串解析为JSON，并使用提供的参数调用您的函数。将函数响应附加为新消息再次调用模型，并让模型向用户总结结果。1234流程参硅创社AICG-应用数index.pyimport

jsonfromenumimport

Enumimport

openaiopenai.api_key=

os.getenv("OPENAI_API_KEY")fromEmailSkillimportsend_email,send_email_actionclass

SkillFunctions(Enum):SendEmail=

'send_email’//核心代码（接下页）def

run_conversation():……message=response["choices"][0]["message"]print(message)run_conversation()库引用KEY获取定义函数输出与调用核心调用硅创社AICG-应用index.pydef

run_conversation():MODEL=

"gpt-3.5-turbo-0613"response=openai.ChatCompletion.create(model=MODEL,messages=[{"role":

"user","content":"给小美发个邮件，告诉她我晚饭不回家吃了"},],temperature=0,functions=[{//参数（转下页）}],function_call="auto",)新模型的chat

completionapi新增了两个参数：function_call可以先理解为一个开关，控制模型是否要调用函数对输出进行处理，默认为"none"不开启设置为"auto"表示开启functions用来对输出结果进行处理的函数描述列表核心调用参 数硅创社AICG-应用index.py-参数{"name":

"send_email","description":"sendemailassistant","parameters":{"type":

"object",硅创社AICG-应用"properties":

{"receiver":

{"type":

"string","description":"email

receiver",},"content":{"type":"string","description":"email

content"},},"required":["receiver",

"content"],}}参 数名称Name描述Description参数Parameters必需RequiredEmailSkill.pyimportsmtplibfromemail.mime.textimportMIMETextfromemail.mime.multipartimportMIMEMultipartfromemail.headerimport

Header#

发送邮件操作defsend_email_action(receiver,

content):……#

供Function

Calling使用的输出处理函数defsend_email(receiver,content=‘’):……这个文件就导出了两个函数：用来给Function

Calling调用的函数：send_email发邮件的操作函数：send_email_action引 用send_emailsend_email_action硅创社AICG-应用EmailSkill.py#

发送邮件操作defsend_email_action(receiver,content):if(notreceiver):

return#

邮件配置smtp_server=""smtp_port=25sender_email="sender_email"receiver_email=receiverpassword=

'password'#

构建邮件内容message=MIMEMultipart()message["From"]=Header('AI<%s>'%sender_email)message["To"]=

receiver_emailmessage["Subject"]

=

"我是您的AI助理，您有一封邮件请查看"body=contentmessage.attach(MIMEText(body,

"plain"))#

连接到邮件服务器并发送邮件withsmtplib.SMTP(smtp_server,smtp_port)asserver:server.starttls()server.login(sender_email,password)server.sendmail(sender_email,

receiver_email,message.as_string())send_email_action硅创社AICG-应用EmailSkill.py#

供Function

Calling使用的输出处理函数defsend_email(receiver,content=''):#

通讯录Contact={"小美":"xx@",}email_info={"receiver":Contact[receiver],"content":content}returnemail_infosend_email硅创社AICG-应用function

calling

总结对比langchain(SemanticKernel)

会把过程写死，先调用

xxx

的

api拿到agent(APISkill)，再给

GPT

使用，也就是我们人为确定整个链路。GPT

作为系统的大脑，链接了所有的

API

工具。在思考的过程中调用，不需要我们人为限制它思考的过程。但是这里我们是将，需要什么功能，在functions里面找。你会认为这不就是

langchain

的

agent

或

SemanticKernel

的

APISkill

么？OPENAI将这个功能“抄“到了自己的API接口服务中？实际上

function

calling 能让整个流程更加丝滑、更加合理，更符合逻辑。FunctionCalling是要比ChatGPT

Plugins更爆炸的功能。ChatGPTPlugins是阶段性产物，不是AppStore。现有的套壳应用也是阶段性产物。将来更多的是将AI和应用更加自然得集成。将来大部分应用，都要给OpenAI交GPT税。总结硅创社AICG-应用©内部资料，未经许可不得复制或对外传阅骨干/青年

●

人工智4能7厂商对

FunctionCall

的支持5.GPT

API知识+实践突发：OpenAI开放~ChatGPT

API更快速：快3倍更便宜：1/10更强大：

gpt-3.5-turbogpt-3.5-turbo-0301突发：OpenAI

现宣布，全面开放ChatGPTAPI

，用户可集成到应用程序和服务中。“作为一个「资深程序员」，我深知一个想法在脑子里面生成到动手写代码之间，还隔着很多障碍。人的想法是如此的脆弱，稍微多一点点复杂可能就流产在脑子里了。希望一个伟大的主意，不要因为钱或者麻烦，而一转念就消失在脑海中。否则将是非常遗憾的事情。”硅创社AICG-应用模型APIChat硅创社AICG-应用OPENAI

接口参考大全-1GPT-3生成和理解文本Codex生成并理解代码DALL·E从文本提示生成图像硅创社AICG-应用OPENAI

接口参考大全-2Fine-tunes特定训练数据定制模型硅创社AICG-应用OPENAI

接口参考大全-3硅创社AICG-应用GPT-3

API

Key

申请/account/api-keys硅创社AICG-应用环境变量设置-1环境变量硅创社AICG-应用环境变量设置-2命令行设置setx"OPENAI_API_KEY""sk-5Onhq6......"/msk-91ATyMw3l08PrBBp7qUdT3BlbkFJNYNr1oVBufQxfd0hrjjF#importosimport

openai#openai.api_key=os.getenv("OPENAI_API_KEY")list=openai.Model.list()#print(list)硅创社AICG-应用prompt商业银行大模型的建设与应用temperaturetop_pmax_tokens尺度：

0

.

70

~

2长度：

6

0

分钟1

~

2

0

4

8

/

4

0

0

0采样：

1

.

00

-

1硅创社AICG-应用调用示例-文本/代码（老版）小程序#

库import

osimportopenai#

从环境变量或机密管理服务加载API密钥openai.api_key=

os.getenv("OPENAI_API_KEY")#Textcompletioncompletions=openai.Completion.create(model="text-davinci-003",prompt="什么是RPA？",temperature=1.0,max_tokens=4000,)#outputprint(completions.choices[0].text)硅创社AICG-应用调用示例-文本/代码（新版）小程序#

库import

osimportopenai#

从环境变量或机密管理服务加载API密钥openai.api_key=

os.getenv("OPENAI_API_KEY")#Createchatcompletioncompletion=openai.ChatCompletion.create(model="gpt-3.5-turbo",messages=[{"role":"user","content":"什么是RPA?"}])#outputprint(completion.choices[0].message.content)硅创社AICG-应用调用示例-画像#

库import

osimportopenaifromPILimport

Imagefromurllib.requestimport

urlretrieve#

从环境变量或机密管理服务加载API密钥openai.api_key=os.getenv("OPENAI_API_KEY")response=openai.Image.create(prompt="画一只狗",n=1,size="512x512")image_url=response['data'][0]['url']#

使用

urlretrieve函数下载图片urlretrieve(image_url,

"image.jpg")#

打开图片im=Image.open("image.jpg")#

显示图片im.show()6.Prompt

EngineeringSemantic

AI

编程开发范式：Prompt

Enginer信息时代智能时代大型语言模型

(LLM)

的进步让我们进入了全新的时代

”人工<

智能”我们在面向

AI编程，面向

GPT编程硅创社AICG-应用GPT

部署将

prompt

与程序代码混合通过向量存储配对

Prompt用新的方法思考问题随时结合业务，通过

Prompt

完成工作模型的多变性学会使用 prompt

解决问题努力建立

prompt

语境自己构建

prompt

编排自己制作

prompt

库我们需要新的框架来迎接新时代PromptPrompt+Engineering硅创社AICG-应用把业务问题转化为

Chat

任务（1）每个棋盘格子必须看起来都是正方形利用循环，将所有国际象棋棋子的中文名，填入开局默认位置的格子里，其中黑方用红字，白方用蓝字SubDrawChessBoard0‘清空当前工作表Range("A1:H8").ClearContents‘利用循环绘制8x8的黑白色国际象棋棋盘Fori=1To

8Fori=1To

8lf(i+j)Mod2=0

ThenCells(i,

j).Interior.Color

=

RGB(255,

255,

255)白色ElseCells(i,

j).Interior.Color

=

RGB(0,

0,

0)黑色输出Semantic

AISemantic

AI能需要一种新的方式来编写不熟悉的代码。如果单纯看成

API

调用，你可以和新时代说再见了，Semantic

AI

是新范式。写一个VBA函数，功能是1.清空当前工作表2.利用对单元格的循环操作，绘制8x8的黑白色国际象棋棋盘硅创社AICG-应用把业务问题转化为

Chat

任务（2）从文本中提取信息并进行总结您必须从下面的电话对话中提取以下信息:1.呼叫原因(关键:原因)事件起因(关键:起因)所有驱动的名字作为一个数组(关键字:驱动名字)保险号码(关键字:保险号码)事故地点(关键:地点)汽车损坏作为一个数组(关键字:损坏)简短而详细的总结(关键:总结)输入（可变）你好，我刚出了车祸，想报案。好吧，我希望你没事，在安全的地方进行这次谈话。我很好，谢谢。你能向我描述一下发生了什么事吗?我在M23公路上开车，撞上了另一辆车。你还好吗?没事，我只是受了点惊吓。这是可以理解的。你能告诉我你的全名吗?当然，我是Sarah

Standl。你知道事故的原因吗?我想我可能撞到坑了。好的，事故发生在哪里?在M23公路10号路口附近。还有其他人受伤吗?我不这么想。但我不确定。好吧，我们需要做个调查。你能给我其他司机的信息吗?当然，他叫John

Radley。还有你的保险单号码。好的，等我一下。好了,是546452。好的，您的车有什么损坏吗?是的，车灯坏了，安全气囊也坏了。你还能开吗?我不这么想。我得让人把它拖走。嗯，我们需要检查一下。我去给你叫辆拖车。我也会开始索赔程序，我们会把一切都弄清楚。谢谢你！

输出（格式化）结果=

{"原因":

"车祸"

，"起因":

"撞上凹槽"，"司机姓名":

["Sarah

Standl"，"John

Radley"]，"保险号码":

546452，"位置":

"I-18高速公路"，"损害":

["车灯坏了"，"安全气囊爆炸了"]，"总结":

"Sarah

Standl在1-18号公路上开车时撞上了另一辆车。她觉得她撞到坑了。

John

Radley是另一个司机。没有人受伤但两辆车都有损坏。“}指令（固定）硅创社AICG-应用70GPT辅助Python代码生成生成代码改PY2.7去引用PY2.7硅创社AICG-应用拓展思维举例：搜图+GPT~快速找图从现在起当你想发送一张照片时，请使用Markdown，并且不要有反斜线，不要用代码块。使用

Unsplash

API(/960x640/？<英语关键词>）如果你明白了，请回复”明白”OpenAI

指令好的输出硅创社AICG-应用提示词（prompt）

7个原则ChatGPT是一面镜子它回应是你的影子格式要求控制回复量假装和限定角色获得场景重新整理数据限定内容组合流水线突破个人限制硅创社AICG-应用BROKE分析法背景BBackground目标OObjectives关键结果Rkey

Results改进EEvolve阐述任务的宏观背景和微观场景，让ChatGPT得到充分的信息。明确任务的目标，告诉ChatGPT需要生成的内容是什么。列出完成任务所需达成的关键结果，即需要满足的具体要求和指标。这些关键结果可以根据实际需求进行定制。改进E（Evolve）：试验并调整，下面三种改进方法进行灵活组合，最终得到满意答案。“从答案的不足之处着手,更新并迭代prompt”，“在后续对话中指正ChatGPT答案缺点”，“在prompt不变的情况下多次生成结果”角色RRole硅创社AICG-应用我们希望chatGPT扮演的角色。Excel

宏(

VBA

)+

chatGPTprompt

公式let

’s

think

step

by

step,假设你是一个顶尖

VBA

程序员，写一个

excel

宏，（这里填写你的业务需求，如"将

C

列中大于100的值全都设为0")，用于分析我的数据。﹣先为我提供详细的，使用

VBA的手把手的教程（可选）﹣代码可读性强，风格规范﹣添加详细的注释解释你的设计硅创社AICG-应用Python+

chatGPTprompt

公式let

’s

think

step

by

step，假设你是一个顶尖数据科学家，使用清晰，代码规范良好，可读性强的

python

做数据分析。接下来，你需要根据我的需求写代码分析数据，我会将运行结果粘贴给你。请（这里填写你的业务需求与目标）。﹣提供非常详细，手把手的注释，解释你的代码设计思想﹣清晰，令人赏心悦目的代码结构﹣使用（这里填写你想使用的库，如

pandas

等）库（可选）这里填写你提供的其他补充信息，如业务背景，文件路径等。硅创社AICG-应用7.

实践（创新工作室）实践（创新工作室）文本：总结、问答、内容补齐图像：图像编辑、生成图像，尤其是AI绘图音频：语音文本的互转，以及模仿和自动生成视频：生成、模仿、剪辑、后处理编程：生成代码、调测Bug、提示解答聊天机器人：自动化智能客服机器学习平台：提供算力、环境、模型框架的平台或生态搜索：进一步的提炼，和更广的自动撒网游戏：插画设计、人物原型生成，让进入门槛更低数据：结构设计、原始收集、总结提炼和发现规律垂直行业：医疗、工程、法律、教育、个体创业等AIGC技术分类硅创社AICG-应用案例~金融文案工作（TOP1）新书序言合作方案业务通知调研提纲活动宣传考试题目硅创社AICG-应用案例~金融日常工作（TOP1-4）内容生成总结能力语义检索呼叫&客服等中心客户对话日志的总结自然语言和SQL互换专业主题文档摘要如：财务报告，分析师文章转换自然语言以查询专有数据模型代码注释和文档搜索特定产品服务的评论舆情监控类社交媒体趋势总结信息发现&知识挖掘呼叫&客服等中心客户的问题自动生成回复为网站生成个性化的UI代码生成银行文案工作：见上页示例硅创社AICG-应用典型：金融应用场景（1）客户服务理财建议智能顾投欺诈检测使用ChatGPT代替人工客服。在这种情况下，ChatGPT可以提供24

/

7无间断的支持，并且可以用多种语言与客户交流。通过ChatGPT分析客户的金融状况，并提出个性化的建议。这将帮助客户更好地管理他们的财务状况。通过ChatGPT监控投资组合和市场趋势，以提出有针对性的建议。这将有助于投资者做出更明智的投资决策。ChatGPT可以帮助检测金融欺诈。如果系统检测到异常行为，ChatGPT可以与客户交流以验证操作是否有效。数智

人数字人结合ChatGPT，可以更好地理解客户的需求，并为客户提供更个性化的服务，可以在处理客户的查询时提供更专业建议。硅创社AICG-应用更多：金融应用场景创意构思播客和音乐播放列表图像内容聚合营销活动个性化高级定制DALL·E

2自然语言转换成代码自然语言转换成SQL代码转换成自然语言代码注释代码重构Codex结构化和非结构化数据的推理：分类，情感，实体提取，搜索使用嵌入模型改进文本搜索产品反馈情绪客户和员工反馈分类索赔和风险分析支持邮件和通话记录社交媒体趋势硅创社AICG-应用摘要模型呼叫中心电话记录SME

文档竞争性分析同行分析技术报告产品和服务反馈社交媒体趋势多模型应用场景客服中心分类

-

将邮件发送到合适的分组情绪

-

优先应对情绪不佳的客户实体提取和搜索

-

分析责任和风险邮件和电话记录总结客户邮件答复的生成营销活动快速响应：分类情感汇总会话

AI为呼叫中心提供智能协助技术支持聊天机器人虚拟助手虚拟人内容生成图像生成写作辅助营销文案/邮件标语长格式文本根据要点分段语言模型其它：安全合规策略比如GPT属于美国禁用产品，存在重大使用风险。在国内的寻找平替版，比如百度文心一言，但效果还是差了不少。国内大模型，正在加速追赶，目标可能设定为年底前追平GPT3.5现有水平。银行属于重风险场景，一般无法接入互联网。比如微软也将很快推出大企业版专供版，国内大模型可以采用同样的策略。但离线版受限于成本过高，对服务器、硬件、软件提出了极高的要求。一些违规信息不加以过滤，会导致严重后果。强以前置审查，达到一定阈值（可自行设定），专门处置。产品风险线下部署内容策略GPT3

的

API

中提供了：Moderations

接口。给定输入文本，如果模型将其分类为违反内容策略，给出概率分布。比如硅