ChatGPT官方提示词教程指南

ChatGPT官方提示词教程指南能否正确的使用prompt直接影响到ChatGPT答案质量，甚至很多情况下会得到策略一、写下清晰的说明技巧1：在提问中给出详细信息以获得更相关的答案为了获得高度相关的回答，请确保请求提供任何重要的详细信息或上下文。否则，你将让模型来猜测你的意思。差的提问好的提问如何在Excel中添加数字？额？我想对整张行自动执行此操作，所有总计都在右侧名为“总计”的列中结束。编写代码来计算斐波那契数列。编写一个TypeScript函数来高效计算斐波那契数列。自由地注释代码以解释每部分的作用以及为什么这样编写。总结会议记录。用一个段落总结会议记录。然后写下演讲者的Markdown列表以及他们的每个要点。最后，列出发言人建议的后续步骤或行动项目（如果有）。技巧2：要求模型扮演指定角色系统消息可用于指定模型在其回复中使用的角色。系统当我请求帮助写一些东西时，你会回复一份文档，其中每个段落至少包含一个笑话或有趣的评论。用户给我的钢螺栓供应商写一封感谢信，感谢他们在短时间内准时交货。这使我们能够交付一份重要的订单。技巧3：使用分隔符清楚地指示输入的不同部分三引号、XML标签、节标题等分隔符可以帮助划分要区别对待的文本节。用户用俳句总结由三引号分隔的文本。"""在此插入文字"""。系统您将获得两篇关于同一主题的文章（用XML标签分隔）。首先总结每篇文章的论点。然后指出哪一个提出了更好的论点并解释原因。用户此插入第一篇文在此插入第二篇文章系统您将获得论文摘要和建议的标题。论文标题应该让读者清楚地了解论文的主题，但也应该引人注目。如果标题不符合这些标准，请提出5个替代方案。用户摘要：在此插入摘要标题：在此插入标题对于诸如此类的简单任务，使用分隔符可能不会对输出质量产生影响。然而，任务越复杂，消除任务细节的歧义就越重要。不要让模型准确地理解你对他们的要求。技巧4：指定完成任务所需的步骤有些任务最好指定为一系列步骤。明确地写出这些步骤可以使模型更容易遵循它们。系统使用以下分步说明来响应用户输入。第1步-用户将为您提供三引号中的文本。用一个句子总结这段文字，并加上前缀“Summary:”。步骤2-将步骤1中的摘要翻译成西班牙语，并添加前缀“翻译：”。用户"""在此插入文字"""。技巧5：提供例子提供适用于所有示例的一般说明通常比通过示例演示任务的所有排列更有效，但在某些情况下提供示例可能更容易。例如，如果您打算让模型复制响应用户查询的特定风格，而这种风格很难明确描述。这称为“几次”提示。技巧6：指定所需的输出长度您可以要求模型生成给定目标长度的输出。目标输出长度可以根据单词、句子、段落、要点等的计数来指定。但请注意，指示模型生成特定数量的单词并不能高精度工作。该模型可以更可靠地生成具有特定数量的段落或要点的输出。策略二、提供参考文本技巧1：指导模型使用参考文本回答如果我们可以为模型提供与当前查询相关的可信信息，那么我们可以指示模型使用提供的信息来组成其答案。鉴于所有模型的上下文窗口都有限，我们需要某种方法来动态查找与所提出的问题相关的信息。嵌入可用于实现高效的知识检索。有关如何实效的知识检索”。技巧2：指示模型通过引用参考文本来回答如果输入已补充相关知识，则可以直接要求模型通过引用所提供文档中的段落来为其答案添加引用。请注意，输出中的引用可以通过所提供文档中的字符串匹配以编程方式进行验证。策略三、将复杂的任务拆分为更简单的子任务技巧1：使用意图分类来识别与用户查询最相关的指令对于需要大量独立指令集来处理不同情况的任务，首先对查询类型进行分类并使用该分类来确定需要哪些指令可能是有益的。这可以通过定义与处理给定类别中的任务相关的固定类别和硬编码指令来实现。该过程还可以递归地应用以将任务分解为一系列阶段。这种方法的优点是每个查询仅包含执行任务下一阶段所需的指令，与使用单个查询执行整个任务相比，这可以降低错误率。这还可以降低成本，因为较大的提示运行成本更高（请参阅定价信息）。例如，假设对于客户服务应用程序，查询可以有效地分类如下：根据客户查询的分类，可以向模型提供一组更具体的指令，以供其处理后续步骤。例如，假设客户需要“故障排除”方面的帮助。是动态选择与当前查询最相关的对话的先前部分。参见策在书中任何给定点之前包含文本的运行摘要策略四、给模型时间“思考”技巧1：指示模型在急于得出结论之前找出自己的解决方案有时，当我们明确指示模型在得出结论之前从第一原理进行推理时，我们会得到更好的结果。假设我们想要一个模型来评估学生对数学问题的解决方案。解决这个问题最明显的方法是简单地询问模型学生的解决方案是否正确。技巧2：使用内心独白或一系列查询来隐藏模型的推理过程前面的策略表明，模型有时在回答特定问题之前详细推理问题很重要。对于某些应用程序，模型用于得出最终答案的推理过程不适合与用户共享。例如，在辅导应用程序中，我们可能希望鼓励学生得出自己的答案，但模型关于学生解决方案的推理过程可能会向学生揭示答案。内心独白是一种可以用来缓解这种情况的策略。内心独白的想法是指示模型将原本对用户隐藏的部分输出放入结构化格式中，以便于解析它们。然后，在向用户呈现输出之前，将解析输出并且仅使部分输出可见。或者，这可以通过一系列查询来实现，其中除了最后一个查询之外，所有查询的输出都对最终用户隐藏。首先，我们可以要求模型自己解决问题。由于这个初始查询不需要学生的解决方案，因此可以省略。这提供了额外的优势，即模型的解决方案不会因学生尝试的解决方案而产生偏差。接下来，我们可以让模型使用所有可用信息来评估学生解决方案的正确最后，我们可以让模型使用自己的分析来以乐于助人的导师的角色构建回复。技巧3：询问模型在之前的过程中是否遗漏了任何内容假设我们正在使用一个模型来列出与特定问题相关的来源的摘录。列出每个摘录后，模型需要确定是否应该开始编写另一个摘录或者是否应该停止。如果源文档很大，模型通常会过早停止并且无法列出所有相关摘录。在这种情况下，通过使用后续查询提示模型查找之前传递中错过的任何摘录，通常可以获得更好的性能。策略五、使用外部工具技巧1：使用基于嵌入的搜索实现高效的知识检索如果作为输入的一部分提供，模型可以利用外部信息源。这可以帮助模型生成更明智和最新的响应。例如，如果用户询问有关特定电影的问题，则将有关电影的高质量信息（例如演员、导演等）添加到模型的输入中可能会很有用。嵌入可用于实现高效的知识检索，从而可以在运行时动态地将相关信息添加到模型输入中。文本嵌入是一个可以衡量文本字符串之间相关性的向量。相似或相关的字符串比不相关的字符串更接近。这一事实以及快速向量搜索算法的存在意味着嵌入可以用于实现高效的知识检索。特别地，文本语料库可以被分割成块，并且每个块可以被嵌入和存储。然后可以嵌入给定的查询，并且可以执行矢量搜索以从语料库中找到与查询最相关的嵌入文本块询”，了解如何使用知识检索来最大程度地减少模型编造不正确事实的可能性的示例。技巧2：使用代码执行来进行更准确的计算或调用外部API不能依赖语言模型自行准确地执行算术或长时间计算。在需要的情况下，可以指示模型编写和运行代码，而不是进行自己的计算。特别是，可以指示模型将要运行的代码放入指定的格式，例如三重反引号。产生输出后，可以提取代码并运行。最后，如果有必要，可以将代码执行引擎（即Python解释器）的输出作为下一个查询的模型的输入。代码执行的另一个很好的用例是调用外部API。如果模型接受了如何正提供展示如何使用API的文档和/或代码示例，可以指导模型如何使用API。警告：执行模型生成的代码本质上并不安全，任何试图执行此操作的应用程序都应采取预防措施。特别是，需要沙盒代码执行环境来限制不受信任的代码可能造成的危害。技巧3：让模型访问特定功能聊天完成API允许在请求中传递功能描述列表。这使得模型能够根据回，可用于执行函数调用。然后，可以将函数调用提供的输出反馈到以下请求中的模型中以关闭循环。这是使用OpenAI模型调用外部函数的推荐方式。要了解更多信息，请参阅我们的介绍性文本生成指南中的函数调用部分以及OpenAICookbook中的更多函数调用示例。策略六、系统地测试变更有时很难判断更改（例如新指令或新设计）是否使您的系统变得更好或更差。看几个例子可能会暗示哪个更好，但由于样本量较小，很难区分真正的改进或随机运气。也许这种变化有助于某些输入的性能，但会损害其他输入的性能。评估程序（或“evals”）对于优化系统设计非常有用。好的评估是：◎代表现实世界的使用情况（或至少是多样化的）◎包含许多测试用例以获得更大的统计能力（有关指南，请参阅下表）◎易于自动化或重复输出的评估可以由计算机、人类或两者混合来完成。计算机可以使用客观标准（例如，具有单个正确答案的问题）以及一些主观或模糊标准自是一个开源软件框架，提供用于创建自动化评估的工具。当存在一系列可能的输出被认为质量同样高时（例如，对于答案很长的问题基于模型的评估会很有用。通过基于模型的评估可以实际评估的内容与需要人类评估的内容之间的界限是模糊的，并且随着模型变得更加强大而不断变化。我们鼓励进行实验，以确定基于模型的评估对您的用例的效果如何。技巧1：参考黄金标准答案评估模型输出假设已知问题的正确答案应参考一组特定的已知事实。然后我们可以使用模型查询来计算答案中包含多少必需的事实。