咱们不错先让模子我方作念一下这个数学题杭州服装店神秘顾客

发布日期：2024-01-05 10:53    点击次数：158

ChatGPT 降生以来，凭借划期间的转换，被多半东谈主一举奉上生成式 AI 的神坛，

咱们老是盼愿它能准确协调咱们的意图，却经常发现其回答或创作并非百分之百贴合咱们的期待。这种落差可动力于咱们对于模子性能的过高盼愿，亦或者咱们在使用时未能找到最灵验的疏浚道路。

正如探险者需要技艺妥当新的地形，咱们与 ChatGPT 的互动也需要耐烦和手段，此前 OpenAI 官方发布了 GPT-4 使用指南 Prompt engineering，这里面纪录了控制 GPT-4 的六大计策。

专利摘要显示，本发明提供了一种废酸中二氯甲烷的回收方法及其应用，属于安赛蜜生产技术领域。本发明利用包括冷废酸槽、热废酸槽、加热器、雾化蒸发器、两级冷凝器、二氯甲烷回收槽的系统对安赛蜜生产中废酸进行处理，根据废酸中不同组分的沸点不同，实现了二氯甲烷的连续高效回收。

在接受TNT体育采访时，滕哈赫表示：“你可以看出，我们今天需要非常强劲的防守。”

笃信有了它，改日你和 ChatGPT 的疏浚将会愈加顺畅。

神秘顾客公司_赛优市场调研

简便回首一下这六大计策：

写出廓清的指示提供参考文本将复杂的任务拆分为更简便的子任务给模子技艺「想考」使用外部器用系统地测试变更写出廓清的指示形容谛视的信息

ChatGPT 无法判断咱们隐含的主义，是以咱们应该尽可能明确奉告你的条目，如回报的诟谇、写稿的水平、输出的神志等。

越少让 ChatGPT 去测度和推断咱们的意图，输出消除自在咱们条目的可能性越大。举例，当咱们让他写一篇心理学的论文，给出的教唆词应该长这样

请匡助我撰写一篇策划「抑郁症的成因及调养方法」的心理学论文，条目：需要查询干系文献，弗成抄袭或剽窃；需要罢职学术论文神志，包括节录、媒介、正文、论断等部分；字数 2000 字以上。

让模子饰演某个脚色

术业有专攻，指定模子饰演特意的脚色，它输出的内容会显得愈加专科。

举例：请你饰演别称警探演义家，用柯南式推理形容统统离奇命案。条目：需匿名处理，字数 1000 字以上，剧情跌宕调动。

使用分隔符了了地差异不同部分

三引号、XML 标签、节标题中分隔符不错匡助差异需要区别对待的文本节，匡助模子更好地放弃歧义。

指定完成任务所需的本领

将部分任务拆成一系列条例廓清的本领，这样更成心于模子施行这些本领。

提供示例

提供适用于扫数示例的一般性说明经常比通过示例演示更灵验，但在某些情况下提供示例可能更容易。

举个例子，若是我告诉模子要学会游水，只需要踢腿和解脱手臂，这即是一个一般性的说明。而若是我给模子展示一个游水的视频，展示踢腿和解脱手臂的具体动作，那即是通过示例来说明。

指定输出长度

咱们不错告诉模子，但愿它生成的输出有多长，这个长度不错以单词、句子、段落、重心等方式进行计数。

受限于模子里面机制息兵话复杂性的影响，最佳如故按照段落、重心来差异，这样着力才会比拟好。

提供参考文本让模子使用参考文本回答

假如咱们手头上有更多参考信息，那咱们不错「喂」给模子，并让模子使用提供的信息往复答。

让模子援用参考文本往复答

若是输入中依然包含了干系的常识文档，用户不错径直条目模子通过援用文档中的段落来为其谜底添加援用，尽可能减少模子瞎掰八谈的可能性。

在这种情况下，输出中的援用还不错通过编程方式考据，即通过对所提供文档中的字符串进行匹配来证据援用的准确性。

将复杂的任务拆分为更简便的子任务使宅心图分类来识别与用户查询最干系的指示

处理那些需要好多不同操作的任务时，咱们不错接受一个比拟灵巧的方法。当先，把问题分红不同的类型，望望每一种类型需要什么操作。这就好像咱们在整理东西时，先把相似的东西放到统统。

接着，咱们不错给每个类型界说一些表率的操作，就像给每类东西贴上标签不异，这样一来，就不错事前端正好一些常用的本领，比如查找、比拟、了解等。

而这个处理方法不错一层层地递进，若是咱们想提倡更具体的问题，就不错凭证之前的操作再进一步细化。

这样作念的平正是，每次回答用户问题时，只需要施行刻下本领需要的操作，而不是一下子把统统任务皆作念了。这不仅不错减少出错的可能性，还能更省事，因为一次性完成统统任务的代价可能比拟大。

对于需要处理很长对话的应用场景，回首或过滤之前的对话

模子在处理对话时，受制于固定的荆棘文长度，弗成记着扫数的对话历史。

想要处罚这个问题，其中一种方法是对之前的对话进行回首，当输入的对话长度达到一定的消除时，系统不错自动回首之前的聊天内容，将一部分信息作为节录清晰，或者，不错在对话进行的同期，在后台偷偷地回首之前的聊天内容。

另一种处罚方法是在处理刻下问题时，动态地采用与刻下问题最干系的部分对话。这个方法触及到一种叫作念「使用基于镶嵌的搜索来已毕高效的常识检索」的计策。

简便来说，即是凭证刻下问题的内容，找到之前对话中与之干系的部分。这样不错更灵验地欺诈之前的信息，让对话变得更有针对性。

分段回首长文档并递归构建好意思满节录

由于模子只可记着有限的信息，是以弗成径直用来回首很长的文本，为了回首长篇文档，咱们不错接受一种慢慢回首的方法。

就像咱们阅读一册书时，不错通过一章又一章地发问来回首每个部分。每个部分的节录不错串联起来，酿成对统统文档的概述。这个历程不错一层一层地递归，一直到回首统统文档为止。

若是需要协调后头的内容，可能会用到前边的信息。在这种情况下，另一个有用的手段是在阅读到某少量之前，先看一下节录，并了解这少量的内容。

给模子技艺「想考」

指示模子在急于得出论断之前想出我方的处罚决策

以往咱们可能径直让模子看学生的谜底，然后问模子这个谜底对分歧，然则偶然候学生的谜底是错的，若是径直让模子判断学生的谜底，它可能判断不准确。

为了让模子更准确，咱们不错先让模子我方作念一下这个数学题，先算出模子我方的谜底来。然后再让模子对比一放学生的谜底和模子我方的谜底。

先让模子我方算一遍，它就更容易判断出学生的谜底对分歧，若是学生的谜底和模子我方的谜底不不异，它就知谈学生答错了。这样让模子从最基本的第一步开动想考，而不是径直判断学生的谜底，不错晋升模子的判断准确度。

使用内心独白来荫藏模子的推理历程

偶然候在回答特定问题时，模子谛视地推理问题是很焦炙的。但对于一些应用场景，模子的推理历程可能不符合与用户分享。

为了处罚这个问题，神秘顾客介绍有一种计策叫作念内心独白。这个计策的想路是告诉模子把蓝本不想让用户看到的部分输出整理成结构化的花式，然后在呈现给用户时，只清晰其中的一部分，而不是全部。

举例，假定咱们在教某个学科，要回答学生的问题，若是径直把模子的扫数推渴望路皆告诉学生，学生就毋庸我方琢磨了，

是以咱们不错用「内心独白」这个计策：先让模子我方好意思满地想考问题，把处罚想路皆想了了，然后只采用模子想路中的一小部分，用简便的谈话告诉学生。

或者咱们不错想象一系列的问题：先只让模子我方想统统处罚决策，不让学生回答，然后凭证模子的想路，给学生出一个简便的肖似问题，学生回答后，让模子评判学生的谜底对分歧。

终末模子用阳春白雪的谈话，给学生阐扬正确的处罚想路，这样就既熟谙了模子的推明智商，也让学生我方想考，不会把扫数谜底径直告诉学生。

探究模子在之前的历程中是否遗漏了任何内容

假定咱们让模子从一个很大的文献里，找出跟某个问题干系的句子，模子会一个一个句子告诉咱们。

但偶然候模子判断造作，在本来应该不竭找干系句子的时候就停驻来了，导致后头还有干系的句子被漏掉莫得告诉咱们。

这个时候，咱们就不错提醒模子「还有其他干系的句子吗」，接着它就会不竭查询干系句子，这样模子就能找到更好意思满的信息。

使用外部器用使用基于镶嵌的搜索已毕高效的常识检索

若是咱们在模子的输入中添加一些外部信息，模子就能更灵巧地回答问题了。比如，若是用户问策划某部电影的问题，咱们不错把电影的一些焦炙信息（比如演员、导演等）输入到模子里，这样模子就能给出更灵巧的回答。

文本镶嵌是一种大略度量文本之间关系的向量。相似或干系的文本向量更接近，而不干系的文本向量则相对较远，这意味着咱们不错欺诈镶嵌来高效地进行常识检索。

具体来说，咱们不错把文本语料库切成块，对每个块进行镶嵌和存储。然后，咱们不错对给定的查询进行镶嵌，并通过矢量搜索找到在语料库中最干系的镶嵌文本块（即在镶嵌空间中最接近查询的文本块）。

使用代码施行来进行更准确的贪图或调用外部 API

谈话模子并不老是大略准确地施行复杂的数学运算或需要很长技艺的贪图。在这种情况下，咱们不错告诉模子写一些代码来完成任务，而不是让它我方去作念贪图。

具体作念法是，咱们不错带领模子把需要运行的代码按照一定的神志写下，比如用三重反引号包围起来。现代码生成了消除后，咱们不错索要出来并施行。

终末，若是需要，不错把代码施行引擎（比如 Python 阐扬器）的输出看成模子下一个问题的输入。这样就能更灵验地完成一些需要贪图的任务。

另一个很好的使用代码施行的例子是使用外部 API（应用表率编程接口）。若是咱们告诉模子何如正确使用某个 API，它就不错写出大略调用该 API 的代码。

咱们不错给模子提供一些展示何如使用 API 的文档或者代码示例，这样就能带领模子学会何如欺诈这个 API。简便说，通过给模子提供一些对于 API 的带领，它就大略创建代码，已毕更多的功能。

教导：施行由模子生成的代码骨子上是不安全的，任何尝试施行此操作的应用表率皆应该采用退缩法子。特等是，需要使用沙盒代码施行环境来消除不受信任的代码可能引起的潜在危害。

让模子提供特定功能

咱们不错通过 API 肯求，向它传递一个形容功能的清单。这样，模子就大略凭证提供的模式生成函数参数。生成的函数参数将以 JSON 神志复返，然后咱们再欺诈它来施行函数调用。

然后，把函数调用的输出反应到下一个肯求中的模子里，就不错已毕一个轮回，这即是使用 OpenAI 模子调用外部函数的保举方式。

系统地测试变更

当咱们对一个系统作念修改时，很难判断这些修改是好是坏。因为例子太少，很难细目消除是确实改良了如故运谈好。偶然候一个修改在某些情况下是好的，在其他情况下是坏的。

那么咱们何如评价系统输出的质地呢？若是问题只消一个表率谜底，贪图机不错自动判断对错。若是莫得表率谜底，不错用其他模子来判断质地。

此外，咱们也不错让东谈主工来评价主不雅的质地，又或者贪图机和东谈主工迷惑评价当问题的谜底很永劫，不同的谜底质地辞别不大，这时就不错让模子我方来评价质地。

诚然杭州服装店神秘顾客，跟着模子变得更先进，不错自动评价的内容会越来越多，需要东谈主工评价的越来越少，评价系统的改良卓越难，结算贪图机和东谈主工是最佳的方法。

参考黄金表率谜底评估模子输出

假定咱们濒临一个问题，需要给出谜底。咱们依然知谈这个问题的正确谜底，是基于一些事实的。比如问题是「为什么太空是蓝色的」，正确谜底可能是「因为阳光通过大气层的时候，蓝色光波段的光比其他心境通过得更好」。

这个谜底即是基于以下事实:阳光包含不齐心境(光波段)蓝色光波段通过大气层时损耗较小

有了问题和正确谜底后，咱们不错用模子(比如机器学习模子)来判断，谜底中的每一部分事实对于谜底正确的焦炙性。

比如通过模子判断出，谜底中「阳光包含不齐心境」这一事实对于谜底的正确性卓越焦炙。而「蓝色光波段损耗较小」这一事实，对于谜底也很焦炙。这样咱们就不错知谈，这个问题的谜底依赖于哪些谬误的已知县实。

在和 ChatGPT 东谈主机交流的历程中，教唆词看似简便，却又是最为谬误的存在，在数字期间，教唆词是拆分需求的起始，通过想象神秘的教唆词，咱们不错将统统任务拆分红一系列简明的本领。

这样的领悟不仅有助于模子更好地协调用户的意图，同期也为用户提供了更为廓清的操作旅途，就好像给定了一个印迹，带领咱们一步步揭开问题的谜底。

你我的需求如同涌动的江河，而教唆词就像是退换水流标的的水闸，它饰演着要津的脚色，鸠集着用户的想维与机器的协调。绝不夸张地说，一个好的教唆词既是对用户深度协调的知悉，亦然一种东谈主机疏浚的意见。

诚然，要想真实掌持教唆词的使用手段，仅依靠 Prompt engineering 还远远不够，但 OpenAI 官方的使用指南总归给咱们提供了肃肃的初学指引。

• 不错
• 咱们
• 模子
• 杭州服装店神秘顾客
• 先让