经验：调教200多个ChatGPT模型后的经验分享_经验chart gpt

大家好！我是zhongsir。从去年12月布局ChatGPT的应用到现在已经将近快4个多月了。

我认为在ChatGPT使用门槛不断降低的情况下，决定能否真正将其转化为生产力的因素就是“调教精度”。

之前在星球分享过ChatGPT调教的三板斧，今天逐一来详细分析和分享一下，它们分别是：

1. 它能识别自然语言逻辑的描述，但它更擅长识别计算机语言逻辑的描述；

2. 它能识别自然语言，但它更擅长专业语言；

3. 它能识别中文，但它更擅长英文；

最终，结果质量的好坏、精准度很大程度上取决于这几个“更”。

本文整体结构分为两部分，第一部分是三板斧的详细解释和使用方法，第二部分是6个可以直接使用的调教方法。

好，接下来逐一解释一下“三板斧”

一、调教三板斧

①它能识别自然语言逻辑的描述，但它更擅长识别计算机语言逻辑的描述；

我们平时说话时使用的语言就是自然语言。通常，我们使用自然语言时有两重模糊性，语义模糊性+逻辑模糊性。在自然语言中，一个词或一个短语可以有多种含义或解释，而且这些含义或解释可能是模糊的，即存在歧义。这是由于自然语言的复杂性和多样性所导致的。

一个词在不同的上下文中可以有不同的意义。

例如，单词“冷”可以表示温度低，也可以表示情感冷淡，还可以表示冷静等。同样，一个短语在不同的语境中也可能有不同的含义。例如，短语“打开窗户”可以表示打开窗户以获得新鲜空气，也可以表示打开窗户以进入房间。

除了多义性，自然语言还存在一些其他的模糊性。

例如，一些词或短语的含义可能取决于讲话人或听话人的文化、背景或经验。咱们中国的文化环境和西方有很多差别，这对生成结果也会有影响 。此外，口语和书面语之间也存在差异，同一个词在口语和书面语中可能有不同的含义。

这种模糊性使得自然语言处理任务变得困难，例如文本处理、机器翻译和情感分析等。因此，在自然语言处理中，需要使用各种技术来尝试减少这种模糊性。

而当人们在使用计算机编程时，他们会使用专门的编程语言来描述所需的逻辑，这些编程语言在结构上和自然语言有很大的不同。

与自然语言不同，计算机语言非常精确，没有模糊的含义和多义性。

因此，ChatGPT在处理计算机语言的逻辑描述方面，比处理自然语言更加得心应手。

比如，在Python编程语言中，条件语句（if-else）和循环语句（for/while）是非常常见的逻辑结构。与自然语言描述相比，这些逻辑结构的描述非常明确，不容易产生歧义。这使得ChatGPT能够更准确地理解Python代码的逻辑结构，进而更好地生成或识别相应的代码。

例如，假设我们有以下Python代码：

该代码通过一个for循环，计算了列表numbers中所有偶数的和，并将结果打印出来。这种逻辑结构非常明确，ChatGPT可以轻松地理解这段代码，并根据需要生成类似的代码。

因此，可以得出结论：

ChatGPT能够识别自然语言逻辑的描述，但在处理计算机语言的逻辑描述时，其表现更加出色。

好，那我们知道这一点后，可以衍生出哪些可以直接落地使用的方法论呢？

有！

我认为chatgpt的调教方式可以使用计算机语言的 IPO