Prompt 用法大全！让 ChatGPT 更智能的六种策略（中）

如果遵循以下六种策略来构建 Prompt 提示词，在和 ChatGPT 对话中我们将获得更好、更符合我们要求的回答。

这些策略，后几种更适合在编程调用 ChatGPT API 时使用，不过也适用直接和 ChatGPT 对话，让它更好的理解我们的意图。

1、写清楚说明，

2、提供参考文本，

3、将复杂任务拆分为更简单的子任务，

4、给 ChatGPT 时间“思考”，

5、使用外部工具，

6、系统地测试更改。

点燃创作灵感：Prompt 实践指南揭秘！让 ChatGPT 更智能的六种策略（上）解释和举例了前两个策略和具体操作方法。‍‍‍‍‍‍‍‍‍

三、将复杂任务拆分为更简单的子任务‍‍‍‍

本策略适用于调用 API ，编写自己的特定类型的定制智能助手使用。

调用 API 示范如下‍‍‍

import openai
 
 
openai.ChatCompletion.create(
  model="gpt-3.5-turbo",
  messages=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "Who won the world series in 2020?"},
        {"role": "assistant", "content": "The Los Angeles Dodgers won the World Series in 2020."},
        {"role": "user", "content": "Where was it played?"}
    ]
)

主要输入是消息参数。消息必须是一组消息对象，其中每个对象都有一个角色（“系统”、“用户”或“助手”）和内容。对话可以短到一条消息，也可以来回多次。

通常，对话首先使用系统消息进行格式化，然后是交替的用户和助手消息。

系统消息有助于设置助手（即ChatGPT）的行为。例如，您可以修改助手的个性或提供有关它在整个对话过程中应如何表现的具体说明。但是请注意，系统消息是可选的，没有系统消息的模型行为可能类似于使用通用消息，例如“你是一个有帮助的助手”。

用户消息提供请求或评论以供助手响应。助手消息存储以前的助手响应，但也可以由开发人员编写以提供所需行为的示例。

当用户说明引用之前的消息时，包括对话历史记录很重要。比如：用户的最后一个问题是“它在哪里播放？” 仅在有关 2020 年世界职业棒球大赛的先前消息的上下文中才有意义。由于模型对过去的请求没有记忆，因此所有相关信息都必须作为每个请求中对话历史记录的一部分提供，因此，助手消息可以存放之前对话的响应回答。‍‍‍

理解了调用API 的消息格式和约定，我们来看后续的操作策略。

3.1 使用意图分类（即扮演特定类型的AI助手）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。

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。这个过程也可以递归地应用于将任务分解为一系列阶段。

这种方法的优点是每个查询将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。

例如，假设对于客户服务应用程序，可以将查询分类如下：

基于这类技术支持客户查询的分类，可以向 ChatGPT 提供一组更具体的指令来处理后续步骤。例如，假设客户需要“故障排除”方面的帮助。

3.2 对于需要很长对话的对话应用，总结或过滤之前的对话

由于 ChatGPT 具有固定的上下文长度，因此整个对话都包含在上下文窗口中的用户和助手之间的对话不能无限期地继续。

这个问题有多种解决方法，其中之一是总结对话中的先前回合。一旦输入的大小达到预定的阈值长度，这可能会触发一个查询，该查询总结了部分对话，并且先前对话的摘要可以作为系统消息的一部分包含在内。或者，可以在整个对话过程中在后台异步总结先前的对话。

另一种解决方案是动态选择与当前查询最相关的对话的先前部分。需要参考后面的例子：“5.1 使用基于嵌入的搜索来实现高效的知识检索”。‍

3.3 分段总结长文档并递归构建完整摘要

由于 ChatGPT 具有固定的上下文长度，上下文长度减去单个查询中生成的摘要长度是能处理的最大文本范围。

要总结一个很长的文档，比如一本书，我们可以使用一系列查询来总结文档的每个部分。

节摘要可以被连接和总结生成摘要的摘要。这个过程可以递归地进行，直到总结了整个文档。如果有必要使用有关前面部分的信息来理解后面的部分，我们可以在书中任何给定点之前包括文本的连续摘要，同时总结该点的内容。

四、给 GPT 时间“思考”

4.1 在匆忙下结论之前，指示模型自己制定解决方案

当我们明确指示模型在得出结论之前根据第一原则进行推理时，我们会得到更好的结果。例如，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。解决这个问题的最明显方法是简单地询问模型学生的解决方案是否正确。

但是这位同学的解法其实是不正确的！我们可以通过提示模型首先生成自己的解决方案来让模型纠正这种错误回答。

4.2 策略：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，模型在回答特定问题之前详细推理问题有时很重要。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自己找出答案，但模型对学生答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解决这种情况的策略。内心独白的想法是指示模型将本应对用户隐藏的输出部分放入结构化格式中，以便于解析它们。然后在将输出呈现给用户之前，对输出进行解析并有选择的部分输出。

或者，也可以通过一系列查询来实现，除最后一个之外的所有查询都对最终用户隐藏。

系列查询的步骤如下：首先，我们可以让模型自己解决问题。由于此初始查询不需要学生的解决方案，因此可以省略系统设置。

接下来，让模型使用所有可用信息来评估学生解决方案的正确性。

最后，让模型使用自己的分析来构建一个乐于助人导师角色的回复。

4.3 询问模型是否遗漏了之前传递的任何内容

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。在列出每个摘录后，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，通常使用后续查询提示模型来查找它在先前传递中遗漏的任何摘录。

下期预告：六种策略（下）

---

我写了一本小册子《AI 绘画零基础入门手册》，你可以学习如何使用 AI 绘图神器 Midjourney 来设计、绘画，并用它来为你赚钱。

看完全部内容，并且实践一遍，就可以上手做一个生成头像的 AI 变现项目。现在漫画头像，手机壁纸在小红书，闲鱼上都是很火的赚钱项目。

价格只需 19.9 元，买不了吃亏，买不了上当，并承诺无条件退款。

点击上面图片，长按，选择“识别图中的二维码”，即可下单购买。