面向企业的 ChatGPT 究极手册：第五章到第六章

原文：Ultimate ChatGPT Handbook for Enterprises

译者：飞龙

协议：CC BY-NC-SA 4.0

第五章：高级 GPT 提示工程技术

[介绍]

回顾我们之前的讨论，我们已经深入探讨了 ChatGPT 启用的人工智能能力，见于*第二章，CapabilityGPT – 一个 ChatGPT 的企业人工智能能力框架，并且在第三章，ChatGPT 对企业的影响中审视了它们对企业角色的变革性影响。我们还在第四章，GPT 模型赋能的架构模式*中看到了这些先进能力，当与正确的解决方案架构模式结合时，可以引领一个新一代的智能系统。掌握这些人工智能能力的核心是提示工程的实践，即有效地与 GPT 模型进行交流的技术。

无论在什么情境下，提示工程都是至关重要的——无论是与 ChatGPT 聊天机器人进行简单交互，开发以 GPT 为核心的专业应用程序，还是利用像 Microsoft Copilot 这样增强了 GPT 的企业解决方案。这个过程是制定精确、具有上下文相关性的提示，使我们能够从模型中产生期望的回应。

有三种主要技术，指令提示、查询提示和多智能体提示，每种技术都在与 GPT 模型交流时解决独特的挑战和场景。

我们从指令提示开始探索。这一技术牢固地基于在*第二章*中介绍的 CapabilityGPT 框架，它提出了一种结构化方法，用于向 GPT 模型传达特定的任务或行动。随后的深入剖析将通过其三种变体：单一指令、指令序列和伪代码指令来导航，它们的有效性将通过强调它们实际应用的现实世界例子得以展现。

接下来，我们转向查询提示，这是一种在探索和分析场景中有用的技术，也是在面对模糊和不完整信息时有用的技术。在本节中，我们区分各种查询类型，包括寻求信息、比较、预测和假设性查询，并为每种查询类型提供详细的示例。

最后，我们深入探讨多智能体提示。在其核心，这种技术在任务无法严格定义的情况下表现出色，需要多个人工智能代理的专业知识和有效协作。本节提供了潜在概念的定义，并在企业环境中提供了详细的实际示例。

需要注意的是，本章讨论的提示工程技术是特定于 ChatGPT 及其之后的 GPT 模型的，目前包括 ChatGPT 和 GPT-4。

结构

在本章中，将涵盖以下主题：

• 指令提示

• 查询提示

• 多智能体提示

指令提示

在本节中，我们首先探讨指令提示模式，这是 GPT 模型交互的精确引导蓝图。然后，我们提供多个实际示例，说明其在企业场景中的应用。

指令提示模式

指令提示模式是在*第二章，CapabilityGPT – 一个 ChatGPT 的企业人工智能能力框架*中引入的人工智能能力框架的基础上构建的，它提出了一种系统的方法来引导 GPT 模型产生深入、具有上下文意识和精确的输出。让我们深入探讨每个模式组件：

• 专家角色：这个基本要素勾勒了 GPT 模型在其回应中应展现的专业知识和角色。专家角色可以被构想为一个个体或一个团队，拥有多样但互补的技能：

• 个人角色：重点是单一的专业技能集，比如“营销公司的业务分析师”或“专门从事数据分析的 AI 代理”。在这种情况下，模型将利用其预训练的知识，以满足专业背景和情境理解的要求，发挥专业知识和观点。

• 团队角色：例如“教师、学生和家长的协作团队”或“由开发人员、设计师和项目经理组成的跨职能团队”，涵盖了多样化观点和经验的协同作用。在这里，GPT 模型试图促进协作方法，牢记每个角色贡献的独特见解。

• 背景：这个组成部分包括引导 GPT 模型更准确和适当地回应的外部或用户提供的信息。它可能涉及背景信息或特定情景的细节；例如，“我们公司上季度推出了三个营销活动。”背景信息显著有助于定位 GPT 模型的理解和回应，并有助于减少幻觉的风险，即生成与提供的输入或其预训练数据不符的信息。

• 任务规范：这个组成部分作为详细的指令，定义了 GPT 模型需要采取的行动或一系列行动。指令的性质和结构可能因任务复杂性、所需的精度以及任务是否涉及单个步骤或多个步骤而有所不同。这类指令有三种不同的格式：

• 单一指令：这些指令符合 CapabilityGPT 框架中定义的 AI 能力，指导 GPT 模型利用其多样化的能力，如评估、分类或沟通。例如，一条指令可能是：“评估这些广告活动的表现，并找出改进的方向。”

• 指令序列：这种格式涉及一系列指令，每个指令对应一个特定的 AI 能力。该序列指导 GPT 模型完成多个任务，旨在解决复杂问题或实现详细目标。每个指令都作为整体任务进展的一个阶段，其中一个指令的输出作为下一个指令的输入。一个例子是：“1. 从提供的财务报告中提取季度销售数据。2. 从提取的数据中识别任何销售趋势或模式。3. 根据识别的趋势，预测下一个季度的销售额。”

• 伪代码指令：伪代码将自然语言和编程语言联系起来，提供了算法的高级描述，而不必遵循严格的编程语法。这确保了对 GPT 模型的清晰和精确的指令。通过伪代码，诸如“if-then-else”条件和“for”或“while”循环等结构可以无缝集成，使模型能够高效而明确地处理复杂的多步任务。一个相关的例子是：

对于文章中的每个段落

如果段落中包含“重要”一词

提取段落的主要思想

如果

结束对于

将提取的想法编译成简要摘要

返回摘要

• 执行规则：执行规则提供潜在的指导，引导 GPT 模型在任务执行过程中进行思考和决策。这些规则包括问题解决方法、数据收集技术、道德考虑、协作实践和进化原则。它们可以适用于整个指令序列，也可以针对每个指令步骤有所不同。每个规则类别都包含具体的示例，以进一步澄清其意图和应用。以下是详细说明：

• 问题解决和推理：

• “让我们一步一步地思考”：确保 GPT 模型执行逐步的思考过程，并在生成最终输出之前记录每一步的上下文。

• “让我们首先了解问题并制定解决方案的计划。然后，让我们执行计划，一步一步地解决问题”：指示 GPT 模型为任务生成行动计划，然后遵守该计划，依次执行每个动作。

• “考虑所有潜在解决方案”：鼓励 GPT 模型探索多种解决方案，而不仅仅专注于最明显或首先识别到的解决方案。

• “在决定之前权衡利弊”：指示 GPT 模型评估每种解决方案或方法的利弊，确保更加平衡的决策过程。

• “从列举潜在结果开始”：指导 GPT 模型在深入分析之前，通过列举可能的结果或情景来开始其思考过程。

• “系统地参考可用数据”：指示模型仔细核对其掌握的每一条信息，确保在推理过程中没有遗漏任何细节。

• “用新的见解更新假设”：提示模型随着提供更多数据或背景，完善其最初的预测或结论，鼓励推理过程中的适应性。

• 数据收集：

• “仔细问我信息性问题，以最大化你对这一事件的信息，这样，当你得到所有答案时，你就可以做 X”：确保 GPT 模型提出最有效的问题，以最大化信息获取。

• “每次只问一个问题，不给出答案”：限制 GPT 模型一次只能提出一个问题，允许后续问题建立在先前的回答基础上。

• “在继续之前验证数据完整性”：鼓励模型确保其收集的信息准确、完整，没有被篡改或误导。

• 遵守道德标准：

• “消除特定偏见”：指示模型主动避免任何形式的偏见，无论是人口统计学、社会经济、文化、种族、性别等，在生成输出时。

• “拒绝个人可识别信息（PII）”：确保 GPT 模型不接受提示中的任何 PII 数据。

• “促进公平和包容”：指导模型产生公平和包容的输出，代表多元化的观点，避免边缘化。

• “避免有害或冒犯性内容”：指示模型过滤任何可能对任何个人或群体有害、误导或冒犯的内容。

• “认识并披露局限性”：鼓励模型承认其局限性，并在适当的情况下提供免责声明或建议用户寻求专家意见。

• 合作规则：在由专家角色组成的团队执行的任务中，合作规则指导不同角色之间的互动和协同作用，以促进建设性和平衡的对话。在这里，我们详细介绍鼓励结构化合作的规则：

• “进行协作综合”：鼓励专家角色团队共同合作，将他们各自的见解整合成一致的回应。例如，教师、学生和家长可以汇集他们独特的观点，构建基于人工智能学习的多方面解决方案。

• “采取基于角色的视角”：鼓励专家角色团队的每个成员从其特定角度提供意见，促进对所讨论问题的更深入理解。

• “建立共识”：指导专家角色团队努力寻找共同点，鼓励一种和谐的方法，尊重并整合所有团队成员的观点。

• **‘解决冲突’：**指导团队高效地解决分歧，促进一个不同观点可以和谐共存的协作环境。

• **应用进化原理：**指导 GPT 模型利用模拟自然选择过程的进化方法，以迭代地改进解决方案，生成或改进输出。在应用这些原理时，用户应指定：

• **‘使用此初始解决方案：’：**指导 GPT 模型从指定的起点开始其演化过程。例如，当为新的跑车生成口号时，可以以“绿色和快速。不再矛盾”开始。

• **‘执行次进化步骤’：**指示模型应进行的精确改进次数。举例来说，为了改进口号，模型可能被指示进行 20 次进化步骤。

• **‘通过此适应度函数评估’：**命令模型根据设定的标准评估其输出。在口号创作领域，这个函数可以根据口号的朗朗上口程度或其在现代生态背景下的相关性来衡量。

• **输出约束：**这些定义了 GPT 模型生成的输出必须满足的条件。它们可以涉及格式、顺序、包含或排除某些元素、输出的大小和/或其他因素。约束可以是这样的：“输出应该是一个结构化报告，每个活动的表现和建议改进都有明确的部分。总输出不应超过 500 字。”

• **参考案例：**基于案例的推理（CBR）是一种方法论，其中通过将新挑战与先前遇到的情况及其结果进行类比来推导新的解决方法。它涉及选择相关的参考案例，并对其进行调整以解决上下文部分描述的当前挑战。它涵盖了不同领域的广泛实际场景，并分为三种主要类型：

• **问题解决案例：**描述了实体面临的特定问题以及随后实施的解决方案或干预措施。

• 示例 1（零售）：

• **问题：**MegaStore 注意到他们的电子商务网站在移动设备上的购物车放弃率很高。

• **解决方案：**MegaStore 重新设计了他们的移动结账流程，简化了步骤，并整合了更高效和流行的移动支付方式。这导致购物车放弃率在两个月内减少了 25%。

• 示例 2（人力资源）：

• **问题：**TechCorp 意识到其员工流失率逐年增加，特别是初级员工中。

• **解决方案：**TechCorp 实施了一项导师计划，将初级员工与资深专业人士配对。他们还引入了灵活的工作时间和持续学习机会。一年内，流失率减少了 20%。

• **输入输出案例：**具体输入及其对应的 GPT 生成的输出的配对

• 示例 1（媒体监测）：

• 输入：“在年度会议上，CEO 约翰·史密斯宣布与 GlobalTech 合作，创新新的人工智能解决方案。”

• **输出（事件数据提取）：**事件：合作伙伴关系公告；参与者：CEO 约翰·史密斯，GlobalTech；背景：年度会议；目标：创新新的人工智能解决方案。

• 示例 2（能源部门）：

• **输入：**冬季增加的消费趋势和新的监管政策。

• **输出（事件预测）：**基于增加的消费趋势和新的监管政策，预计在即将到来的冬季月份能源价格将上涨。

• **思维链案例：**详细的序列，其中初始输入经历一系列逻辑或推理步骤以得出特定输出。

• 示例 1（供应链管理-库存重新订购）：

• **输入：**本月数据：销售 500 个单位，退货 200 个单位，在运输中损坏 50 个单位，库存 1000 个单位，补货的交货时间为 3 周，平均每周销售 150 个单位。

• 思路：

1. 计算净销售额：从销售单位中减去退货单位：500 - 200 = 300 个单位。

2. 评估当前库存：考虑净销售和库存中的损坏单位：1000（起始库存）- 300（净销售）- 50（损坏）= 650 个单位。

3. 预测未来库存：考虑平均每周销售量和当前库存：650（当前库存）-（3 周×每周 150 个单位）= 3 周后预计剩余 200 个单位。

4. 确定补货的紧急性：如果交货时间为 3 周，那么在库存补充之前，只剩下 200 个单位。因此，必须在一周内进行补货，以避免在补货期结束之前库存不足。

5. 评估最佳重新订购数量：考虑销售趋势、退货率和潜在损坏，对意外损坏进行缓冲是明智的。重新订购（3 周×每周 150 个单位+100 个单位缓冲）= 550 个单位似乎是合适的。

• **输出：**为了在接下来的一个月内保持健康的库存水平并考虑到不可预见的情况，建议在一周内重新订购 550 个单位。

• 示例 2（银行-分类案例）：

• **输入：**具有以下详细信息的贷款申请：申请人年龄：29 岁，年收入：85,000 美元，就业状况：全职，信用评分：680，现有债务：20,000 美元。

• 思路：

1. 评估年龄及其对贷款风险的影响。

2. 评估年收入与潜在贷款规模的关系。

3. 检查就业状况以确定财务稳定性。

4. 审查信用评分以确定信用价值。

5. 分析现有债务与收入，以了解财务负担。

• **输出：**申请人属于“中等风险”类别，可以获得贷款批准。

• **外部能力：**GPT 模型可以进一步利用插件和外部工具的功能来增强其功能：

• **插件：**这些是最初为 ChatGPT 生态系统引入的专业扩展。它们专注于推动业务效率，实现数据驱动的决策，并促进智能自动化。关键类别包括探索性数据分析、文档理解、人工智能和浏览。

• **外部工具：**代表通过指定接口可用的功能目录，这些工具促进了 GPT 模型与其他人工智能平台、搜索引擎或后端系统之间的交互。每个工具都由详细的规范定义，包括执行任务类型、参数类型、结果类型和功能。

指令提示模式在以下情况下特别有用：

• **需要复杂问题解决方案：**在任务多方面且需要复杂解决方案的情况下，该模式确保了系统化的方法，将复杂任务分解为可管理的步骤，以提高清晰度和效果。

• **精度至关重要：**对于那些精度和准确性至关重要的任务，指令提示模式的详细任务规范和执行规则指导模型产生精确和具有上下文意识的响应。

• **需要特殊专业知识：**如果情境需要多样的专业技能，选择个人或团队角色可以满足特定需求的专业知识，无论是来自单一专业人士还是协作团队。

• **期望结构化输出：**当期望结果必须符合特定格式或结构时，输出约束组件可以确保人工智能生成的内容符合定义的要求。

• **基于案例推理是有价值的：**在可以提供有价值见解的过去情景中，该模式的参考案例提供了一种方法来利用先前知识应对新挑战。

单一指令示例

以下展示了 ChatGPT-4 在处理单一指令提示时利用指令模式的组件，展现了其多样的能力。这些示例涉及项目回顾、利益相关者管理和销售预测的领域。每个提示展示了 ChatGPT-4 的不同 AI 能力⁴：

• 项目回顾：评估一个已完成的项目，比较了两个评估提示，其中一个提供了简洁的总结，另一个则进行了详细分析，确定了改进的领域和建议。比较表明，对评估能力的指令提示模式的组件进行具体规定，如角色、执行规则和输出约束，可以产生更详细、具体和专业的结果。

• 利益相关者管理：在这里，ChatGPT-4 充当产品经理，说服高管支持三种产品选项之一，使用论证框架⁵。它将产品特性与利益相关者的利益相一致，为所有产品提出分阶段的开发方法，并提倡平衡的产品开发策略。这是通过使用创造能力来发展几个论证推理链条来实现的。

• 销售预测：最后，ChatGPT-4 展示了对有机护肤产品线未来销售的预测能力，考虑了历史销售数据、观察到的模式和未来市场预期。它利用其预测能力以自然语言生成未来几个月的基本销售预测，有助于库存管理和营销工作的战略规划。

项目回顾

让我们从评估一个已完成的项目开始，以其项目经理的报告作为评估能力的示例：

图 5.1: 项目回顾

以下是报告：

项目报告：XYZ 移动应用的开发

• 项目范围：旨在为我们的客户 XYZ 公司设计和实施一个全功能移动应用，以增加客户互动和用户体验。关键功能包括用户友好界面、安全支付网关和客户支持功能。

• 进度：项目计划为 12 个月，从 2022 年 8 月 1 日开始，到 2023 年 7 月 31 日结束。分为四个阶段：规划（2 个月）、开发（5 个月）、测试（3 个月）和部署（2 个月）。

• 成本：预算为 50 万美元，但由于在开发和测试阶段出现了一些意外复杂性，项目超出了预估成本的 15%，最终成本为 57.5 万美元。

• 质量：尽管时间和成本超支，但项目按协议达到了质量期望。用户测试平均得分为 4.5 分（满分 5 分），表明对应用的可用性和功能性感到满意。

• 资源：项目团队由一个项目经理，两名软件开发人员，一个 UI/UX 设计师，一个质量保证专员和一个业务分析师组成。然而，在开发阶段出现了较高的人员流失率，导致项目交付出现了轻微延迟。

• 风险：遇到了两个重大风险：

• 预算超支是由于开发中的意外复杂性，通过从营销储备中重新分配预算来进行管理。

• 资源流失造成的延迟得到了缓解，通过雇佣临时经验丰富的资源来保持进度。

参考报告，ChatGPT-4 的直观提示可能是：

‘根据上述项目报告进行端到端评估。’

回应如下：

项目评估摘要：XYZ 移动应用的开发

• 目标和范围：项目有效地实现了其设计和实施一个具有用户友好界面、安全支付网关和客户支持功能的全功能移动应用的目标。

• 时间表：尽管在开发阶段出现了人员流失导致的轻微延迟，但项目仍然遵循了规定的 12 个月时间表。考虑到所涉及任务的复杂性，项目阶段的分配似乎是合理的。

• *预算：该项目的预算超出最初估计的 15%（75,000 美元），主要是由于开发和测试阶段出现了意想不到的复杂性。虽然通过重新分配营销储备来管理了这一超支，但这是未来项目中需要改进的明显领域。更好的应急计划和风险管理可以预见到一些额外成本。

• 质量：质量措施显示出积极的结果。应用程序在测试中获得了高用户满意度评分，这表明尽管预算和资源存在挑战，最终产品的质量很高。

• 资源：项目团队的组成基本上适合项目的需求。然而，高流失率表明项目管理、团队士气或其他组织挑战可能存在潜在问题。这种资源不稳定性产生了实质性影响，导致项目交付延迟。

• 风险管理：风险已经被识别和管理，但识别过程可以更主动一些，特别是涉及预算和人力资源方面。虽然已经采取了缓解措施（重新分配预算、雇佣临时资源），但分析这些问题以防止未来项目中的再次发生将是有益的。

• 未来项目的建议：

1. 增强项目成本估算和应急计划，以防止预算超支。

2. 加强团队管理和留任策略，以减少关键项目阶段的人员流失。

3. 改进风险识别流程，考虑在规划阶段更全面地考虑内部和外部潜在风险。

总的来说，该项目可以被认为是成功的，因为它实现了其主要目标，并且产生了一个受用户欢迎的高质量产品。然而，时间和预算的超支，再加上资源不稳定性，表明有一些领域需要在未来项目中更加关注和完善。这些改进可以导致更可预测、更顺利的项目执行，并可能带来成本节约。

然而，使用指示提示模式，提示将被制定如下：

• 专家角色：“您是一位擅长项目评估的高级项目经理”

• 背景：“下面是一个关于开发移动应用的已完成项目的描述”

• 指示：“对项目进行端到端的评估”

• 执行规则：

• “确保涵盖项目的范围、进度、成本、质量、资源、沟通、风险、采购和利益相关者管理。”

• “确保采取非常批判性的中立立场，并挑战负责交付项目的项目经理创建的报告。”

• 输出约束：“输出必须以结构化报告的形式呈现，每个评估因素都有清晰的标题”

ChatGPT-4 生成的输出如下：

项目评估报告：开发“XYZ”移动应用程序

1. 项目范围：该项目旨在设计和实施一个具有用户友好界面、安全支付网关和客户支持功能的移动应用程序。然而，项目范围的描述似乎过于泛泛，缺乏对其复杂性的详细洞察。包括应用程序开发平台、预期用户互动水平和所需客户支持规模的具体细节将是有益的。还应明确说明功能数量、复杂性和任何限制，以避免范围蔓延。

2. 进度：该项目遵守了 12 个月的时间框架，尽管由于资源流失而出现了轻微延迟。评估原始项目进度表中是否有足够的应急时间来容纳意外延迟是至关重要的。规划阶段似乎是相称的，然而，开发阶段几乎占据了项目时间的一半，这引发了对效率和方法的质疑。此外，部署的两个月时间可能有些长——事后评估应确定是否可以为未来项目简化这一过程。

3. 成本：该项目经历了 15%的成本超支，主要是由于开发和测试阶段出现了意外复杂性。这引发了对项目最初成本估算和风险评估过程的担忧。项目预算是否包括了意外成本的应急基金？如果没有，应该纳入未来的项目中。此外，从营销储备中重新分配资金可能会对项目的可见性和客户接触产生影响。

4. 质量：该项目似乎已经达到了其质量目标，用户测试得分证明了这一点。然而，平均得分并不能提供全面的图片。与应用程序特定方面相关的得分细分，如可用性、设计、功能和安全性，将提供更深入的理解。此外，在整个项目生命周期中是否有管理和监控质量的机制，还是仅在最后通过用户测试来衡量？

5. 资源：团队构成对于这种性质的项目来说相当全面。然而，高流失率令人担忧。这背后的原因是什么？这些与项目管理、公司文化还是市场条件有关？调查这一点对于减轻未来类似事件至关重要。此外，雇佣临时资源可能会影响整体团队的协同和产出质量。

6. 风险：报告提到了两个重大风险——预算超支和由于资源流失而导致的延迟。分析项目中采用的风险识别、评估和缓解策略将是值得的。这些风险是否在前期被识别出来？如果没有，为什么会被忽视？项目是否有风险管理计划？了解这些因素将加强未来项目的风险管理方法。

7. 采购：关于该项目的采购没有提供任何信息。它是否涉及到分包或采购第三方服务、工具或技术？如果是，采购策略是什么，它的管理效果如何？在这方面的透明度将有助于更全面地评估项目。

8. 利益相关者管理：报告没有提供任何关于利益相关者管理的见解。有关利益相关者识别、他们的角色、期望和沟通策略的信息对于从各个角度理解项目的成功至关重要。是否有一种结构化的方法来让利益相关者了解项目的进展和挑战？

总之，虽然该项目成功交付了一个高质量的移动应用程序，但仍有重大改进空间。这些包括细化项目范围、改进成本估算和风险管理、解决资源流失问题，以及增强采购和利益相关者管理的透明度。

两份评估报告都对“XYZ”移动应用项目进行了审查，但它们在方法、分析深度和关注领域上存在差异，如下所示：

1. 目标和范围：两份报告都赞扬该项目达到了其目标。第二份报告建议对范围描述进行细化，以提高具体性，并建议进行改进。

2. 时间表： 评估一致认为时间表得以保持，只有轻微的问题。第二次评估建议进行事后评估，以进一步审查各阶段的持续时间。

3. 预算： 两份审查都承认预算超支，并突出财务规划方面的改进空间，并在第二份报告中质疑应急和营销资金的分配。

4. 质量： 第一份报告赞扬用户满意度得分，而第二份报告则寻求对这些得分进行更深入的分析，并质疑项目的质量管理策略。

5. 资源： 报告指出高员工流失率，主张改进团队管理策略，并通过第二份报告对员工流失原因和影响进行调查。

6. 风险管理： 第一份报告建议改进风险识别流程，第二份报告呼吁全面审查项目中使用的风险管理策略。

7. 采购和利益相关者管理： 第二份报告引入了新的考虑因素，建议在采购方面增加透明度，并加强利益相关者管理。

总之，两份评估都一致认为项目取得了成功的结果。第一份报告提供了简洁全面的摘要，而第二份报告提供了更详细和批判性的分析，确定了额外的改进空间，并提供了更具体的建议（尽管两份提示都没有要求建议）。比较两者，可以明显看出，从指示提示模式中增加额外组件，如角色、执行规则和输出约束，会产生更详细、更具体，最终更专业的结果。

利益相关者管理

让我们以产品管理领域的一个例子来进行，这个领域必须处理多个利益相关者。

图 5.2： 利益相关者管理

随后的提示基于创作能力：

• 专家角色： “您是产品经理和论证专家”

• 背景： “您正面临推出新产品的压力。

• 您有以下三个选项：

• 产品 A 具有最多的功能，但需要最长的开发时间，价格也最高。”

• 产品 B 具有所有基本功能，可替代不再符合市场标准的成功产品 C。

• 产品 D 吸引了新一代客户，具有特殊的技术特点。

• 您的利益相关者是以下高管：

• CTO（首席技术官）对应用新技术有浓厚兴趣。

• COO（首席运营官），几年前开发了产品 C。

• CMO（首席营销官），希望拥有一个快速开发新产品的流水线，以跟上竞争。

• 指示： “ 开发几条论证推理链（创作）”

• 执行规则：

• 尽量说服尽可能多的利益相关者，

• 尽量减少潜在的不满，

• 使用 AI 论证框架。

ChatGPT-4 生成的对此提示的响应如下：

当然，我可以帮助您。我们将使用基于三个主要组件的 AI 论证框架：主张、证据和保证。主张是我们想要提出的观点或断言，证据是支持主张的信息，保证连接证据与主张，解释为什么证据支持主张。

让我们逐个为每个产品进行论证：

产品 A（最多功能，开发时间长，价格高）

主张：产品 A 是最全面的解决方案，将吸引寻求功能丰富产品的客户，并在长期内增加价值。

证据：它具有最多的功能，可能比市场上的任何其他产品更好地满足客户需求。

保证：尽管开发时间较长且价格较高，产品 A 的广泛功能可以证明价格标签并吸引一个专注于质量的用户群体。这将帮助我们获得坚实的市场份额并建立我们的品牌声誉，这符合首席营销官对我们与竞争对手区分的兴趣。

产品 B（基本功能，产品 C 的替代品）

主张：产品 B 是先前成功产品 C 的直接继任者，确保连续性并迎合我们现有的用户群体。

证据：它旨在取代产品 C，后者已不再符合市场标准，这意味着它填补了我们产品阵容中的当前空白。

保证：更新我们的产品阵容以匹配市场标准至关重要。这将保持我们当前用户的信任，确保他们不会感到被抛弃，并保持我们的市场份额。首席运营官会欣赏这一策略，因为它最小化了风险并确保了稳定性。

产品 D（新技术，吸引新一代客户）

主张：产品 D 代表创新，迎合新一代客户，开拓了一个潜在的利润丰厚的市场细分。

证据：它的特殊技术功能使其吸引了一个重视创新并熟悉尖端技术的新一代客户。

保证：通过开发和推出产品 D，我们不仅能吸引首席技术官对应用新技术的兴趣，还能与首席营销官的目标保持竞争力相一致。尽管是一个新的尝试，但从吸引年轻、精通技术的人群中获得的潜在回报可能会超过风险。

总之，每个产品都有其自身的优势，并与不同利益相关者的利益相一致。然而，一个平衡的方法可能涉及制定一个包括所有三种产品的阶段性路线图，这可能解决所有利益相关者的关切。我们可以根据市场需求、技术准备情况和我们的战略目标来优先发展。

在这个利益相关者管理模拟中，ChatGPT-4 充当了一个擅长辩论的产品经理，任务是说服一组高管支持三种产品选项中的一种。遵循 AI 辩论框架，它为每种产品策略性地制定推理链，将产品的特点与涉及的利益相关者的具体利益相一致。

ChatGPT-4 熟练地在任务中导航，勾画出产品的优势和潜在市场影响，同时满足利益相关者的优先考虑。它建议制定一项路线图，支持分阶段开发所有产品，以潜在地满足所有利益相关者，从而在产品开发战略中推动和谐的前进道路。所提议的计划确保了一个全面的方法，努力平衡各种利益相关者的利益，同时倡导强大的产品开发轨迹。

销售预测

在这个例子中，我们深入探讨了 ChatGPT-4 的预测能力，重点关注销售预测。通过分析有机护肤产品线，ChatGPT-4 将展示其预测未来销售的能力。

图 5.3： 销售预测

利用历史销售数据、观察到的销售模式和未来市场预期，随后的提示将引导模型以自然语言生成基本的销售预测：

专家角色： 您是销售预测专家。

背景：

这是销售历史：该产品是一系列有机护肤产品，于 2021 年 1 月推向市场。当月销售缓慢，仅售出 50 个单位。为了提高销量，公司采用了激进的营销策略，包括社交媒体宣传和与意见领袖的合作。这导致销量逐渐增加，到 2021 年 4 月达到每月 200 个单位。2021 年夏季带来了意外的销售激增，7 月销量达到 600 个单位，得益于成功的夏季促销活动和产品适合暖季护肤的特点。秋季销量略有下降，降至每月 400 个单位，但在 11 月和 12 月的假期季节销量反弹，平均每月达到 550 个单位。2022 年 1 月由于假期过后市场饱和和预算限制，销量略有下滑至 350 个单位。然后销量在第一季度稳定在每月平均 400 个单位。2022 年 4 月推出新产品变种后，销量再次增长至 700 个单位，此后每月平均维持在 650 个单位。到 2023 年 7 月底，已售出 8000 多个单位，反映了产品的稳定需求和日益增长的受欢迎程度。2023 年 8 月标志着一个关键时刻，公司的返校季促销活动将销量推至历史最高的 800 个单位。这一成功得到了特别促销折扣、战略意见领袖合作以及今年早些时候推出的新产品变种的持续受欢迎的支持。

这是自市场推出以来观察到的历史模式：

1. 初始阶段销售缓慢：在推出新产品或变种后，销售通常会初始缓慢，表明顾客需要时间来接受新产品的模式。

2. 秋季销售下降：历史上，秋季销售通常会下降。这种模式可能与天气变化以及消费者护肤程序相应调整有关。

3. 假期销售激增：销售在 11 月和 12 月的假期季节一直呈现出激增的趋势。这可能是由于礼品购买增加和顾客为冬季护肤需求备货。

4. 假期后销量下滑：假期季过后，销量下滑，表明存在购买行为减少的模式，可能是由于市场饱和和假期后消费者预算限制所致。

这是今年余下时间的预期：

1. 季节性促销活动：市场部门已经计划在假期季推出一项重大促销活动，预计将在该期间带来销售的显著增长。

2. 新产品变种：全年推出新产品变种或扩展可能会促进销售增长，吸引既有客户尝试新产品，也吸引新客户。

3. 市场扩张：公司计划将业务拓展到新市场。这一举措可能会激发销售增长，因为它将吸引新的客户群体。

4. 日益普及：产品日益普及和品牌认知度的提高，得益于积极的客户评价和有效的营销，预计将在未来维持并可能加速销售增长。

5. 经济因素：预期的经济复苏和全球事件后消费者支出的增加也可能导致销售增长。

指示： *基于销售历史、历史模式和未来预期，提供未来六个月的自然语言销售预测（预测）。

ChatGPT-4 对此提示的回应如下：

基于销售历史、观察到的模式和未来预期，我们可以为接下来的六个月提供以下销售预测：

2023 年 8 月：据报道，8 月销量已经达到历史最高的 800 个单位，得益于返校季活动的推动。

2023 年 9 月：我们通常观察到秋季销售下降。然而，从 8 月开始的高销售势头和新产品变体的持续受欢迎可能会减轻这种预期的下降。因此，我们可以预测轻微下降，可能在 700 个单位左右。

2023 年 10 月：根据历史模式，秋季销售下降应该会继续，但由于新产品变体的持续影响，预期的效果将不那么显著。让我们预测销售额大约在 650 个单位左右。

2023 年 11 月：随着节日季节的开始，我们历年来都看到销售额的激增，公司计划的促销活动预计将进一步增加这一激增。根据往年的趋势，销售额可能会跃升到大约 800 个单位。

2023 年 12 月：节日季节持续到 12 月，如果促销活动像预期的那样成功，销售额应该会继续保持高增长。考虑到产品日益增长的受欢迎程度和促销活动的影响，销售额可能会达到 850 个单位的高峰。

2024 年 1 月：节后销售低迷一直是一个持续的模式。消费者可能正在从节日支出中恢复过来，市场可能会因前几个月的高销售而出现一些饱和。然而，计划中的市场扩张的影响可能有助于减轻这种下降。因此，我们可以预测下降到大约 600 个单位。

请注意，这些数字是基于过去的趋势和计划活动的预测。其他因素，如竞争对手的活动、市场动态和意外事件可能会影响实际销售业绩。需要定期跟踪和调整预测，以保持其准确性和相关性。

在这个销售预测的例子中，ChatGPT-4 扮演了一个具有预测能力的销售预测专家的角色。指令提示建立了上下文，展示了有机护肤产品线的销售历史，突出了观察到的模式，并设定了未来的期望。然后，ChatGPT-4 被要求根据给定的上下文预测接下来几个月的销售情况。

ChatGPT-4 熟练地处理指令，并通过考虑销售数据、历史模式和未来期望，为接下来的几个月制定了基本的预测。它概述了每个月的销售可能如何塑造，有助于制定管理库存和营销工作的战略计划。

另外三个单一指令示例在附录 A中呈现：

• 资源管理：在这个例子中，我们展示了 ChatGPT-4 在资源管理领域的匹配能力。系统被提示根据其技能和项目需求为项目分配资源。

• 基于场景的项目模拟：在项目管理领域中使用另一个例子，我们突出了 ChatGPT-4 的模拟能力。它被提示根据先前的项目结果执行项目阶段模拟。

• 商业沟通：这个最后的单一指令示例探讨了新兴的碳会计行业中的商业沟通和总结能力。任务将由参考案例指导，这些案例向 ChatGPT-4 展示了预期摘要应该如何利用其总结能力。

指令序列示例

接下来的例子说明了使用 ChatGPT-4 进行员工辅导和产品评论情感分析的基于序列的指令提示。每个例子都突出了 ChatGPT-4 的一组独特的人工智能能力：

• 新员工辅导：这个第一个例子展示了 ChatGPT-4 在人力资源领域的评估和建议能力。系统被指示评估新员工的情况，并建议适当的措施以防止潜在的流失，所有这些都是由参考案例指导的。

• 产品评论的情感分析： 然后我们涵盖产品评论的情感分析领域，以展示 ChatGPT-4 在信息提取和分析、因果分析和分类方面的能力。系统被要求在三个连续步骤中对产品评论进行情感分类。

新员工辅导

这个例子侧重于一个两步指令序列，指导时装零售业的人力资源经理评估新员工情况，并建议采取适当措施防止潜在的流失：

图 5.4： 新员工辅导

专家角色*：您是一家时装零售商的人力资源经理，专门负责员工流失问题。您在处理各种员工案例并找到解决方案方面拥有丰富的经验。*

背景： 您的新案例涉及詹姆斯，一名最近招聘的初级商品推销员。詹姆斯在公司工作了几周后已经显示出不满的迹象。尽管在入职期间有一个有希望的开端，但他的热情似乎迅速消退。他在团队会议上经常沉默，对团队活动不响应，他的工作缺乏新人应有的活力和彻底性。

指令序列：

1. 根据以下参考案例评估新案例。始终在新案例和参考案例之间进行比较，并从中学到的东西。

2. 根据评估结果，推荐采取具体的人力资源行动来防止流失

参考案例：

问题解决案例 1：

• 问题： 新销售代表整合 索菲亚作为一名最近招聘的销售代表，最初充满活力，渴望为我们的时装零售商做出贡献。然而，进入角色几周后，索菲亚开始显示出不参与的迹象。她似乎对自己的责任不确定，并在与同事建立关系方面遇到困难。她的表现也不稳定，显示出对自己角色的理解不足。

• 解决方案： 我们迅速意识到这些迹象，并实施了一个针对索菲亚角色的结构化入职培训计划。该计划包括培训课程，帮助她了解自己的责任和产品知识。除此之外，我们还为她介绍了一个来自她团队的导师，指导她了解日常流程并回答她的问题。导师还向她介绍了其他团队成员，帮助她建立联系。随着时间的推移，索菲亚与团队的信心和参与度增加，她的表现也显著提高。她对导师制度和结构化指导表示赞赏，这有助于她顺利过渡到自己的角色。

问题解决案例 2：

• 问题： 新设计师的文化适应 马克是一位才华横溢的设计师，带着令人印象深刻的作品集加入了我们的公司。然而，一个月内，马克似乎变得疏远和不参与。他的设计缺乏热情，很少在团队讨论中做出贡献，表明他在适应公司文化方面存在困难。为了帮助马克，我们启动了一个文化适应计划。

• 解决方案： 我们组织了定期的团队建设活动，鼓励马克分享他的想法并更加开放地与同事互动。我们还组织了讨论公司价值观和文化的会议，旨在创造一个包容的环境，让马克感到舒适地表达自己的创造力。马克慢慢地开始变得活跃起来，在团队会议上积极参与，他的设计开始反映出我们在招聘过程中看到的创造力。文化适应计划取得了成功，不仅对马克而且对团队内部的团结和包容性的培养也是如此。

问题解决案例 3：

• 问题： 新的物流经理角色明晰。新招聘的物流经理丹尼斯在面试过程中表现出了很大的潜力。但在最初的几周后，她的贡献变得零星，她的工作缺乏细节注意，她在团队会议上的存在几乎可以忽略不计。很明显，丹尼斯对她的角色和对她的期望不清楚。

• 解决方案： 作为回应，我们修改了她的工作描述，清楚地概述了她的职责、责任和绩效基准。我们在最初的两个月安排了每周一次的会议，以提供定期的反馈，讨论她的进展，并认可她的成就。结果，丹尼斯的表现显著提高，她承担起了自己的角色，并且她在团队会议上的贡献变得非常宝贵。她对清晰的沟通和持续的反馈表示感激，这使她顺利、无压力地过渡到新角色。

作为对给定提示的回应，ChatGPT-4 生成了以下输出：

评估：

詹姆斯的情况在某种程度上与参考案例相似。像索菲亚（参考案例 1）一样，他开始时充满热情，但他的动力迅速消退。然而，索菲亚的问题源于她对自己的角色的理解不足，而詹姆斯的问题似乎更多地与他与团队的参与和工作中的活力有关，这似乎更接近马克的情况（参考案例 2）。丹尼斯的情况（参考案例 3）也有些相似之处，因为她的贡献是不一致的，这也是詹姆斯所表现出的症状。然而，丹尼斯的问题是由于缺乏角色明晰，这似乎不是詹姆斯的问题。

建议：

1. 启动个性化入职计划：詹姆斯可能会受益于一个类似索菲亚的结构化计划。尽管他有经验，但他可能需要更多在这家公司的角色特定任务和责任方面的明确性和实践经验。与导师合作可能有助于他增强信心，提高他工作的彻底性。

2. 促进团队建设活动：詹姆斯对团队活动的不响应和在会议期间的沉默可能表明他在融入团队方面存在困难，类似于马克的问题。定期的团队建设活动可以鼓励他更多地与同事互动，提高他在工作中的热情和活力。

3. 提供定期反馈和认可：对丹尼斯采取的方法也可以应用于詹姆斯的情况。定期的反馈会话可以帮助澄清绩效期望，并给他一个表达任何可能存在的担忧或不确定性的平台。承认他的成就，无论多么小，也可以帮助提高他的动力。

4. 员工参与度调查：进行一项调查，以评估詹姆斯的参与度。这可以揭示他是否感到被低估、没有挑战或没有动力，这可能导致他的不参与。

5. 一对一会议：与詹姆斯的个人互动可能会更深入地了解他的情况。可能有一些工作外的问题影响了他的表现。保持开放的沟通渠道，了解是什么导致了他的不满至关重要。

在这个员工辅导模拟中，ChatGPT-4 扮演了一名专门负责预防时尚零售公司员工流失的人力资源经理的角色。通过一个两步指导过程，任务是分析最近一名新员工逐渐减少的参与度，通过比较新情况和参考案例来找到潜在的解决方案。

利用参考案例中的过去经验，ChatGPT-4 建议了一种细致的策略，以留住新员工詹姆斯。它指出了与团队的潜在脱节，并建议个性化的入职计划和团队建设活动，以促进更好的参与度并防止流失。该回应有效地勾勒出了一项策略，为詹姆斯在公司初期提供了支持。

情感分析

让我们继续以一个包括三个步骤的指令序列提示的示例来进行产品评论情感分析：

图 5.5: 情感分析

专家角色： 您是电影评论情感分类的专家。

背景： StreamSmith V35 蓝牙耳机是一个雄心勃勃的尝试，旨在创造一个易于获得的高质量音频体验。然而，尽管它们有许多积极的品质，但它们仅仅达到了标准，获得了坚实的 3 颗星。V35s 的制造质量令人钦佩，因为它们具有舒适的贴合感和高级的外观和手感。此外，长时间的电池寿命是一个突出的特点，可以在单次充电中提供数小时的不间断使用。StreamSmith 的手势控制系统也很直观，使操作变得轻松。此外，公司对可持续包装的承诺值得赞扬。另一方面，V35s 让人失望的地方在于它们的音质，明显不如同价位的竞争对手令人印象深刻。低频的深度明显不足，使低音听起来略显空洞。高音也似乎缺乏清晰度，造成整体平坦的音场。再加上偶尔的连接问题，这减弱了本可以成为真正出色的音频体验。总的来说，StreamSmith V35s 代表了一个有前途的进步，特别是在设计和用户界面方面。然而，对于发烧友来说，这些耳机可能不是首选。如果 StreamSmith 专注于改善他们的音质和连接稳定性，他们未来的产品可能会对市场上的老牌竞争对手构成严峻挑战。

指令序列： 在这三个步骤中对产品评论进行情感分类：

第一步， 提供支持输入情感确定的线索（例如关键词、短语、上下文信息、语义关系、语义含义、语气、引用）。

第二步， 从前提（例如线索、输入）中推断出支持情感确定的诊断推理过程。（因果分析）。

第三步， 确定电影评论的整体情感，即考虑第 1 步的线索，第 2 步的推理过程和电影评论（分类）。

对于给定的提示，ChatGPT-4 生成了以下输出：

“以下是请求的步骤：

1. 信息提取与分析：

• 积极线索：“舒适的贴合感”，“高级的外观和手感”，“长时间的电池寿命”，“直观的”手势控制，“值得赞扬的”可持续包装，“有前途的进步”，“对市场上的老牌竞争对手构成严峻挑战”。

• 负面线索：“仅仅达到标准”，音质“不如同价位的竞争对手令人印象深刻”，低频“深度不足”，低音“略显空洞”，高音“缺乏清晰度”，“平坦的音场”，“偶尔的连接问题”。

1. 因果分析：

• 评论者提供了产品的几个积极方面，如舒适感和高级感、电池寿命、直观的控制和可持续包装。这表明公司在用户体验和产品设计的许多方面都考虑周到。

• 然而，评论的负面方面集中在产品的核心功能上，即声音质量和连接。鉴于产品的性质是耳机，这可能被认为更为关键。

• 尽管评论者承认该产品有挑战已建立的市场参与者的潜力，但他们也指出了它目前的缺点，特别是对于一个关键的目标受众 - 音响发烧友。

1. 分类：

• 总的来说，这篇评论的情感似乎是复杂的，但更偏向于负面，主要是由于批评的重量。尽管积极的线索比负面的要多，但负面的触及了耳机的核心功能 - 声音质量和稳定连接，这可能更具影响力。因此，这篇评论可以被分类为有些负面。

在这个任务中，ChatGPT-4 扮演了一个情感分析专家，评估了对 StreamSmith V35 蓝牙耳机的评论。在一个三步指令序列之后，它首先确定评论中的积极和消极情绪。接下来，它进行因果分析，审查评论中提到的优点和缺点，特别关注产品功能的关键点。最后，它将整体情感分类为有些负面，突出了对产品核心功能的重大批评。这个任务展示了 ChatGPT-4 对评论进行分析以进行明智决策的分析方法。

另外三个例子在附录 A中呈现：

• 指令序列：保险理赔处理：系统被提示执行一系列涉及提问、总结答案和评估损失成本的步骤。

• 指令序列：解决方案架构分析：ChatGPT-4 审查给定的 Azure OpenAI 架构，识别组件，找出瓶颈，提出建议，并制定实施计划。

• 伪代码指令：房地产列表比较：ChatGPT-4 根据大小、价格、位置和便利设施等标准对办公空间列表进行排名。它应用一个评分系统，识别和优先考虑顶级空间，展示了它在房地产评估方面的熟练程度。

查询提示

在这一部分，我们将首先深入探讨查询提示模式⁶，这是与 GPT 模型进行交互的另一种独特方法。随后，我们将探索一系列实际示例，突出展示了这种模式在各种企业场景中的应用。

查询提示模式

查询提示模式是一种有效的方法，旨在指导 GPT 模型生成对各种类型问题的见解深刻和准确的回答。以下是每个组件的贡献方式：

• 证据：这是向 GPT 模型提供的事实、情境或背景信息，用作准确解释和回应后续查询的参考，有助于防止生成无根据或无关的输出。例如，一家公司可能向 GPT 模型提供详细的季度财务报告，以便分析并从中提取有见地的信息。

• 推理规则：这些是明确指导 GPT 模型从提供的证据中得出见解或结论的规则。在商业环境中，有各种规则可能会影响分析过程。例如，一个规则可能表明“季度收入增加表明积极增长”，这将通过突出公司收入在一定期间内的有利趋势来指导财务报告的分析。同时，另一个规则可能提出“市场份额增长是公司竞争力增强的潜在指标”，从而将调查重点放在市场研究数据上，以辨别公司相对于行业同行的表现。

• 模糊逻辑规则：模糊逻辑规则用于处理模糊逻辑查询（见下文），因为它们允许模型处理不确定性和模糊性特征的情况。在商业场景中，规则“如果市场反馈主要是积极的，那么产品受到欢迎”可能被应用于解释一系列客户评论。

• 理由要求：这强调了 GPT 模型解释其结论的必要性。这有助于验证 GPT 模型的见解，在复杂查询中可能至关重要，其中理解其推理过程是必不可少的。在商业场景中，这可能涉及根据现有季度报告中识别的模式来验证下一季度的预测。

• 查询：一个或多个分类的查询被制定，以利用 GPT 模型在预训练期间获得的背景知识，以及提供的证据和推理规则，生成全面的响应。以下是每种查询类型的操作方式：

• 信息查询：这种类型的查询指导 GPT 模型仔细分析和解释现有证据，以回答提出的问题，而不涉及投机或假设的情景。它旨在提供清晰直接的答案，基于提供的证据。例如，它可能涉及要求 GPT 模型从提供的销售数据中识别 Q1 中表现最好的产品，或者从竞争对手的财务报告中计算几个未公开的关键绩效指标。

• 现状分析查询：这种查询类型指导 GPT 模型对现有证据进行深入、结构化的分析，通过详细探索各种角度来揭示关系、比较和相关性。

• 因果分析：它涉及在提供的证据中识别数据点之间的因果关系。一个公司可能会询问：“根据过去两个季度的数据，我们能否找出产品退货增加背后的原因？”

• 比较分析：这种途径鼓励比较不同元素或时间框架，以发现趋势、相似之处或差异。一个企业可能会问：“在过去的财政年度里，产品 A 的表现与产品 B 相比如何？”

• 相关性分析：它旨在建立证据中不同变量之间的统计关联。一个公司可能会查询：“我们的营销支出和过去一年新客户的数量之间是否存在明显的相关性？”

• 预测性查询：这种查询类型促使 GPT 模型利用提供的证据预测潜在的未来事件，鼓励基于现实的预测，而抑制毫无根据的猜测。这种查询类型探索各种预测途径：

• 无条件预测：这一类查询指导 GPT 模型基于现有证据直接进行预测，而不施加任何假设条件。例如，一个企业可能会问：“考虑到我们在证据中记录的月收入，我们可以预期本财政年度末的总收入会是多少？”

• 条件预测：这些查询涉及根据条件语句或潜在行动对未来情景进行假设，指导模型探索特定战略或决策的影响。基本上，它使用“假设”情景来预测不同方法的潜在结果，促进积极规划和知情决策。这些情景可以涵盖从战略规划和风险管理到政策变化和技术进步。例如，一个企业可能会询问：“如果我们实施更强大的售后服务，这可能对我们的客户忠诚度产生什么影响？”

• 指导查询：这种查询类型指导 GPT 模型构想可能的策略和建议，基于提供的证据，利用其分析能力来帮助企业制定改进策略。它通过两个详细的路径导航：

• 咨询：在这里，查询旨在基于对证据的实际分析提供专家建议，旨在制定适合现有情况的潜在策略。这一类问题可能是：“根据我们最新产品的评论，我们应该专注于什么以提高用户满意度？”

• 优化：这一部分制定了在给定约束条件下的最佳策略或解决方案，重点是通过对当前数据和趋势进行细致分析，提取最佳可能的结果。例如，一家公司可能会问：“考虑到我们目前的资源和市场地位，我们未来产品的最佳定价策略是什么？”

• 反事实查询：这种查询类型鼓励 GPT 模型进入替代现实，策划“本可以是什么”的探索。通过这种方式，它制定了探索不同路径及其潜在影响的叙事，同时制定了既具有推测性又基于逻辑分析的回应。企业可能会询问：“如果去年我们将服务价格降低 10％，对我们的销售可能会有什么潜在影响？”

• 模糊逻辑查询：在充满不确定性和模糊性的情景中使用，这种查询类型利用模糊逻辑规则和提供的背景来理解和应对复杂情况。例如，利用模糊逻辑规则“如果反馈主要是中性的，那么情绪可能是混合的”，企业可能寻求对新产品推出的客户反应进行深入了解，旨在在确定性结论难以得出时获得指示性智能。

查询提示模式是处理复杂分析和探索性问题的强大工具，在以下条件下最好实现：

• 可靠的证据是可用的：事实和背景数据是所有应用推理的基础，以生成现实和相关的回应。

• 推理规则可以明确制定：明确的规则可以透明地引导模型的思维链，从证据中得出见解。

• 存在固有的模糊或不确定性：在这些情景下，标准的逻辑推理技术无法应用。

• 正当理由至关重要：对回答背后的原因进行解释与回答本身一样重要。

• 需要探索性查询类型：需要处理复杂业务问题的不同类别的查询，从寻求信息到预测和反事实等。

查询示例

即将进行的演示展示了在化妆品、供应商评估、业务预测和系统可用性改进等背景下，使用 ChatGPT-4 的各种查询提示的应用：

• 关于化妆品的视觉查询：利用几个信息查询，ChatGPT-4 充当图像分析专家，检查化妆品的视觉提示。它解释了产品布局传达的艺术和情感印象，展示了其在视觉解释和对美容行业的理解方面的技能。

• 新供应商评估：使用多个比较分析查询，ChatGPT-4 评估了 ABC 公司的五个供应商的质量、定价、交货及时性和客户满意度，展示了其对最佳供应商选择的支持。

• 预测业务分析：利用两个预测性查询，ChatGPT-4 预测了基于技术的消费品的收入和市场份额增长。它还涵盖了增加投资的情景，探讨了财务和市场渗透的影响。

• 改善医疗保健系统的可用性：ChatGPT-4 提出了根据医护人员反馈解决新电子病历系统挑战的策略。它提出了不同的建议，以提高用户满意度和患者护理效率。

关于化妆品的视觉查询

让我们来看一个在图像分析领域的例子。

图 5.6： 关于化妆品的视觉查询

这个例子使用了通过网页链接提供的图像作为证据，展示了各种化妆品，并提出了五个具体的信息查询问题：

证据*