Краткое инженерное руководство OpenAI: освоение ChatGPT для продвинутых приложений

Понимание оперативного проектирования

Быстрый инжиниринг — это искусство и наука создания входных данных (подсказок) для получения желаемых результатов от моделей искусственного интеллекта, таких как ChatGPT. Это важнейший навык для максимизации эффективности этих моделей.

ChatGPT, построенный на архитектурах OpenAI GPT-3 и GPT-4, значительно продвинулся вперед, став более отзывчивым и контекстно-зависимым. Понимание его эволюции является ключом к овладению быстрым инжинирингом.

Подобно опытному дирижеру, руководящему оркестром, оперативное проектирование позволяет нам направлять эти модели для выполнения сложных задач: от разработки подробной технической документации до создания креативного и увлекательного контента. Это руководство познакомит вас со стратегиями и тактиками, которые изменят ваше взаимодействие с ИИ, превратив его из базового обмена в детальные и содержательные разговоры.

Подумайте о разнице в вопросе: «Как складывать числа в Excel?» по сравнению с «Как автоматически суммировать столбец сумм в долларах в Excel, чтобы итоговые суммы отображались справа в столбце «Итого»?» Последняя, ​​более подробная подсказка, меньше оставляет возможности для интерпретации ИИ, что приводит к более точному и полезному ответу. Аналогичным образом, понимание использования персонажей, разделителей и пошаговых инструкций может существенно повлиять на качество вывода ИИ, особенно для сложных задач.

В этом руководстве по оперативному проектированию будут рассмотрены не только теоретические аспекты, но и практические примеры. Вы узнаете, как эффективно использовать такие тактики, как предоставление справочных текстов, чтобы увести ИИ от вымыслов, или как разбиение сложных задач на более простые подзадачи может дать более точные результаты.

1. Ясность и детализация

Создание эффективных подсказок для моделей ИИ, таких как GPT-4, требует сочетания точности, контекста и ясности. Разница между плохо составленной подсказкой и хорошо продуманной может заключаться в разнице между расплывчатым, общим ответом и весьма актуальным, конкретным ответом.

Пример 1. Использование функции распознавания языка ChatGPT для технических запросов

• Неэффективная подсказка: «Как мне исправить ошибку в моем коде?»
  • AI-выход: «Чтобы исправить ошибку в вашем коде, вам нужно сначала идентифицировать ошибку, понять, почему она происходит, а затем изменить код, чтобы исправить ее».
• Эффективный технический запрос: «Я пишу код на Python и получаю ошибку KeyError при попытке доступа к словарю. Фрагмент кода: . Что вызывает эту ошибку и как ее исправить?»
  • AI-выход: «Ошибка «KeyError» в вашем коде Python, скорее всего, связана с попыткой доступа к несуществующему ключу в словаре. Вот как вы можете изменить свой код для обработки этой ошибки: [Измененный фрагмент кода с объяснением]».

Пример 2: Творческое письмо с имитацией стиля

• Неэффективная подсказка: «Напиши небольшой рассказ».
  • AI-выход: «Давным-давно, в далекой стране жило королевство, которому грозила великая опасность...»
• Эффективная подсказка для имитации стиля: «Напишите небольшой рассказ в стиле Эрнеста Хемингуэя, сосредоточив внимание на разговоре двух старых друзей, которые неожиданно встречаются».
  • AI-выход: «Солнце палило на пыльную дорогу, где Джек и Том, два старых друга, случайно встретились. «Прошли годы», - сказал Джек, его голос был сухим, как воздух. «Годы прошли после войны», - ответил Том. [История продолжается в лаконичном, основанном на диалогах стиле Хемингуэя]».

Пример 3: Совет путешественнику

• Неэффективная подсказка: «Что мне делать в Париже?»
  • AI-выход: «В Париже вы можете посетить такие достопримечательности, как Эйфелева башня, Лувр и собор Парижской Богоматери».
• Эффективная подсказка: «Этим летом я собираюсь в Париж на три дня с акцентом на искусство и историю. Можете ли вы предложить подробный маршрут?»
  • AI-выход: «День 1: Утром посетите Лувр, а затем прогуляйтесь до собора Парижской Богоматери. [Более подробный маршрут следует]».

Рекомендации по созданию более эффективных подсказок

1. специфичность: Будьте как можно более конкретными. Чем подробнее будет ваш запрос, тем более индивидуализированным будет ответ.
2. Контекстная информация: Включите весь соответствующий контекст. Это помогает ИИ понять истинную суть вашего запроса.
3. Ясная цель: Четко укажите, чего вы ожидаете в качестве результата. Будь то рецепт, план путешествия или техническое решение, четко обозначьте свою цель.
4. Избегайте двусмысленности: неоднозначные запросы приводят к общим ответам. Уточните свой запрос, чтобы получить точные ответы.
5. Используйте известные форматы: Если применимо, запросите информацию в определенном формате, например список, пошаговое руководство или диаграмму.

2. Улучшение реакции ИИ с помощью ссылок

Стратегическое использование справочных текстов при оперативном проектировании может значительно повысить качество и точность ответов моделей ИИ, таких как GPT-4. Предоставляя релевантную и достоверную информацию вместе с вашим запросом, вы можете помочь ИИ составить ответы на основе предоставленного материала, что сделает ответы более надежными и контекстуально точными.

Пример 1: Научное объяснение

• Обычная подсказка: «Как образуется черная дыра?»
  • AI-выход: «Черная дыра образуется из остатков большой звезды, погибшей в результате взрыва сверхновой. Если масса ядра достаточна, она коллапсирует под действием собственной гравитации, превращаясь в черную дыру».
• Расширенное приглашение со справочным текстом:
  • Предоставлен справочный текст: «[Научная статья о звездной эволюции и черных дырах]»
  • Незамедлительный: «Используя информацию из предоставленной научной статьи, объясните процесс образования черной дыры».
  • AI-выход: «Согласно предоставленной научной статье, черная дыра образуется, когда массивная звезда исчерпывает свое ядерное топливо и ее ядро ​​​​коллапсирует. Подробности в статье: ['Соответствующие выдержки из статьи']».

Пример 2: Юридическая интерпретация

• Обычная подсказка: «Каковы юридические последствия кражи интеллектуальной собственности?»
  • AI-выход: «Кража интеллектуальной собственности может привести к юридическим последствиям, таким как судебные иски, штрафы, а в тяжелых случаях — тюремное заключение».
• Расширенное приглашение со справочным текстом:
  • Предоставлен справочный текст: «[Статья в юридическом журнале о праве интеллектуальной собственности]»
  • Незамедлительный: «Ссылаясь на предоставленную статью в юридическом журнале, объясните конкретные юридические последствия кражи интеллектуальной собственности».
  • AI-выход: «В статье юридического журнала говорится, что кража интеллектуальной собственности может привести к гражданскому судебному разбирательству, установленному законом ущербу и потенциальным уголовным обвинениям. В частности, в статье упоминается: ['Прямые цитаты из статьи']».

Рекомендации по использованию справочных текстов в подсказках

1. Выберите соответствующие тексты: выберите справочные тексты, которые имеют непосредственное отношение к вашему запросу.
2. Подскажите спецификацию: Четко проинструктируйте ИИ использовать предоставленный справочный текст для составления ответа.
3. Цитаты: запросите, чтобы ИИ в своем ответе цитировал определенные части справочного текста для обеспечения точности и проверки.
4. Обработка недостаточной информации: Попросите ИИ четко указать, не содержит ли предоставленный текст необходимой информации для ответа на вопрос.

3. Упрощение сложных задач с помощью разделения подзадач

Ключ к эффективному решению сложных задач с помощью моделей ИИ, таких как GPT-4, заключается в разбиении их на более простые подзадачи. Такой подход не только упрощает процесс, но и повышает точность и актуальность ответов ИИ. Ниже мы демонстрируем эту стратегию на конкретных примерах, подчеркивая преимущества использования классификации по намерениям, методов обобщения и структурированных диалогов для сложных запросов.

Пример 1: Запрос в службу поддержки клиентов

• Неэффективный подход: один запрос на общую помощь.
  • Приглашение пользователя: «У меня проблемы с моей учетной записью».
  • AI-выход: «Не могли бы вы уточнить характер проблем с вашим аккаунтом?»
• Эффективный подход: Классификация запроса по категориям и оказание адресной помощи.
  • Приглашение пользователя: «У меня проблемы с доступом к моей учетной записи».
  • Директива ИИ: «Отнесите запрос к категории «Управление учетными записями», а затем предложите конкретные действия по устранению проблем с доступом».
  • AI-выход: «Похоже, у вас возникли проблемы с доступом к вашей учетной записи. Давайте начнем со сброса пароля. [Далее будут описаны подробные шаги]».

Пример 2: обобщение длинных документов

• Неэффективный подход: Попытка резюмировать длинный документ за один раз.
  • Приглашение пользователя: «Подведите для меня итог этой 300-страничной книги».
  • AI-выход: «Извините, но я не могу обрабатывать документы дольше, чем мое контекстное окно».
• Эффективный подход: суммирование документа по частям и рекурсивное построение полного резюме.
  • Директива ИИ: «Подведите итог каждой главе отдельно, затем создайте резюме резюме, действуя рекурсивно».
  • Приглашение пользователя: «Подведите итоги первой главы этой книги».
  • AI-выход: «Краткое содержание главы 1: [Краткое содержание главы 1]».
  • Продолжение процесса: тот же процесс применяется к каждой главе, после чего следует окончательное резюме, объединяющее все отдельные резюме.

Преимущества разделения подзадач и контекстного оперативного проектирования

1. Повышенная точность: Сосредоточив внимание на конкретных аспектах сложной задачи, ИИ может дать более точные и актуальные ответы.
2. Повышенная эффективность: Разбивка задач делает их более управляемыми и снижает вероятность ошибок или нерелевантных результатов.
3. Лучший пользовательский опыт: пользователи получают целевые пошаговые инструкции, которые более полезны, чем общие ответы.
4. Эффективность затрат: Небольшие целевые подсказки могут быть более экономичными по сравнению с более крупными и сложными подсказками.

4. Даем GPT время подумать

Стратегия, дающая моделям время «подумать» и разбивающая сложные задачи на выполнимые шаги, значительно повышает качество ответов моделей ИИ, таких как GPT-4.

Пример 1: Оценка математической задачи

• Неэффективный подход: прямая просьба к модели оценить решение учащегося.
  • Приглашение пользователя: «Правильно ли решение ученика этой математической задачи?»
  • AI-выход: «Решение ученика кажется правильным/неправильным».
• Эффективный подход: указание модели сначала найти собственное решение, прежде чем оценивать работу учащегося.
  • Приглашение пользователя: «Сначала решите эту математическую задачу. Затем сравните свое решение с решением ученика и оцените его правильность».
  • AI-выход: «Мое решение: [Подробное решение]. Сравнивая с решением ученика, я обнаружил ошибку в его расчете [конкретной части]. Правильный подход должен быть [правильный метод]».

Пример 2: Анализ документа

• Неэффективный подход: Попытка проанализировать большой документ за один запрос.
  • Приглашение пользователя: «Обобщите ключевые моменты всего этого документа».
  • AI-выход: «Я не могу обработать весь документ из-за его длины».
• Эффективный подход: Последовательное извлечение выдержек и последующие запросы для всестороннего анализа.
  • Приглашение пользователя: «Извлеките ключевые выдержки из этого документа, относящиеся к [конкретной теме]».
  • AI-выход: «Отрывок 1: [Соответствующий отрывок]. Отрывок 2: [Еще один соответствующий отрывок]».
  • Последующая подсказка пользователю: «Есть ли более релевантные отрывки? Убедитесь, что они содержат полный контекст».
  • AI-выход: «Дополнительная выдержка: [Дальнейший соответствующий отрывок]».

Преимущества и идеи

1. Глубина анализа: сначала разработав решения или проведя анализ, ИИ может обеспечить более точные и глубокие оценки.
2. Управляемое обучение: В сценариях репетиторства использование внутреннего монолога и подсказок побуждает учащихся самостоятельно находить решения, улучшая их учебный опыт.
3. Комплексное покрытие: При анализе документов последовательные и рекурсивные подходы обеспечивают тщательный анализ без пропуска важных деталей.
4. Как избежать предвзятости: сначала генерируя собственное решение, ИИ избегает предвзятости, которая может возникнуть при непосредственной оценке данного ответа.

5. Использование внешних инструментов

Включение внешних инструментов и ресурсов во взаимодействие с ИИ может значительно повысить точность и актуальность ответов, генерируемых такими моделями, как GPT-4. В этом разделе демонстрируется использование поиска на основе внедрений для извлечения знаний, выполнения кода для точных расчетов и вызовов функций для расширения возможностей моделей ИИ.

Пример 1: Точные вычисления с выполнением кода

• Без выполнения кода: Опираясь исключительно на вычислительные способности модели.
  • Приглашение пользователя: «Вычислить квадратный корень из 529».
  • AI-выход: «Квадратный корень из 529 равен примерно 23».
• С выполнением кода: Обеспечение точности расчетов.
  • Приглашение пользователя: «Вычислить квадратный корень из 529».
  • Директива ИИ: «Напишите и выполните код Python, чтобы вычислить это».
  • AI-выход"python import math math.sqrt(529) Квадратный корень из 529 равен ровно 23».

Пример 2. Использование вызовов API для динамических взаимодействий

• Без вызовов API: Ограничено статичными, заранее запрограммированными ответами.
  • Приглашение пользователя: «Отправь напоминание моему другу о нашей завтрашней встрече».
  • AI-выход: «Напоминание: не забудьте отправить другу сообщение о завтрашней встрече».
• С вызовами API: Взаимодействие с внешними системами для действий в реальном времени.
  • Приглашение пользователя: «Отправь напоминание моему другу Джону о нашей завтрашней встрече».
  • Директива ИИ: «Используйте API обмена сообщениями, чтобы отправить напоминание».
  • AI-выход"python import message message.write(to='John', message='Hey, remember our meeting tomorrow!')  Напоминание отправлено Джону о завтрашней встрече».

Преимущества и идеи

1. Расширенная база знаний: используя поиск на основе встроенных программ, ИИ может получать доступ к огромному массиву актуальной информации и обрабатывать ее, повышая релевантность и точность своих ответов.
2. Точность в расчетах: выполнение кода позволяет ИИ выполнять точные математические вычисления, что особенно полезно в техническом или научном контексте.
3. Интерактивные возможности: вызовы API позволяют ИИ взаимодействовать с внешними системами, облегчая реальные действия, такие как отправка сообщений или установка напоминаний.

6. Систематическое тестирование

Систематическое тестирование или процедуры оценки (evals) имеют решающее значение для определения эффективности изменений в системах ИИ. Этот подход предполагает сравнение результатов модели с набором заранее определенных стандартов или ответов «золотого стандарта» для оценки точности.

Пример 1: Выявление противоречий в ответах

• Сценарий тестирования: Обнаружение противоречий в ответе модели по сравнению с ответами экспертов.
  • Системная директива: Определите, противоречит ли ответ модели какой-либо части ответа эксперта.
  • Пользовательский ввод: «Нил Армстронг стал вторым человеком, ступившим на Луну, после Базза Олдрина».
  • Процесс оценки: Система проверяет соответствие ответу эксперта о том, что Нил Армстронг был первым человеком на Луне.
  • Выход модели: ответ модели прямо противоречит ответу эксперта, что указывает на ошибку.

Пример 2. Сравнение уровней детализации ответов

• Сценарий тестирования: Оценка того, соответствует ли ответ модели экспертному ответу, превосходит его или не соответствует ему с точки зрения детализации.
  • Системная директива: Сравните глубину информации между ответом модели и ответом эксперта.
  • Пользовательский ввод: «Нил Армстронг впервые ступил на Луну 21 июля 1969 года в 02:56 по всемирному координированному времени».
  • Процесс оценки: система оценивает, обеспечивает ли ответ модели большую, равную или меньшую детализацию по сравнению с ответом эксперта.
  • Выход модели: ответ модели предоставляет дополнительную информацию (точное время), которая согласуется с ответом эксперта и расширяет его.

Преимущества и идеи

1. Точность и надежность: Систематическое тестирование гарантирует точность и надежность ответов модели ИИ, особенно при работе с фактической информацией.
2. Обнаружение ошибок: помогает выявить ошибки, противоречия или несоответствия в ответах модели.
3. Гарантия качества: Этот подход необходим для поддержания высоких стандартов качества контента, создаваемого ИИ, особенно в образовательном, историческом или других контекстах, чувствительных к фактам.

Заключение и вывод

Из рассмотренных примеров и стратегий мы увидели, как специфичность подсказок может кардинально изменить результат и как разбиение сложных задач на более простые подзадачи может сделать сложные задачи управляемыми. Мы изучили возможности внешних инструментов в расширении возможностей ИИ и важность систематического тестирования для обеспечения надежности и точности ответов ИИ. Посещать Краткое инженерное руководство OpenAI за базовые знания, которые дополняют наше всестороннее исследование передовых методов и стратегий оптимизации взаимодействия ИИ.