OpenAI 的快速工程指南：掌握高级应用程序的 ChatGPT

了解即时工程

即时工程 是制作输入（提示）以从 ChatGPT 等 AI 模型获得所需输出的艺术和科学。这是最大化这些模型有效性的关键技能。

ChatGPT 基于 OpenAI 的 GPT-3 和 GPT-4 架构构建，取得了显着进步，变得更具响应性和上下文感知能力。了解其演变是掌握即时工程的关键。

就像指挥管弦乐队的熟练指挥一样，即时工程允许我们指导这些模型执行复杂的任务，从制作详细的技术文档到生成富有创意和引人入胜的内容。本指南将引导您了解改变您与人工智能互动的策略和策略，将其从基本交流提升为细致入微且有意义的对话。

考虑询问“如何在 Excel 中添加数字？”的不同之处。与“如何在 Excel 中自动对一列美元金额进行求和，并将总计显示在右侧的“总计”列中？”后者的提示更详细，人工智能解释的时间更少，从而产生更准确、更有帮助的响应。同样，了解角色、分隔符和分步指令的使用可以深刻影响人工智能的输出质量，尤其是对于复杂的任务。

本快速工程指南不仅涵盖理论方面，还提供实际的实践示例。您将学习如何有效地使用策略，例如提供参考文本来引导人工智能远离捏造，或者如何将复杂的任务分解为更简单的子任务可以产生更准确的结果。

1. 清晰度和细节

为 GPT-4 等 AI 模型制作有效的提示需要结合精确性、上下文和清晰度。精心设计的提示和经过深思熟虑的提示之间的区别可能是模糊、笼统的回答和高度相关、具体的答案之间的区别。

示例 1：利用 ChatGPT 的语言理解进行技术查询

• 无效提示：“如何修复代码中的错误？”
  • 人工智能输出：“要修复代码中的错误，您需要首先识别错误，了解其发生的原因，然后修改代码以纠正它。”
• 有效的技术查询：“我正在使用 Python 进行编码，并在尝试访问字典时收到“KeyError”。代码片段是： .是什么导致了这个错误以及如何修复它？”
  • 人工智能输出：“Python 代码中的‘KeyError’可能是由于尝试访问字典中不存在的键所致。您可以通过以下方式修改代码来处理此错误：[修改后的代码片段及解释]。”

示例 2：风格模仿的创意写作

• 无效提示：“写一个短篇故事。”
  • 人工智能输出：“从前，在一个遥远的地方，有一个王国面临着巨大的危险......”
• 有效的风格模仿提示：“以欧内斯特·海明威的风格写一篇短篇小说，重点讲述两个不期而遇的老朋友之间的对话。”
  • 人工智能输出：“太阳照在尘土飞扬的路上，杰克和汤姆这两个老朋友偶然相遇。‘已经很多年了，’杰克说，他的声音像空气一样干燥。‘战争已经过去很多年了，’汤姆回答道。 [故事以海明威简洁、对话驱动的风格继续进行]。”

示例 3：旅行建议

• 无效提示：“我在巴黎应该做什么？”
  • 人工智能输出：“在巴黎，您可以参观埃菲尔铁塔、卢浮宫和巴黎圣母院等地标建筑。”
• 有效提示：“今年夏天我要去巴黎玩三天，重点是艺术和历史。您能建议详细的行程吗？”
  • 人工智能输出：“第一天：早上参观卢浮宫，然后步行到巴黎圣母院。【更详细的行程如下】。”

制作更好提示的见解

1. 特异性： 要尽可能具体。您的提示越详细，响应就越有针对性。
2. 语境信息：包括所有相关上下文。这有助于人工智能了解您请求的确切性质。
3. 明确目标：清楚地说明您期望的输出。无论是食谱、旅行计划还是技术解决方案，都要明确您的目标。
4. 避免歧义：不明确的提示会导致通用的响应。澄清您的请求以获得准确的答案。
5. 使用已知的格式：如果适用，请索取特定格式的信息，例如列表、分步指南或图表。

2. 通过参考增强人工智能响应

在即时工程中战略性地使用参考文本可以显着提高 GPT-4 等人工智能模型的响应质量和准确性。通过在查询的同时提供相关、可信的信息，您可以引导人工智能根据给定的材料撰写答案，从而使响应更加可靠且上下文准确。

例1：科学解释

• 常规提示：“黑洞是如何形成的？”
  • 人工智能输出：“黑洞是由在超新星爆炸中死亡的大恒星的残余物形成的。如果核心的质量足够大，它就会在自身引力作用下塌缩成黑洞。”
• 带参考文本的增强提示:
  • 提供参考文本：“[关于恒星演化和黑洞的科学论文]”
  • 提示：“利用所提供的科学论文中的信息，解释黑洞形成的过程。”
  • 人工智能输出：“根据提供的科学论文，当一颗大质量恒星耗​​尽其核燃料并且其核心塌陷时，就会形成黑洞。该论文详细说明：[‘论文的相关摘录’]。”

示例2：法律解释

• 常规提示：“知识产权盗窃的法律后果是什么？”
  • 人工智能输出：“知识产权盗窃可能会导致诉讼、罚款等法律后果，严重时甚至会导致监禁。”
• 带参考文本的增强提示:
  • 提供参考文本：“[关于知识产权法的法律期刊文章]”
  • 提示：“参考提供的法律期刊文章，解释知识产权盗窃的具体法律含义。”
  • 人工智能输出：“法律期刊文章指出，知识产权盗窃可能导致民事诉讼、法定损害赔偿和潜在的刑事指控。具体来说，文章提到：[‘直接引用文章’]。”

在提示中使用参考文本的见解

1. 选择相关文本：选择与您的查询直接相关的参考文本。
2. 提示规格：明确指示 AI 使用提供的参考文本来撰写答案。
3. 参考文献：要求人工智能在其回复中引用参考文本的特定部分，以确保准确性和验证。
4. 处理信息不足：指示 AI 明确说明所提供的文本是否不包含回答问题所需的信息。

3. 通过子任务划分简化复杂任务

使用 GPT-4 等 AI 模型有效处理复杂任务的关键在于将其分解为更简单的子任务。这种方法不仅简化了流程，还提高了人工智能响应的准确性和相关性。下面，我们通过具体示例演示该策略，强调使用意图分类、摘要技术和结构化对话来处理复杂查询的优势。

示例1：客服查询

• 无效的方法：请求一般帮助的单个提示。
  • 用户提示：“我的帐户出现问题。”
  • 人工智能输出：“您能具体说明您的帐户问题的性质吗？”
• 有效的方法：将查询分类并提供有针对性的帮助。
  • 用户提示：“我在访问我的帐户时遇到问题。”
  • 人工智能指令：“将查询分类为‘帐户管理’，然后提供解决访问问题的具体步骤。”
  • 人工智能输出：“听起来您在访问帐户时遇到了问题。让我们从重置密码开始。[随后是详细步骤]。”

示例 2：长文档摘要

• 无效的方法：尝试一次性总结一篇很长的文档。
  • 用户提示：“给我总结一下这本300页的书。”
  • 人工智能输出：“很抱歉，我无法处理比上下文窗口更长的文档。”
• 有效的方法：分段总结文档并递归地构建完整的摘要。
  • 人工智能指令：“分别总结每一章，然后创建摘要的摘要，递归地进行。”
  • 用户提示：“总结本书的第一章。”
  • 人工智能输出：“第 1 章摘要：[第 1 章简要摘要]。”
  • 持续过程：每章都采用相同的过程，然后是结合所有单独摘要的最终摘要。

子任务划分和上下文提示工程的好处

1. 提高准确性：通过专注于复杂任务的特定方面，人工智能可以提供更准确和相关的响应。
2. 提高效率：分解任务使它们更易于管理，并减少出现错误或不相关输出的可能性。
3. 更好的用户体验：用户会收到有针对性的分步指导，这比一般答复更有帮助。
4. 成本效益：与较大、较复杂的提示相比，较小、有针对性的提示可能更具成本效益。

4.给GPT时间思考

给予模型时间“思考”并将复杂任务分解为可管理步骤的策略显着提高了 GPT-4 等 AI 模型的响应质量。

示例 1：数学问题评估

• 无效的方法：直接要求模型评估学生的解决方案。
  • 用户提示：“学生这道数学题的解法正确吗？”
  • 人工智能输出：“学生的解决方案似乎是正确/不正确的。”
• 有效的方法：指示模型在评估学生的作业之前首先制定自己的解决方案。
  • 用户提示：“首先，解决这个数学问题。然后，将你的解决方案与学生的解决方案进行比较，并评估其正确性。”
  • 人工智能输出：“我的解决方案：[详细解决方案]。与学生的解决方案相比，我发现他们在[具体部分]的计算中存在错误。正确的做法应该是[正确的方法]。”

示例2：文档分析

• 无效的方法：尝试在一个查询中分析一份大文档。
  • 用户提示：“总结整个文档的要点。”
  • 人工智能输出：“由于文档太长，我无法处理整个文档。”
• 有效的方法：顺序提取摘录并后续查询以进行综合分析。
  • 用户提示：“从本文档中提取与[特定主题]相关的关键摘录。”
  • 人工智能输出：“摘录 1：[相关段落]。摘录 2：[另一相关段落]。”
  • 后续用户提示：“有更多相关的摘录吗？确保它们包含完整的上下文。”
  • 人工智能输出：“附加摘录：[进一步相关段落]。”

优点和见解

1. 分析深度：通过先制定解决方案或分析，AI可以提供更准确、更深入的评估。
2. 引导学习：在辅导场景中，利用内心独白和提示，鼓励学生独立得出解决方案，增强学习体验。
3. 全面覆盖：对于文档分析，顺序和递归方法可确保全面覆盖，而不会遗漏重要细节。
4. 避免偏见：通过首先生成自己的解决方案，人工智能可以避免直接评估给定答案可能产生的偏差。

5.利用外部工具

将外部工具和资源纳入人工智能交互中可以极大地提高 GPT-4 等模型生成的响应的准确性和相关性。本节演示如何使用基于嵌入的搜索进行知识检索、执行代码进行精确计算以及使用函数调用来增强人工智能模型的功能。

示例 1：通过代码执行进行精确计算

• 不执行代码：仅依靠模型的计算能力。
  • 用户提示：“计算 529 的平方根。”
  • 人工智能输出：“529 的平方根约为 23。”
• 通过代码执行：确保计算精度。
  • 用户提示：“计算 529 的平方根。”
  • 人工智能指令：“编写并执行 Python 代码来计算它。”
  • 人工智能输出“python import math math.sqrt(529) 529 的平方根正好是 23。”

示例 2：使用 API 调用进行动态交互

• 没有 API 调用：仅限于静态、预编程的响应。
  • 用户提示：“向我的朋友发送关于我们明天见面的提醒。”
  • 人工智能输出：“提醒：不要忘记向您的朋友发送有关明天会议的消息。”
• 通过 API 调用：与外部系统交互以进行实时操作。
  • 用户提示：“向我的朋友约翰发送有关我们明天见面的提醒。”
  • 人工智能指令：“使用消息 API 发送提醒。”
  • 人工智能输出“python import message message.write(to='John', message='Hey, remember our meeting tomorrow!')  已向约翰发送有关明天会议的提醒。”

优点和见解

1. 扩展的知识库：通过使用基于嵌入的搜索，人工智能可以访问并合并大量最新信息，从而增强其响应的相关性和准确性。
2. 计算精度：代码执行允许人工智能执行准确的数学计算，这在技术或科学环境中特别有用。
3. 互动能力：API 调用使 AI 能够与外部系统交互，促进发送消息或设置提醒等现实世界的操作。

6. 系统测试

系统测试或评估程序 (evals) 对于确定人工智能系统变更的有效性至关重要。这种方法涉及将模型输出与一组预定标准或“黄金标准”答案进行比较，以评估准确性。

示例 1：识别答案中的矛盾

• 测试场景：与专家答案相比，检测模型响应中的矛盾。
  • 系统指令：确定模型的响应是否与专家提供的答案的任何部分相矛盾。
  • 用户输入：“尼尔·阿姆斯特朗成为继巴兹·奥尔德林之后第二个登上月球的人。”
  • 评估过程：系统检查与专家答案的一致性，即尼尔·阿姆斯特朗是第一个登上月球的人。
  • 模型输出：模型的响应与专家的答案直接矛盾，表明存在错误。

示例 2：比较答案的详细程度

• 测试场景：评估模型的答案在细节上是否与专家答案一致、超过或不足。
  • 系统指令：比较模型响应和专家答案之间的信息深度。
  • 用户输入：“尼尔·阿姆斯特朗于 21 年 1969 月 02 日世界标准时间 56:XNUMX 首次登上月球。”
  • 评估过程：系统评估模型的响应与专家答案相比是否提供了更多、相同或更少的细节。
  • 模型输出：模型的响应提供了额外的细节（确切的时间），与专家的答案一致并扩展了专家的答案。

优点和见解

1. 准确性和可靠性：系统测试确保人工智能模型的响应准确可靠，尤其是在处理事实信息时。
2. 错误检测：它有助于识别模型响应中的错误、矛盾或不一致。
3. 品质保证：这种方法对于维持人工智能生成内容的高质量标准至关重要，特别是在教育、历史或其他事实敏感的背景下。

结论和要点

通过讨论的示例和策略，我们已经看到提示的特异性如何极大地改变输出，以及如何将复杂的任务分解为更简单的子任务可以使艰巨的挑战变得易于管理。我们探索了外部工具在增强人工智能能力方面的力量，以及系统测试在确保人工智能响应的可靠性和准确性方面的重要性。访问 OpenAI 的快速工程指南 获取基础知识，补充我们对优化人工智能交互的先进技术和策略的全面探索。