官方亲自出教程 赶紧给我学起来
官方发布
GPT使用攻略
GPT帮你提高生产力
GPT helps you
increase productivity
看完这个
能够减少你很多时间
OpenAl GPT使用攻略|
策略一：写清楚指令
1、有细节才能得到更相关的答案
错误的方式：写一篇全国甲卷文章
正确的方式：写一篇全国甲卷文章，要求：选准角度，确定立意，确认文体，自拟标题：不要套作，不得抄袭；不得泄露个人信息；不得少于八百字
2、要求模型扮演特定角色
可以指定模型在回复中使用的角色，他会表现的更加专业
示例：请你用鲁迅的文风个位写一段文章
3、用分隔符清晰标示输入的不同部分
用"""三重引号"""、<XML标记>、节标题等分隔符标记出文本的不同部分， 可以更便于模型进行不同的处理。在复杂的任务中，这种标记细节就显得格外重要。示例：将以下由三引号包含的文本总结为一句话，"""这里插入文本"”
4、明确指定完成任务所需的步骤
明确地写出这些步骤可以使模型更容易执行，根据下面逐步说明来响应用户输入
第一步：用户将用三引号提供文本，以“总结”作为前缀，用一句话总结。
第二步：将第一步的摘要翻译成中文，前缀为“翻译”，"""插入文本"""
5、提供示例
你想要用某人的文风给你写一段文字，那你就提供一些文章给它
6、指定所输出长度
目标输出长度可以用单词数、句子数、段落数、项目符号等来表示
正确示例：将以下由引号分割的文本总结为50个单词。"""插入文本"""
策略二：提供参考文本
1、让模型参照参考资料进行回答
使用由"*"三重引号"""分割提供的文章来回答问题，
如果答案不能再文章中找到，请回答“我无法找到答案”
示例：<插入多个以三重引号分隔的文章>
我的问题：<在此插入问题>
2、让模型引用参考资料进行回答
如果在上面的对话输入中已经补充了相关信息，那么我们还可以直接要求模型在回答中引用所提供的信息
策略三：拆分复杂任务
1、进行意图分类
对于需要处理不同情况的大量具有独立性的任务，可以先对这些任务进行分类，然后根据分类来确定所需要的指令
2、对先前对话进行概括或筛选
由于GPT-4的对话窗口是有限制的， 上下文不能太长， 不能在一个对话窗口中无限进行下去。解决办法之一是对先前的对话进行概括。一旦输入的文本长度达到预定的值，就可以触发一个查询，概括对话的一部分，被概括出来的这部分内容可以变成系统消息的一部分。
3、逐段概括长文档，并递归构建完整概述
解决的文本过长的问题。比如你要让GPT-4概括一本书， 就可以使用一系列查询来概括这本书的每个部分。然后将部分概述连接起来进行总结，汇成一个总的答案。这个过程可以递归进行，直到整本书被概括。但是有些部分可能要借前面部分的信息才能理解后续部分，这里有一个技巧：在概括当前内容时，将文本中当前内容之前的内容概述一起总结进来，进行概括。简单来说，用前面部分的“摘要”+当前部分，然后进行概括。
策略四：给GPT时间“思考”
1、让模型制定解决方案
有时候，在得出结论之前，明确地指导模型从基本原理推理会得到更好的结果
2、隐藏推理过程
这个是和前面相反， 比如你想做个循循善诱的导师， 就可以让GPT模型使用自己的分析构建一个以导师为人格的回复，一步一步给出指导。
示例：你是一名数学导师。如果学生回答有误，请以不透露答案的方式向学生进行提示。如果学生答案无误，只需给他们一个鼓励性的评论。
3、询问模型是否遗漏了内容
假设我们正在让GPT列出一个与特定问题相关的源文件摘录， 在列出每个摘录之后，模型需要确定是继续写入下一个摘录，还是停止。
如果源文件很大，模型往往会过早地停止，未能列出所有相关的摘录。
在这种情况下，通常可以让模型进行后续查询，找到它在之前的处理中遗漏的摘录。
换而言之，模型生成的文本有可能很长，一次性生成不完，那么就可以让它进行查验，把遗漏的内容再补上
OpenAl GPT使用攻略
策略一：写清楚指令
1、有细节才能得到更相关的答案
2、要用模型扮演特定角色
3、用分隔符清晰标示输入不同部分
4、明确指定完成任务所需步骤
5、提供示例
6、指定所需输出长度
策略二：提供参考文本
1、让模型参考资料进行回答
2、让模型引用参考资料进行回答
策略三：拆分复杂任务1、进行意图分类
2、对先前对话进行概括或筛选
3、逐段概括长文档，并递归构建完整概述
策略四：给GPT时间“思考”1、让模型制定解决方案
2、隐藏推理过程
3、询问模型是否遗漏了内容
策略五：其他工具加持
1、使用基于嵌入的搜索实现搞笑的知识检索
2、使用代码执行进行更准确的计算或调佣外部API
策略六：系统地测试更改
1、参考黄金标准答案，评估模型输出
策略五：其他工具加持
1、使用基于嵌入的搜索实现高效的知识检索
如果用户询问关于一部特定电影的问题，将关于电影的信息(例如演员、导演等)添加到模型的输入中可能会很有用。嵌入可用于实现高效的知识检索，可以在模型运行时动态地将相关信息添加到模型的输入中。文本嵌入是一种可以衡量文本字符串相关性的向量。相似或相关的字符串将比不相关的字符串更紧密地结合在一起。加上快速向量搜索算法的存在，意味着可以使用嵌入来实现高效的知识检索。特别的是，文本语料库可以分成多个部分，每个部分可以进行嵌入和存储。然后，给定一个查询，可以进行向量搜索以找到与查询最相关的语料库中的嵌入文本部分。
2、使用代码执行更准确的计算或调用外部API
不能仅依靠模型自身进行准确地计算。如果需要，可以指示模型编写和运行代码，而不是进行自主计算，可以指示模型将要运行的代码放入指定的格式中。在生成输出后，可以提取和运行代码。生成输出后，可以提取并运行代码。最后，如果需要， 代码执行引擎(即Python解释器) 的输出可以作为下一个输入。
代码执行的另一个很好的应用场景是调用外部API。
如果将API的正确使用方式传达给模型， 它可以编写使用该API的代码。可以通过向模型演示文档和/或代码示例来指导模型如何使用API。
警告：执行模型生成的代码在本质上来说并不安全，任何试图执行此操作的应用程序中都应采取预防措施。特别是，需要一个沙盒代码执行环境来限制不受信任的代码可能造成的危害。
策略六：系统地测试更改
1、参考黄金标准答案评估模型输出
假设已知问题的正确答案应参考一组特定的已知事实。
然后，我们可以询问模型答案中包含多少必需的事实。
扩展阅读：孩子磨磨蹭蹭不写作业怎么办 ... 就亲自教你咯 什么意思 ... 学习技巧 ... 老师是大树为我们 ... 少林心意把教学全套视频 ... 学生上课起哄 心理 ... 家长称被学校接连 折腾 ... 学生为老师庆生 邀请 ... 我的世界生存 ...
