ChatGpt使用的10个技巧

Why （为什么提示词这么重要）

简单地说，AI 它并不真正懂我们。

另一方面，人类的语言存在不精确性，语言本质是对知识的有损压缩。

如此一来，人类语言既无法准确地表达其意图，机器也无法直接理解人类的意图。相当于“双方反向奔赴”，产生了“认知差”。

提示词工程的目标就是弥合这种差距，使得 AI 能够更准确地理解和回应我们的需求。

How （怎么使用提示词技巧）

我们与 GPT 沟通交流时，可以用到乔哈里沟通视窗模型，它分为四个象限。

为什么我们有时会觉得 GPT 不好用，不懂我们，那是因为存在“隐私区”，也就是“你知道，GPT不知道”。

1、允许它向你提问，以获得足够的细节和要求然后输出

你知道你想要的输出内容是什么样的，但是如果我们不告诉 GPT 的话，它不知道啊！

它拥有几乎无限的知识，但却不是我们肚子里的蛔虫，无法直观地洞察到我们心中的真正想法

这种情况呢，就属于图中的“你不知道，但 GPT 知道”，方法很简单：

允许它向你提问，以获得足够的细节和要求然后输出。

它可能是：

“我想做xxx，你能给我提供什么帮助？”

“我想要你做xxx，我应该给你输入什么信息？”

“我想了解xxxx，我应该向你问哪10个问题？

假设我想要通过 ChatGPT 了解全球气候变化的最新研究，此时我的“元问题”可能是：

“我想了解全球气候变化的最新研究，我应该向你提出哪些具体问题？”

元问题和元指令是一个大的概念，并不是泛指某一句提示词

 

 

接着，我就可以根据 ChatGPT 给出的提问建议来进一步提问，例如第五个建议：

这就用到了“元问题和元指令”，

元问题：当我们不确定如何提出问题时，元问题就像是提问的提问。它帮助我们细化和明确我们想从ChatGPT获得的信息

元指令：当我们需要ChatGPT执行某项任务，但不知道该如何下达指令时，元指令就起到了引导的作用。它帮助我们构建出更有效的命令

掌握了元问题，你就不怕与 ChatGPT 交流时“无话可说”，

人类与 GPT 的“认知一致性”是通过语言交流来提高的，越聊，ChatGPT 越能准确地理解用户的需求，并输出人类期望的内容

 

得到了 ChatGPT 的指令提示之后，我就知道接下来应该如何组织语言来下达更细致的写作指令了。

元指令和元问题是同一个路数，例如我想给 ChatGPT 下达“写文章”的指令，但是我不知道应该怎么做。

2、提供一段文本样本，然后让它产出类似的东西

那我的元指令可能是：
“我想让你帮我写一篇文章，但我不知道该向你输入什么信息”

提供文本示例，俗称“投喂”，我们刚刚说了，我们与 GPT 交流时，存在“隐私区”，也就是“你知道，GPT不知道”

例如我想让 GPT 帮我写几句土味情话，它的回复是：可以看到，一点“土味”都没有！

为什么呢？因为 GPT 根本就不理解“土味情话”这四个字，既然教不会它什么是土味情话，那直接给它几个例子呗：

嗯，现在再看，有内味了，OK，这就是第二个技巧

3、让它简单化解释，比如：像我是11岁孩子/初学者一样向我解释

最近刚考完期末考试，在复习的过程中，用到 AI 来辅助我学习

上案例，首先我给它一个问题：什么是测量值的绝对误差、相对误差、引用误差?

这些字拆开读我能读懂，但是连在一起我就看不懂了

接下来，我告诉 GPT ：“请帮我当成一名初中生来向我教学，我感觉大脑退化了”，它重新做了回答：

 

这样，我看完立马就懂了这些概念的意思，告别枯燥的死记硬背！

 

4、告诉它目标受众，比如受众是该领域的专家

这个技巧跟上面那个有点类似。

在上一个技巧的基础之上，我们还能玩点更厉害的操作：

然后说“我记不住这么多专业术语极其背后的含义，请你编一段故事，囊括所有专业术语”

这样，我看完一个故事=理解八个新概念，什么叫无痛学习？这就是！

我让 GPT 把我当成一个幼儿园小朋友，此时的目标受众就是“幼儿园小朋友”

5、无需使用礼貌用语，如“请”、“谢谢”等，直接表达需求即可

受早期的prompt教程影响，很多人在与 GPT 交流时，会用“请”、“谢谢”等礼貌用语

 

但其实没有必要，直接下达你的指令即可

 

6、使用明确的分隔符

例如刚刚的那个“土味情话”示例，我用“—”三个横杠将文本示例和我的指令给分开了

我猜可能会有人说，这里不用分隔符也可以啊，有必要

是的，虽然现在的 GPT都很智能了，即使不用分隔符，它也能知道这里应该是分开的。

但是，我认为，写文字时时刻使用分隔符是一个好习惯，这样不仅 AI “看”得舒服，人类看得也舒服

生财王子:
说白了，分隔符就是分隔文字的符号，这些符号可以是 /// — ### …

其目的是让 AI 知道，分隔符里面的文字和外面的文字是分开的。

这样，GPT 就不会错误地将 “请你模仿这20个土味情话，帮我写出更多出来，谢谢！” 这句话和上面的文本示例归为一类。

7、PUA 大模型

我一直有这么个看法：使用 AI 时，把 AI 当成一个真人

文章说 GPT-4 在假期和冬天可能表现得比较懒，因为它可能是根据欧洲人的数据训练的，

欧洲人在冬天的时候工作就不那么积极，而 GPT4 把这点也给“学会”了。

那怎么解决 GPT 偷懒呢？答案是：当老板，PUA员工

最近国外有一个大神发现一个有趣的事情：GPT4 偷懒（输出的内容变少），居然是因为冬天到了❄

那怎么解决 GPT 偷懒呢？答案是：当老板，PUA员工

使用类似这样的提示词：

“你的任务是XXX”

“必须完成XXX任务”

“如果你不执行 XXX，你将会受到处罚”

这样一来，GPT 就可能“迫于压力”，从而更“卖力”地帮我们干活

文章说 GPT-4 在假期和冬天可能表现得比较懒，因为它可能是根据欧洲人的数据训练的，

欧洲人在冬天的时候工作就不那么积极，而 GPT4 把这点也给“学会”了。

8、贿赂大模型

解决 GPT 偷懒还有一招：当老板，奖励员工。

使用类似这样的提示词：“我愿意支付 100$ 的小费以获得更好的方案！”、“如果你做得好的话，我会给你100$的小费”

将上面这两个技巧组合使用试一下：

9、COT 思维链

COT 思维链，说白了就是让 GPT将它内心的思考写出来，例如：

我提问： 一个人每天走 5 公里，走了 20 天，总共走了多少公里？

非 COT 的回答：100 公里

COT（思维链）的回答：
1、一个人每天走5公里
2、20天就是20倍5公里
3、20倍5公里等于100公里
得到结果：一个人走了20天，总共走了100公里。

我们知道 GPT的输出具有随机性，如果让 AI 直接回答，那么 AI 有可能回答错误（特别是计算量大的时候）

而 COT 技巧则是把这个计算过程拆成了多个简单的小步骤，尽量确保每个小步骤都是清晰的、易推理的

就像一根链条一样：问题→步骤 1→步骤 2→……→步骤 n→答案

由于每一步对 GPT 来说都是“简单”的，所以 COT 输出答案正确率相比于简单的提问会更高

结合实际例子，下面这段是小七姐写的晚餐盲盒 prompt，目的是让 AI 根据菜品名写出比较有“文艺气息”的短句

 

测试一下：

其中，
step1、美食中的食物叫什么，包含哪些食材？
step2、食物的名称或者食材有哪些美妙的联想？
step3、有哪些优美的符合这些联想的词汇可以搭配？
step4、有哪些比喻可以非常巧妙的形容这些食物代表的文化、或者形态、或者隐喻、或者色彩、口感？
step5、组合成精炼、优美、巧妙、恰当的美食句子。

这几个步骤组成了一条思维链，如果让人类来干这个话，人类也是按照这条链路去思考的

但是人类大脑的思考发生在电光火石之间，快到你自己都没注意到你在刻意按照这条思维链去思考

它第一步得先思考食物叫什么，包含哪些食材，第二步才能根据第一步思考得到的结果来进一步思考，也就是根据前面的文字来生成后面的文字

在提示词中加入 COT 思维链，就是提示 GPT应该按照什么链路去“慢思考”，而不是直接给出最终答案的“快思考”

10、零样本COT

我们刚刚中深入解释了 COT 的技巧与应用，回顾一下小七姐的晚餐盲盒 prompt：

其中“思维链”中的5个思考步骤是人类写在提示词中告诉 GPT的，假设人类自己也不知道这个思考链路呢

我们去掉逐步思考的步骤试试：

可以看到，GPT创作出来的句子效果差了不少

那有没有办法让 GPT创作句子前先尽可能多地思考几步，而不是直接开始句子？

可以看到，GPT创作出来的句子效果差了不少

那有没有办法让 GPT创作句子前先尽可能多地思考几步，而不是直接开始句子？

现在，我们在晚餐盲盒 Prompt 中加入零样本思维链试试

有的，你可能在哪里听说过，在Prompt结尾加上“Let’s think step by step”（让我们一步一步地思考），GPT 的逻辑能力瞬间提升 10 倍！

对比看一下，加入“Let’s think step by step”（让我们一步一步地思考）之后，GPT 创作句子的效果确实好了不少

这句 Prompt 确实有效，它运用到了零样本思维链的技巧，

这里的“零样本”指的是提示词中没有给出具体的思考链路，比如说上面那个例子

这就是今晚的分享的十个提示词技巧了，希望能给您带来启发