ChatGPT prompt最佳实践
在使用ChatGPT的过程中，它通常回答得不错，但我们也发现GPT偶尔会长篇大论/找不到重点/无法理解题意/没有给出我们想要的回答。
没关系，在这篇文章中，我会给出一些例子，帮助大家从GPT中获得更好结果。
这些方法结合使用通常会产生更好的效果，在某些场景下，也有可能不生效。具体的情况需要大家多花一些时间，多尝试不同的技巧，多一些耐心给GPT。
本文中，我会使用✔️表示正确用例，❌表示错误用例。
将问题描述清楚
第一条，其实也是最重要的一条，把你的问题描述清楚。ChatGPT不是创世神，它不会读心术，它只是一个大语言模型，请多给它一些信息，多给它一些引导。想像它是你的同事，顾问，而不是搜索引擎。
❌ 怎么反转字符串？
✔️ 在java中，如何反转字符串？
❌ 谁是总统？
✔️ 在2020年1月，美国总统是谁？
做什么/不要做什么
与其告知GPT不能干什么，不妨告诉GPT能干什么。你想要的是明确的答案，加入更多限定词，告知模型能干什么，回答的效率会更高，且预期会更明确。
❌ 给我推荐一部电影，不要恐怖片
✔️ 给我推荐一部好莱坞科幻电影
增加示例
在某些场景下，有些需求很难通过文字指令传递给 AI，即使描述出来了，AI 也不能很好地理解。
❌ 请为 “树莓味无糖百事可乐” 设计广告词
✔️ 你充当广告商。你需要为我的产品设计一个口号，以下是示例。我的产品是 “树莓味无糖百事可乐”
一切，从家开始！（中国石油）
吃饱了没有？（康师傅）
用心良苦，只为你！（乐虎）
活出精彩，从鲜橙多开始！（鲜橙多）
这世界，我们拥有！（中国平安）
它，比想象中更丰富！（易拉罐）
好吃不过农夫山泉！（农夫山泉）
你，值得拥有！（格力）
想不到的，都在这里！（淘宝）
使用引导词
使用引导词，引导模型输出特定内容。在prompt中，增加一个引导，在引导中给出一些上下文背景，可以告诉GPT怎样开始回答。
例如，我们需要补全代码时，我们可以给chatgpt写一个开头，它就会延续这个开头来进行回答。
❌ 反转字符串 工具类
✔️
/**
* 反转字符串 工具类
*/
public class
设定角色或人物
在上一篇文章中，我们提到可以给ChatGPT设定一个角色/人物，让 AI 生成的内容更符合你的需求。
❌ 请给我一些Java面试问题
✔️ 我想让你担任Java开发工程师面试官。我将成为候选人，您将向我询问Java开发工程师职位的面试问题。我希望你只作为面试官回答。不要一次写出所有的问题。我希望你只对我进行采访。问我问题，等待我的回答。
使用特殊符号分割指令和需要处理的文本
有时候，我们会输入一些特定的文本，然后通过指令，告诉GPT需要对文本进行什么样的操作。这时候，就需要用到特殊符号将文本包裹起来，让文本和指令分开。
例如：
“””
some text
“””
public static void main(String[] args){
//do something.....
}描述格式
假设你想要ChatGPT按照你想要的格式输出内容，你可以把具体的格式描述给它。
✔️例子1：
### Ti8总决赛：LGD为年轻与冲动买单 BO5拉满决胜局惜败 OG在第一场比赛中选择了ANA的幽鬼，并在最后一手点出了大树，而LGD显然对于ANA的幽鬼并没有对这套体系做出太多的防范，虽然对线期三路优势，但由于有大树的存在，优势期无法拿塔，反而是被OG在中期反打人头互换，最终UG成型，LGD输掉了BO5的第一局。 第二场比赛，LGD选择尊重ANA的幽鬼，放了他的飞机并且抢掉了ANA的猴子，这一场虽然AME的猴子在线上被打的占不了线，但Maybe和查理斯双核在中期带动了全场的节奏，Topson卡尔20分钟经济倒数，最终，LGD依靠中期几波精彩的团战和后期成型的猴子终结了比赛。 第三场比赛，LGD再次办掉ANA的幽鬼，选择了蚂蚁炼金双核，而Topson则祭出了自己的又一个绝活：中单水人。 本次比赛，Topson的中单水人发挥的十分出色，甚至一度在中期压制了LGD的节奏，不过这一次LGD的四号位FY的凤凰多次关键技能的释放扭转了局势，最终LGD炼金成型，成功拿下第三局。 第四场比赛，LGD奇怪的选择了把一手选择的小鹿放在了五号位，而在第五手选择了血魔，OG则是再次拿出ANA的猴子。 这场比赛打的非常的胶着，LGD的阵容明显缺乏AOE，对于ANA猴子的限制十分有限，但即便是劣势的阵容，LGD在中期甚至一度打赢了很多波劣势团战，破掉了OG两路高地。 但在25级的猴子成型之后，无限神行百变的加持之下LGD再也无法击杀猴子，最终被OG成功翻盘！ 比赛来到了最终的决胜局，在本届Ti最为关键的这场比赛中，LGD求稳拿到了自己擅长的TB和牛头，而OG则选择了猛犸宙斯火猫三核。前中期，LGD一度在场上取得了较大的优势，但在TB装备BKB后LGD在一波肉山团中处理不当，被OG反打团灭。随后LGD明显心态出了问题，急于打开局面，但AME一波失误的走位导致自己直接被秒并且无法买活，被OG连破LGD两路，突然死亡。 不得不说，OG在本次Ti的发挥到最后可以说是越来越出色了，LGD固然有不成熟的地方，但OG抓机会的能力实在是太强了。LGD为自己年轻付出了代价，但纵观所有中国战队，他们已经是最好的了。 最后，祝福OG，同时也希望CNDOTA卧薪尝胆，在明年本土举办的Ti9上重新捍卫自己的荣耀！ ### 请使用json数组格式输出每一局的胜利者。 模板：[{ "winner": $the_winner_of_${game_no} "game_no": ${game_no} }]
✔️例子2：
请分析苹果公司在2023年的市值能达到多少
格式：预计苹果公司在2023年底的市值能达到${value}美元 原因1：${reason_1} - ${point_1_1} - ${point_1_2} 原因2：${reason_2} - ${point_2_1} ...
进阶内容 Zero and Few Shot Prompting
Zero Shot、One Shot和Few Shot是一些机器学习中常用的概念，它们用于描述在特定任务中所需的训练样本数量。
Zero Shot（零样本）学习：在这种情况下，模型需要在没有看到过目标类别训练样本的情况下进行预测。它通过学习从已知类别到目标类别之间的语义关联来实现。例如，如果一个模型仅在”狗”和”猫”这两个类别上进行训练，而之后需要对”鸟”进行分类，它可以利用先前学到的知识来进行预测。
Few Shot（少样本）学习：模型在每个目标类别上只能获得很少的训练样本。通常，Few Shot学习涉及到在目标类别的有限样本上进行迁移学习或元学习，以便在遇到新样本时进行分类。
在与ChatGPT对话的过程中，我们可以给 ChatGPT 一个简短的 prompt，比如 描述某部电影的故事情节，它就可以生成一个关于该情节的摘要。这种情况，就叫做 Zero Shot， 这也是我们最常用的手段，这种提问方式有一些优点，但也存在很多缺点。
Zero Shot的优点
- 简单，易上手，提问者无需告诉ChatGPT如何进行回答，它会通过使用预先训练的语言模型和一些示例或提示。
Zero Shot的缺点
- 依赖于预训练的语言模型，这些模型可能会受到训练数据集的限制和偏见。比如在使用 ChatGPT 的时候，它常常会在一些投资领域，使用男性的「他」，而不是女性的「她」。那是因为训练 ChatGPT 的数据里，提到金融投资领域的内容，多为男性。
- 输出有时可能不够准确，或不符合预期。这可能需要对模型进行进一步的微调或添加更多的提示文本来纠正。
另一种情况，我们可以预先设定一些对话，用来引导ChatGPT按照我们想要的方向来生成回答。在上一篇文章中，我们了解到了prompt中，messages由system、user或assistant组成，那么，我们可以模拟一些对话，来引导ChatGPT。
[
{
"role": "system",
"content": "你是一个英语单词查询助手，每当用户发送一个英语单词给你，你都要以固定格式响应用户。"
},
{
"role": "user",
"content": "mirror"
},
{
"role": "assistant",
"content": "- n. 镜子；写照，真实反映；（计算机）镜像网点；榜样\n- vt. 反射，映照；反映；与……十分相似；（计算机）做……的镜像；（计算机）在（两个或数个硬盘）中做备份"
}
]预先设定好对话后，每次给ChatGPT一个单词，它就会按照你给定的demo格式进行返回，无需再每次再使用prompt命令它。
用这种方式，我们可以构建出很多有用的角色。例如，词典，一个外教老师，一个emoji查询器，一个投资顾问….
That’s all
以上就是我要分享的一些最佳实践，现在的ChatGPT很聪明，也很笨拙。取决于你要如何去使用和引导它，希望这篇文章能够对你带来一些启发。
Finally
2022年底，GPT3.5 发布了，截止2023年7月，GPT4，new bing，google bard，auto gpt还有一系列AI图像处理，语音处理模型相继发布。
我们正处在一个变革的转折点，第四次工业革命已经开始了，这一次革命，带来的生产力提升是爆炸式的，甚至有可能超过前三次的总和。我们理应抱着学习，开放，包容的态度来接受和拥抱这次变革，否则，与一百多年前的清政府闭关锁国有什么区别呢？
在这AI革命的浪潮中，希望大家都能够不断学习和适应新的技术和工作方式，在这变革的时代劈荆斩棘，乘风破浪，早日达到自我实现和财富自由！