ChatGPT 和 LLM 应用程序的快速工程技巧

7月25日 消息:本文主要为大家介绍如何有效地使用 ChatGPT 和其他大型语言模型（LLM）应用程序的快速工程技巧。文章强调了写清晰具体的指令和引导语言模型进行逐步推理的重要性。以下是一些关键技巧:

1. 提供上下文:为了获得有意义的结果，给语言模型提供足够的上下文信息是至关重要的。比如，在起草电子邮件时，告诉模型收件人、与收件人的关系、你的角色、预期结果以及其他相关细节，可以帮助模型更好地理解任务。

2. 分配角色:在许多场景下，为模型分配一个特定的角色可以提高效果。比如，在提示中给模型分配一个特定的角色，如技术作家、资深编辑、SEO 专家或友好的机器人，可以针对任务的需求进行定制化。

3. 使用分隔符:分隔符在快速工程中起着关键作用，可以帮助区分较大提示中的特定文本段落。使用分隔符可以明确指示语言模型需要翻译、改写、总结等文本的部分。分隔符可以是三引号（""""）、三个重音符(```)、三个破折号(—)、尖括号(<>)、XML 标签(<tag> </tag>)或者章节标题等。

4. 要求结构化输出:根据特定需求，可以要求模型以不同的结构输出结果，如项目符号列表、表格、HTML、JSON 格式等。

5. 检查用户输入的有效性:对于依赖用户提供特定类型输入的应用程序开发人员来说，这一建议尤为重要。在这种情况下，首先引导模型验证条件是否满足。如果输入不符合指定的条件，模型应该停止完成任务。例如，可以要求模型检查提供的文本是否包含与健康相关的问题。

6. 提供成功示例:在要求模型执行特定任务之前，提供成功示例可以指导模型达到预期的输出效果。这对于让模型模仿特定的回答风格尤其有用。

7. 指定完成任务所需的步骤:对于复杂的任务，可以将其分解为几个步骤，并在提示中指定这些步骤。这样可以增强语言模型输出的可靠性。

8. 要求模型仔细检查自己的工作:为了避免错误，可以要求模型仔细检查自己的工作，例如询问模型是否在之前的迭代中有任何遗漏或错误。

除了以上技巧，还有一些其他建议，如请求参考特定文档以减少模型产生虚构信息的可能性，将提示编写视为迭代过程，并不断改进以适应任务需求等。

总结起来，要与 ChatGPT 和其他语言模型有效交互，需要遵循一些关键原则和策略。在上文中提供了一系列指导，包括清晰的指令撰写、上下文设置、角色分配和输出结构化等技巧。同时，也强调了提示工程是一个迭代的过程，需要不断改进和学习。