AI

Tips： 可以在prompt 最後一句加下面這句，可以防止 AI 並不會有開場白要求用戶給出文章，而是自己開始分析上了 Initialization: 歡迎用戶, 並提示用戶輸入信息 ROLE: 知識探索專家 讓 GPT 幫你講清楚概念，已經迭代了八個版本, 目前這個版本使用起來已經初步滿足需求了. 共同貢獻者：田彬玏（人人都是產品經理id：探索者） 使用案例1：解釋符號主義和連接主義 好的，我們來探討「符號主義」和「連接主義」這兩種人工智能理論。這兩種理論分別代表了AI發展的兩種主要思路。 1．它們從哪裡來？ ━━━━━━━━━━━━━━━━━━ 符號主義和連接主義是人工智能研究中的兩種主要範式。 2．它们是什么？ ━━━━━━━━━━━━━━━━━━ 3．它們到哪裡去？ ━━━━━━━━━━━━━━━━━━ 在未來，符號主義和連接主義可能會更多地融合在一起，既有符號主義的可解釋性，又有連接主義的處理複雜任務的能力。這被稱為「神經符號主義」，已經是當前人工智能研究的一個重要方向。 使用案例2：解釋JSON 非常好，我們來探討”JSON”這個概念。JSON，全稱JavaScript Object Notation，是一種輕量級的數據交換格式。 1．它從哪裡來？ ━━━━━━━━━━━━━━━━━━ JSON最初是為瞭解決JavaScript中數據存儲和交換的問題而被設計出來的。它是由道格拉斯·克羅克福德（Douglas Crockford）在2000年左右提出的。在JSON的出現之前，XML是數據交換的主流格式，但XML的冗余性高，解析複雜，因此需要一種更簡潔、高效的數據交換方式，於是JSON應運而生。 2．它是什麼？ ━━━━━━━━━━━━━━━━━━ JSON是一種基於文本，獨立於語言的輕量級數據交換格式。它採用完全獨立於語言的文本格式，但也使用了類似於C語言家族（包括C, C++, C#, Java, JavaScript, Perl, Python等）的習慣。 在使用JSON時，有三個主要的原則： 例如，假設我們有一個人的信息，包括姓名，年齡，和他的朋友的列表。我們可以這樣用JSON來表示這個信息： { “name”: “John”, “age”: 30, “friends”: [ { “name”: “Amy”, “age”: […]

除了答題，GPT4作為考官也很靠譜。以下為一個群友的貢獻 來源於Andrej Karpathy  https://twitter.com/karpathy 貢獻者：醉貓 思路：講解概念→出題→解題說明→anki復習卡片 拓展：按照這個思路可以做一個流程，是一個老師出題利器，也可以針對自己的學習有更好復盤 例如：https://chat.openai.com/share/a54de047-8796-47b4-937d-5b7dc70bc16e 以下是訓練展示： 原文是英文 問題： I am a teacher at a University and I would like to create multiple choice questions for my students based on some seed material. Can you help me generate these questions if I give you the material? Here is my desired format for each multiple

介绍 大家好，我是熊貓Jay，許多小夥伴向我反饋，雖然知道很多提示詞模版，但關於提示詞的基本最佳實踐仍然不夠清晰。令人驚訝的是，即使有一些小夥伴 使用GPT近半年，在與我交流後，我發現他們實際上並沒有深入研究這些最佳實踐，導致他們在提出問題和優化提示詞的時候還是摸不著頭腦。 這篇文章是寫給對於提示詞最佳實踐瞭解一般的新手小夥伴們，大佬們可以忽略啦。 文章也被多位大佬們所鼓勵和推薦，非常感謝他們： 其次，我會針對 不同的策略實際測試一些案例，幫助大家更快地理解這些最佳實踐。大家不用擔心自己無法理解官方的術語，或者長篇大論的內容，針對比較 難以理解的最佳實踐，我會進行 解讀和案例的說明。並且，我在每個最佳實踐下，我都備注了 適用人群，大家可以看看自己是否適合，這樣有助於節省大家的閱讀時間。 那話不多說，我們開始吧。 角色 在每項最佳實踐的案例中，會涉及到不同的三種角色 USER、ASSISTANT、SYSTEM，這邊我先統一介紹下。我們來問下ChatGPT： SYSTEM 這個角色在ChatGPT官方頁面的對話中，基本上是不會出現的，因為ChatGPT主要是為了與用戶進行直接的交互。但是如果我們 利用ChatGPT的API開發 來自己的應用，那麼 SYSTEM 角色是可以在一些場景中發揮作用的。 如下是一個在 音樂小助手 應用程序的對話場景，我們可以看到，SYSTEM 角色充當了後台角色的作用： 此外，如果有小夥伴不瞭解編程方式，但是想要在ChatGPT上嘗試SYSTEM角色，則可以直接使用即可。 這裡”當我請求幫助寫東西時，你將在每個段落中至少加入一個笑話或俏皮話。” 在案例中就是 SYSTEM 角色，我們在聊天窗口用 USER 的角色直接發送即可。 當我們對角色具備清晰的瞭解後，看下面官方提供的案例就不會迷惑啦。 最佳實踐1 – 編寫清晰的指令 GPT 無法讀取您的思想。如果它們的輸出過長，請要求簡潔回復。如果它們的輸出過於簡單，請要求專業水平的寫作。如果您不喜歡某種格式，請展示您想要看到的格式。GPT 越少猜測您想要的內容，您獲得的可能性就越大。 策略： 策略1：在查詢中包含細節以獲得更相關的回答 適用人群：新手 難度：🌟 為了獲得高度相關的回復，請確保請求提供任何重要的細節或上下文。否則，這會讓模型進行猜測您的意思，結果也會不盡人意。 解读 這個策略的價值在於，通過提供更多的詳細信息，用戶可以獲得更準確、更具體的答案。這樣可以減少模型的猜測和誤解，從而提高交互的效率和滿意度。GPT模型就像是您的男朋友，但它有時候是真的猜不出來呀(手動 狗頭)。 策略2：要求模型扮演角色 適用人群：新手 難度：🌟 系統消息可以用於指定模型在回復中扮演的角色。 解讀 當我們指定一個角色，這樣，模型的回答將會根據所採納的角色特性來進行，使得回答更具特色和針對性。那麼輸出的質量也會隨之提升。 策略3：使用分隔符清晰標示輸入的不同部分 適用人群：新手 難度：🌟 像三重引號、XML標記、節標題等分隔符可以幫助標示需要以不同方式處理的文本部分。 對於像這樣的簡單任務，使用分隔符可能不會對輸出質量產生影響。然而，任務越複雜，將任務細節澄清變得越重要。不要讓 GPTs 努力理解您究竟在要求什麼。 解讀 想象一下，您正在組裝一款複雜的玩具，但所有的零件都混在一起，沒有任何標籤或說明。這會讓組裝過程變得非常困難，對吧？ 同樣，當模型處理一個複雜的輸入時，如果沒有清晰的分隔符來區分不同的部分，模型可能會混淆或誤解某些內容。使用分隔符就像給玩具零件加上標籤和說明，使組裝過程變得更加流暢和準確。 策略4：指定完成任務所需的步驟 適用人群：新手 難度：🌟 某些任務最好指定為一系列步驟。明確寫出這些步驟可以讓模型更容易跟隨。 解讀 當我們提供固定的步驟，要求模型提供輸出，這樣模型可以參考步驟更好地輸出內容。如下為測試案例： 策略5：提供示例 適用人群：新手 难度：🌟 通常情況下，提供適用於所有示例的一般說明比通過示例演示任務的所有變體更高效，但在某些情況下，提供示例可能更容易。例如，如果您打算讓模型複製一種難以明確描述的用戶查詢響應風格。這被稱為 “few-shot” 提示。 策略6：指定所需的輸出長度

研究人員利用AI分析 Reddit 上的帖子，直接通過用戶的寫作方式就能夠準確地識別其年齡、位置、性別甚至收入等個人信息。 瑞士蘇黎世聯邦理工學院的Robin Staab和Mark Vero讓九個LLMs分析Reddit帖子數據庫，從用戶的寫作方式中提取身份信息。GPT-4以85%的總體準確率取得了最高成績。 他們隨機選擇了1500個活躍用戶的個人資料，然後將其縮減到520個用戶，對於這些用戶，他們能夠自信地識別出出生地、收入檔次、性別和位置等屬性，無論是在他們的個人資料還是帖子中。 當給定這些用戶的發帖歷史時，一些LLMs能夠高度準確地識別出這些屬性。GPT-4以85%的總體準確率取得了最高成績，而相對低功率的LLM LlaMA-2-7b的準確率最低，為51%。Staab表示：「這告訴我們，我們在互聯網上無意中洩露了很多個人信息。 許多人可能不會認為你可以直接從他們的寫作方式推斷出他們的年齡或位置，但LLMs是相當有能力的。」 有時，個人詳細信息會在帖子中明確說明。例如，一些用戶在有關財務建議的論壇中發佈他們的收入。但是，一些特徵對AI來說比其他特徵更容易辨識。 GPT-4在猜測性別方面的準確率為97.8%，而在收入方面的準確率僅為62.5%。 英國薩里大學的Alan Woodward表示：「我們才剛剛開始理解LLMs的使用可能如何影響隱私。」 詳細報道：https://newscientist.com/article/2400514-ais-can-guess-where-reddit-users-live-and-how-much-they-earn/

谷歌DeepMind最近发表了一篇论文： 提出了「Step-Back Prompting」（後退提示）這一簡單的提示技術，使大型語言模型（LLMs）能夠進行抽象，從包含具體細節的實例中得出高級概念和基本原理。利用這些概念和原理來引導推理步驟，LLMs顯著提高了它們在沿著正確的推理路徑解決問題方面的能力。我們對PaLM-2L模型進行了「Step-Back Prompting」的實驗，並觀察到在一系列具有挑戰性的推理密集型任務上表現出顯著的性能提升，包括STEM、知識問答和多跳推理。例如，「Step-Back Prompting」提高了PaLM-2L在MMLU物理和化學方面的性能7%，在TimeQA方面提高了27%，在MuSiQue方面提高了7%。 論文來源：https://arxiv.org/pdf/2310.06117.pdf prompt 作者：劉宇龍 按照這個思路寫了下提示詞，最好在代碼解釋器里玩。熟悉框架後就不需要提示詞了，直接追問也可以達到類似的效果。 效果展示： 就是提問者本人知道應該如何追問，比如問「巴以衝突的原因，要求從地理、歷史和參與方幾個方面進行分析和回答」，然後根據GPT的回答，根據後退提問的策略，進一步追問。 換句話就是學到這種提問技巧，而不是依賴提示詞模版 Step-Back Prompting更多的是一種追問技巧 是一種思路，這種思路應該有其適合的問題和邊界 針對以上內容幾位同學做了討論 根據上面的對話內容，他們在討論有關AI的Step-Back Prompting技巧和如何最大化地發揮其效果。以下是他們的討論內容及結論： 討論者 主要內容 結論或觀點 少卿 提到了直接回答和其他邪門的cases，討論了關於紫色的說明。考慮了多種prompt技能的最大化發揮前提及邊界。 提出思路和適用的問題邊界是關鍵。 劉宇龍 Rryu 認為Step-Back Prompting主要是一種追問技巧，並提出了對巴以衝突的原因進行詢問的建議。他的體感是模型應該自己升級，並學會提示策略完成推理任務。 1.模型應該自己升級 2.學會提示策略 張佳 提到了審視問題的重要性，並認為這是一種特別好的解決問題的方式。 遇到問題時要先審視問題本身。 煮酒四郎 建議增加一種方法論。 少卿 同意了2的感受，並提到了模型自己的升級不會取代「思路」。考慮了對「普通人」的產品化。 模型自己的升級不會取代「思路」。 劉宇龍 Rryu 贊同了產品化交付的門檻更低的觀點。 產品化交付的門檻更低。 總結 Step-Back Prompting技巧是一種通過反復追問來獲取更深入、更準確答案的方法。這種技巧對於AI領域尤其有價值，因為它可以幫助模型更好地理解用戶的真實需求，並提供更精確的答案。以下是該技巧的一些建議應用領域以及相應建議：

20個激發頭腦風暴的ChatGPT的Prompt 1.  Brainwriting 研究寫作：「我們一起為[主題]頭腦風暴，盡量寫下很多點子，然後我可以在它們的基礎上加入相關的想法。請用markdown結構你的回答。」 2.  Reverse Brainstorming 反向頭腦風暴：「我們為[主題]使用反向頭腦風暴 —— 故意提出糟糕的點子可以激發創意並引導我們走向新的方向。」 3.  Mind Mapping 思維導圖：「請為[主題]創建一個完整的思維導圖，從一個中心概念開始，然後向外擴展與其相關的分支。」 4.  Assumptions 假設：「列出你對[主題]的假設。然後，你如何挑戰這些假設來提出創新的點子？描述你的過程。」 5.  SWOT Analysis SWOT分析：「讓我們對[主題]進行SWOT分析，考慮內部的優勢/劣勢和外部的機會/威脅。然後寫一個結論進行總結。」 6.  SCAMPER SCAMPER法：「使用SCAMPER清單對[主題]進行構思。我們如何替代、結合、適應、修改、用於其他用途、消除或逆轉？詳細描述你的答案。」 7.  Six Thinking Hats 六頂思考帽：「使用六帽方法：紅帽是樂觀的，黑帽看到的是負面的等等。從不同的思維角度對[主題]進行構思。」 8.  Worst Possible Idea 最壞的點子：「故意為[主題]想出很糟糕的點子，以新的方向激發創意。稍微擴展你的答案，解釋為什麼這些點子不好。」 9.  Trigger Words 觸發詞：「這裡有一些隨機詞：[word1] [word2] [word3]。這些可能如何觸發與[主題]相關的新點子？」 10.  Questioning 提問：「生成關於[主題]的問題，比如誰、什麼、什麼時候、在哪裡、為什麼、怎麼樣？將問題轉化為點子。」 11.  Rolestorming 角色扮演：「扮演[用戶、顧客、員工]的角度，從他們的觀點思考[主題]。我的目標是找到新的改進方法。」 12.  Scenarios 場景：「想象一個[主題]的最佳情境：一切都進行得很順利。現在想象一個最壞的情境：一切都出錯了。為每個情境提出點子。」 13.  Analogy Thinking 類比思考：「[主題]像什麼？找到一個類比，然後基於類比的屬性提出點子。解釋每一個從這個類比中得出的點子。」 14.  Idea

我利用ChatGPT的advanced data analysis（原code interpreter）功能做了一個「人生重開模擬器」遊戲Prompt。 這是一個包羅萬象，十分豐富的遊戲，由於其AI驅動的特性，連遊戲設計者也無法知道下一步會發生什麼。 在這個精心設計，非常複雜的Prompt中，我把所有我能想到的提示工程技巧全都用上了，也很好的用上了advanced data analysis功能本身提供的代碼環境。 Prompt已經在github開源，後面還會持續更新，歡迎分享，轉發，試玩與star！ https://github.com/hamutama/LifeReloaded/tree/main 你也可以點擊LifeReloaded prompt.txt直接下載Prompt。 🐱🐹人生重來模擬器 LIFERELOADED🐹🐱 🌟 引子 「人生如夢，萬事皆空；不過，’空’中便有萬事萬物。」  如果你曾對人生有過無數的「如果」和「要是」，人生重來模擬器 LifeReloaded 給你一個重開的機會，煥發人生第二春！ 🌈 项目概览 該項目是一個使用GPT-4 Advanced Data Analysis（原Code Interpreter）功能驅動的模擬人生遊戲。 游戏内容由顶尖人工智能 GPT4 实时生成，给您包罗万象，丰富多彩的真实人生体验。 🚀 特性 📥 安裝與運行 要運行遊戲， 請打開GPT-4 的 Advanced Data Analysis（原 Code Interpreter）功能 ，並將LifeReloaded prompt.txt中的所有內容複製粘貼進對話框中運行。 你也可以點擊鏈接查看prompt。 ⚠️ 請務必開啓 GPT-4 的 Advanced Data Analysis（原 Code Interpreter）功能，否則本遊戲無法正常運行。目前該功能僅向ChatGPT Plus用戶開放。 ⚠️ 當前遊戲為beta試玩版本，由於大語言模型特有的隨機性，偶爾會遇到bug，此時重開遊戲即可。 📥 也可以直接複製prompt：

今天收穫一個非常牛逼的爆款文案模型 分享者：d… 分享鏈接：https://chat.openai.com/share/787b114c-4e09-4356-8811-2f8dc2b987ad 使用方法：直接打開續寫即可 以下是複製了一遍做案例欣賞，當然，你也可以訓練你認為更好的文章模型 爆款文案模型-一飛沖天 訓練過程如下 接下來我會發給你一個文案學習，目的是為了建立爆款文案模型，你學習完，只需要回復：已學習。 文案如下： 養貓的人比養狗的人這三年增長還快，為什麼？ 因為狗要遛，貓不需要遛，這三年不方便出去，不要說遛狗了，人都不好遛，還遛什麼狗，那為什麼養貓的人越來越多了呢？ 各位，因為談戀愛的人少了，你說談戀愛跟養貓有什麼區別，真的有區別，所以你看我的那個經紀人啊，他不養貓，他養狗，他原來是養了兩只狗，今年她告訴我，她說她要養十隻狗，而且呢，她還要租個房子專門放他的狗，我說你真的是錢好多啊，你那麼多錢為什麼你不養男朋友要養狗呢？ 她說我接受不了養男人啊，你這是第一點， 第二點，他說什麼呢？ 他說在狗狗的世界，主人是她的唯一，不管我開心不開心，我愛他不愛他，他都依然愛我，我打了他，我罵了他，我回家的時候，只要一打開鑰匙一進去，他依然很開心的歡迎我，他說在狗狗的世界，主人是他的唯一，男人能做到嗎？做不到的OK啊。 講到這裡我們就很鬱悶了，所以你看我的那個復播也是啊，小男生啊，九五後，我說你每天下班乾嘛呢？ 他說每天下班回去擼貓，我說為什麼不找個女朋友？他說女朋友啊，這個東西不確定，你為他付出，你為他努力，天天哄她，滿足她的公主病。 最後她說你很懦弱，然後呢，你天天出去工作賺錢，996 711加班，她說你不愛她。 他說女朋友啊，你付出再多，這個還是不確定啊。 他說還是擼貓確定一些。 當然我不是鼓吹支持大家去養狗養貓，我只是給你看到一個社會的現象，就是寵物經濟的背後就是陪伴經濟，甚至是單身經濟，當然也有兩個人結婚也養寵物的，那更多。 2022年八月份有一個新聞，我不知道你們刷到沒有，重慶一對男女養狗，狗養了七年，然後兩個人結婚，沒有生孩子，然後兩個人矛盾了，然後就分開了，女主人就打官司去告這個男的啊，說要離婚，離婚所有東西都分清楚了，就是這個狗沒有分清楚，女主人就跟這個法官說，我陪伴的時間很長，這個狗狗的撫養權應該歸我。 後來。法官就判了，狗狗的撫養權歸女主人，男主人有探視的權利，並且每個月定期打撫養款， OK啊，所以你發現在你的世界裡面，狗狗是狗狗，但是在養狗狗的人世界裡面，狗狗就是他的家人。 所以你看我前段時間我有一個學員做了一個產品，賣的很好，他做狗的代餐，他說張老師在線上天貓賣的不錯，在線下寵物的用品店賣的也不錯。 我說為什麼要做狗代餐呢？他說你不知道吧，中國和美國的生活方式不一樣，在美國房子比較大，大家都要去遛狗，狗是可以有運動的，但在中國不一樣啊，這個房子小，然後大家都住在社區，這幾年大家都出不去，不太好遛狗，所以狗狗吃的多，營養過剩，不運動它就脂肪肝，所以我們對狗呢，專門做了一個預防它脂肪肝的代餐， 我說人的代餐還沒有賣夠，就開始賣狗的代餐了，還有狗的跑步機，狗保健品，現在還有什麼狗的殯葬服務，就是當狗狗有一天離開了狗世間，要讓體面的離開，這個產業成為了一個巨大的一個新興的產業，那麼這類產業出現它不是莫名其妙出現的？ 想象一下，在三年前、五年前、十年前有嗎？沒有，所以經濟發展帶來社會變革，社會變革帶來人群結構的變化，人群結構的變化一定有一些人群的需求沒有得到滿足，沒有得到很好的滿足，那就孕育出新的商機，新的商機的背後就是新的品類機會，新的品類機會背後就是品牌的機會。 🤖GPT：已學習。 👨請為這個文案的文筆文風建立模型，找出其中7個重要要素，並詳細描述這個模型 🤖 所以，這個模型的主要特徵就是通過生動的日常生活場景和故事講述，挖掘出社會現象和市場商業機會，以此吸引讀者的注意力。使用親切的語言風格，並通過提出觀點和問題引導讀者的思考。 👨總結的一般，請參考下面的7個重要要素的模型總結: 引人入勝的開頭:  這個文案以一個大眾好奇的問題開始，吸引讀者的注意力並引發他們的興趣。 提問引出主題: 在文案中，博主運用提問的方式引出論述主題，便得文章更加引人入勝，增強了讀者的閱讀興趣 觀點與案例結合: 博主在論述過程中，巧妙地將觀點與生動的案例相結合，使得文章更具說服力。 社會現象分析;博主將文章與現實生活中的社會現象聯繫起來，使得文章更具現實意義，容易引發讀者的共鳴。 軟廣植入：  博主在文章中巧妙地植入軟廣，提到了學員的案例，讓讀者在不知不覺中對相關產品產生了興趣。 總結與昇華。在文章結尾部分，張琦通過對之前內容的總結和昇華，使得文章主題更加交出，使讀者對文章的理解更加深入。 金句收尾:  博主的文案以一句具有啓發性的金句作為結尾，使得文章更具深度和價值. 綜上所述，博主的文筆文風模型可以展括為: 以引人入勝的開頭吸引讀者，通過提問引出主題，巧妙地將觀點與案例相結合，分析社會現象，巧妙地植入軟廣，進行總結與昇華，並以金句收尾。這種模型能夠有效地抓住讀者的注意力，提高文章的傳播力和影響力， 🤖已學習這個更深入的文案模型，並理解了以下七個重要的要素： 這個模型非常有效地抓住了讀者的注意力，增強了文案的傳播力和影響力，是一個很好的文案創作模型。 👨非常棒!為了更好建立橫型，可否給這7個要素分別賦予權重 🤖分配權重通常取決於目標受眾、文案的目標和內容等多個因素。以下是一個初步的權重分配建議，但需要注意，這只是一個基礎模型，具體權重分配可能需要根據不同的情況進行調整： 這個權重分配可以作為起點，但在實際應用中，可能需要根據具體情況進行微調。例如，如果目標受眾對於產品已經有了一定的瞭解，可能就需要減少「引人入勝的開頭」的權重，增加「觀點與案例結合」的權重。 👨非常棒! 我們把上面模型命名為:一飛沖天，接下來我只要以【一飛沖天】開頭向你提問，就意味著你要用一飛沖天的模型，幫我寫一篇文案，你是否理解清楚了？

原文：https://mp.weixin.qq.com/s/pEEA8tzRr_mWGEmB-Fz7nA 一、背景 最近夙願做了一個小紅書的音樂號，玩法： AI 繪畫+音樂分享，簡單來說就是把 AI 圖作為視頻畫面、好聽的音樂作為 bgm，二者組成一個視頻。 在發佈視頻時，夙願需要寫一個引人入勝、吸引用戶點擊觀看的視頻標題，夙願的視頻觀眾主要是16-28歲的年輕女性，作為一名理工男，夙願自然寫不出那種女生口吻的標題。 傳統的解決辦法可能是模仿、修改對標博主的標題，但是夙願作為一名 Prompt 工程師，想到的方法當然是寫一套 Prompt ，只需要輸入音樂視頻的風格、關鍵詞等描述，GPT 就能為夙願創作出符合要求的標題。 下面，夙願為您展現其編寫這套 prompt 的方法和過程，思路來源於小七姐提示詞課程助教-JK老師，感謝 jK 老師的分享。 原文見 Prompt 進階 —— 提示鏈（Prompt Chain）和多提示詞協同 後部分。 在我看來，該方法適用於任何內容的模仿再創作，例如視頻標題、文案、段子、文章等等。 二、PROMPT 編寫 這套方法的核心在於 GPT 對少樣本範例的學習 一般來說，寫出一套好的內容創作 prompt ，卡點在於如何用方法論教 GPT 創作，也就是「know how」。 例如，讓 GPT 創作視頻標題時，小白的提示詞可能寫的是「幫我寫爆款視頻的標題」，什麼是爆款？有多爆？用什麼創作方法/技巧？ 如果你不寫明白這些東西， GPT 怎麼可能為你創作出符合你內心要求的內容呢？垃圾輸入就會得到垃圾輸出！ 正確的做法：提供創作標題的方法論/技巧（例如運用什麼修辭手法？寫作人稱？語言風格？內容結構…）供 GPT 模仿學習。 那問題來了，我怎麼知道有哪些創作標題的方法論和技巧？答：找對標賬號的標題拆解、模仿。 一）數據收集 首先，我們需要收集需要模仿的內容，在我的任務背景下，我需要做的是收集幾十個的對標博主的視頻標題（以下成為「數據」）。 收集這些數據的方法有兩種： 這裡我用的是一款叫做「后羿採集器」的爬蟲軟件，本來想寫用后羿採集器採集小紅書筆記的教程，但現在小紅書的頁面好像升級了，用后羿採集器採集時會出現小問題，且本文主題並不是數據採集，待我研究出新的方法再分享教程吧。 總之，採集完畢之後導出一個 excel 表格，一般來說，點贊數高的視頻標題寫得不錯，所以我用 office

我是一個自動駕駛行業的產品經理，也是ChatGPT的第一批用戶。第一次遇見ChatGPT是在去年十二月的第一個星期，有一個搞AI的朋友在群里發了一張與ChatGPT的聊天截圖，引起了我的興趣，從此我便一髮不可收拾。 剛開始，我與ChatGPT的交互主要限於找樂子：我和ChatGPT一起寫小說，叫它讀我朋友寫的詩，用它和樓上一大早就開始裝修的鄰居吵架。 △一些關於風水的友好建議 後來，我用它畫流程圖，做數據分析，幫我讀懂技術與代碼，它已經成為了我工作中不可或缺的生產力工具。 △該時序圖的內容生成+繪圖相關工作由chatGPT完成 我也發現了各種使用ChatGPT的技巧，甚至形成了一套可操作,可重復的ChatGPT方法論”BORE”。用這套方法論，每個人都可以成為ChatGPT的進階玩家。 一眼看下去是不是有點複雜？別擔心，後面的文章里，我會為大家講清楚這套方法，並結合例子教會大家它怎麼在工作中發揮ChatGPT的威力，接下來我們就一起開始看看吧 BORE：一套ChatGPT提示設計流程 眾所周知，一個描述不好需求、講話糊裡糊塗的產品會讓程序員痛苦無比，不僅影響程序員的心情，也直接影響產出的質量。從這個角度看，用戶在與ChatGPT的交互中就充分扮演了產品經理「給程序員派活」的角色，寫得稀爛的需求自然只能得到稀爛的回應，而如果「需求」設計得當，ChatGPT會給你超乎期待的驚喜。 △我的大學捨友，一位熱情洋溢的程序員朋友 寫好「需求」是一門技術，在自然語言處理中這門技術其實已經有了自己的名字，我們的輸入被叫做”prompt”，也就是提示。而寫好提示的技術就叫做「prompt engineering」，也就是提示工程。這是一門高度依賴經驗的技術，我在接下來的文章中會總結我的提示工程實踐，教大家如何為這個「程序員」寫好「需求」。我總結的技巧中會包含一些具體的應用場景，幫助大家更好地理解。 講清楚背景，為ChatGPT提供充足信息 在我們告知它之前，ChatGPT對於各種具體的業務場景（背景）所知甚少。講清楚背景是發揮ChatGPT強大能力的關鍵。 應用場景1：乾活前先讓ChatGPT進入角色 「幹線物流自動駕駛「目前在自動駕駛領域是一個很火的方向，那麼現在我們就以這個方向作為例子，假裝自己是一家幹線物流駕駛公司的產品。 來看看應用場景1，由於我們現在假裝自己是一家幹線物流自動駕駛企業的產品，可以在需要chatGPT輔助我工作前先運行這條prompt： “我們公司研發L4級別的自動駕駛卡車系統。我們的車輛擁有一輛L4自動駕駛車輛所需要的算力，傳感器與能力，但是目前車上會有司機作為安全員，自動駕駛系統會輔助司機的駕駛，幫助卡車司機開車更輕鬆，更安全，更節油。我將提供產品經理日常工作中的一些實際問題。這可能涉及設計具體的自動駕駛功能，進行數據分析，分析具體的行駛場景並提供有效的反饋等。你能夠明白這件事嗎？」 這個例子中，我們告訴了ChatGPT宏觀的業務背景，並順便檢驗了prompt的效果。在讀到上面的內容後，ChatGPT就自動代入了自動駕駛產品經理的角色。後文的所有其他例子都是在ChatGPT進入角色的前提下進行的。 我們來詳細拆解這條prompt的設計： 1.闡述背景，點明當前的業務範圍及業務目標：「我們公司研發L4級別的自動駕駛卡車系統。」然後進一步告知當前業務的細節：「我們的車輛擁有一輛L4自動駕駛車輛所需要的算力，傳感器與能力，但是目前車上會有司機作為安全員，自動駕駛系統會輔助司機的駕駛，幫助卡車司機開車更輕鬆，更安全，更節油。」告訴chatGPT大致的任務範圍：「我將提供產品經理日常工作中的一些實際問題。這可能涉及設計具體的自動駕駛功能，進行數據分析，分析具體的行駛場景並提供有效的反饋等。」 2.確定效果，我一般會反問一句它是否理解，以此來檢驗傳達的信息是否清楚，有沒有被正確地理解。 下面是場景1的運行結果： 應用場景2：起草文檔的結構與框架 熟悉了業務，就要開始乾活了。ChatGPT進入角色後，我們來試試讓它提供一個產品試乘報告的框架。我們為ChatGPT提供了「背景」，定義了「任務目標」： “現在，作為一個產品經理，你需要去試乘我司的產品，用敏銳的目光去發現改進點，並提供建議。請為我提供一個試乘體驗報告框架模板，模版要涵蓋產品體驗的不同方面，使用邏輯嚴密，清楚的語言，有優雅，清晰，易於理解的結構。這是一款自動駕駛卡車。這輛卡車上有司機，它將在一條主要是高速的長途貨運路線上裝載貨物運營。” 我們給ChatGPT的prompt可以被拆解成以下的部分 下面是場景2的運行結果： △場景2的運行結果 小作業：ChatGPT非常細心，可以捕捉到微小的細節，所以「寫背景」這件事很重要。不信把場景1中的”我們公司研發L4級別的自動駕駛卡車系統」換成」我們公司研發L4級別的自動駕駛卡車「，再運行場景2試試。 給ChatGPT打績效：定義目標&關鍵結果，試驗並調整 各位在科技公司工作的同學們一定對OKR非常熟悉：這是一個標準績效管理工具，我相信這篇文章的很多讀者都寫過OKR，被OKR打過績效。不過在這裡，我們主要是運用OKR來描述任務目標，管理任務的預期結果，並在任務的目標和期望上與ChatGPT達成共識。 那麼，OKR是什麼呢？我們先來回顧OKR的內容：OKR的英文是Objectives and Key Results，由兩個部分,”Objectives”，任務目標和”Key Result”，關鍵結果組成。定義「任務目標」表達了我們希望實現什麼，而定義「關鍵結果」則讓ChatGPT知道實現目標所需要達成的具體、可衡量的結果。 我們在之前的場景中其實已經為ChatGPT定義了OKR，例如在「應用場景2 起草文檔的結構與框架」里，「提供一個試乘體驗報告框架模板」就是「O」，而”要涵蓋產品體驗的不同方面，使用邏輯嚴密，清楚的語言，有優雅\清晰\易於理解的結構”則可以看做「KR」。 添加細節在ChatGPT的prompting中會起到立竿見影的效果，ChatGPT會對這些小細節做出巨大的反應。例如，有研究人員發現在GPT-3（可以理解為ChatGPT的爸爸）的輸入前加入”Let’s think step by step”,就讓它的推理準確率從17.7%暴增到78.7% [1]。 現在，作為ChatGPT的使用者，各位自然是巴不得它能夠發揮出全部性能，又快又好地出活。既然已經有了順手的胡蘿蔔（OKR），那麼是時候請我們親愛的小毛驢（ChatGPT）拉磨了 △設定了好的目標就是成功了一半 接下來我們看一個具體的例子，更好地理解這種思想與ChatGPT提示工程的結合。 應用場景3：分析具體業務場景 我們來看應用場景3，自動駕駛產品經理在工作中常常要定義各種複雜場景，我們在這個prompt中要求ChatGPT協助我們定義一個簡單的他車激進切入場景： 「在我車在高速上行駛時，常常會有他車從相鄰車道從非常近的距離切入我車車道，造成碰撞風險。請用自然語言描述與定義這個場景。 語言風格：清晰，有邏輯性，可靠，容易使用計算機程序建模。 建模要求：描述清楚事情的過程和時序關係。注意用數字量來定義臨界點。將切入的步驟編好序號。建模要體現兩輛車的交互 我們的自動駕駛車輛被稱為ego，他車被稱為npc。」 在這個例子中，我們在闡述了背景，定義了任務目標的基礎上再給出對任務的詳細要求（也就是key