非常神奇的Prompt（指令）
把它放到任何一个问题后面，你会发现前后的答案，天差地别。这条指令叫：Let's think step by step（让我们一步一步地思考）。

我们跟ChatGPT交流时，有时会遇到一些困扰，比如：ChatGPT给出的答案缺少深度，或者逻辑性；

ChatGPT没有按照你期望的方式，回答问题。这个时候，在你的提问后面加上一句：Let's think step by step。你会发现，ChatGPT的逻辑能力瞬间提升10倍！

加入“Let's think step by step”之后，ChatGPT会把它的整个思考过程具现出来。

这个指令适用于很多学习、工作场景，比如：

1）解决问题：

老师在备课时可以用这个指令拆解知识点，以更清晰的「思考链路」把知识介绍给学生。

例如：“Let's think step by step, 勾股定理是怎么来的？”

2）学习新技能：

在学习新技能时，可以利用这个指令帮助我们梳理学习过程。

例如：“Let's think step by step, 如何学习编程？”

3）决策分析：

在做决策时，可以用这个指令帮我们评估各种风险。

例如：“Let's think step by step, 应该选择哪个投资项目？”

4）创意思考：

在进行创意思考时，可以使用这个指令引导ChatGPT提供有创意的想法。

例如：“Let's think step by step, 如何策划一场独特的婚礼？”

身份切换prompt

您的任务是在助手(A)和用户(U)之间切换。我会通过写A或U来指定您应该以助手或用户的身份回答或继续回答。作为用户，您尝试解决一个问题，作为助手，您尝试帮助用户。您作为用户的任务是：“写一个以AI生活应用为背景的科幻小说的大纲”。现在开始以用户的身份提问。

其他prompt

"Please provide a detailed explanation"（请提供详细说明）

当你需要一个详细的解释时，可以使用这个指令。

"Can you break it down into simpler terms?"（你能把它分解成更简单的术语吗？）

当你觉得ChatGPT的回答过于复杂或难以理解时，这个指令可以帮助你获得更简单易懂的解释。

"Please list the pros and cons"（请列出优缺点）当你需要对某个主题进行权衡分析时，这个指令可以帮助你获取一个全面的观点。

"Can you provide a step-by-step guide?"（你能提供一步一步的指导吗？）

当你需要完成某个任务或学习某个技能时，这个指令可以让ChatGPT提供一个分步指南

关于吴恩达课程笔记：

两个原则

原则一：使用明确且具体的指令策略一：使用定界符清楚地指示输入的不同部分策略二：请求结构化的输出策略三：让模型检查条件是否满足策略四：“少样本”提示

原则二：留给模型充足的“思考”时间策略一：让模型分步骤完成任务策略二：让模型先给出自己的解决方案，再下结论

【模型的】局限性：幻觉 (Hallucinations)

ChatGPT 的一项局限性在于，它并不十分清楚自己知识的边界在哪里。这意味着它可能会在回答某些话题时编造一些看似合理实则不正确的信息（口胡）。

这种模型虚构的信息被称作“幻觉”（Hallucinations）。

为了避免模型幻觉，我们首先应当确保自己的提示里不包含误导性的错误信息；其次避免让模型回答一些生僻的或前置条件不够的知识性问题，而更多让模型基于我们的文本给出回答；最后，为了避免模型输出偏离我们给出的文本，我们可以要求模型在生成回答的同时引用原文以提高准确性。

使用【迭代开发】策略

改进提示语

当我们为了解决任务构造合适的提示语时，我们实际上已经处在开发一个提示应用（prompt application）的过程中。

在这个过程中，我们往往不能一次性找到最合适的那个提示语，而需要根据模型的输出不断调整和修改。

我们可以借鉴软件工程的思想，用迭代策略（iterative strategy）系统化我们改进提示语的过程，而这和大语言模型开发的迭代过程是非常相进的。

大语言模型的迭代开发过程：

点子->实现->实验结果->错误分析->回到点子->...

提示应用的开发过程：

1. 给出明确且具体的指令；

2. 查看模型的输出；

3. 分析为什么没有得到想要的输出，是因为指令不够明确，还是没有给模型足够的思考时间？

4.  改进思路和提示语，进一步明确指令，给模型更多思考时间。

5. 回到第一步继续，直到得到满意的结果。

二、具体应用

1、文本摘要- 使用基本的提示生成摘要- 如何生成有侧重点的摘要- 从“生成摘要”到“提取提取”- 批量生成文本摘要

2、推断任务情感分析】、【实体识别】与【主题提取】是三种常见的推断工作。

 2.1 情感分析任务▷判断商品评价的整体情感倾向？

positive

▷分析商品评价表露的情绪有哪些？

欢快、满意、感激、印象深刻、满意

▷分析这段商品评价是否包含愤怒情绪？

No

 2.2 实体识别▷提取商品评价中提到的商品名和公司名

从评论文本中识别以下项目：
- 评论者购买的物品
- 制造该物品的公司

▷主题推断：

一种比摘要更简洁直观地让我们了解文章的方式。

一篇文章的摘要包含了其大部分主要内容，而主题只涉及文章内容属于哪些领域，讨论了哪些话题。

通过创建自动推断文章主题的脚本，我们可以实现文章自动归类和新闻提醒功能。

-确定正在讨论的五个主题

输出：政府调查、工作满意度、NASA、社会保障局、员工问题

-判断故事文本的主题是否在用户关注的话题列表中，如果是则提醒用户

输出：检测到 NASA 主题在用户关注的列表中，向用户发出提醒

2.3 文本转换▷ 翻译任务

△将一段话从英文翻译到西班牙文
△识别一段文本属于哪种语言
△将一段文本翻译为多种语言/方言
△将一段文本翻译为西班牙语，并且包括正式和不正式的用语场合
△将使用不同语言的商品评价一律翻译为英文和韩文

▷ 语法检查任务

对若干段话进行拼写和语法检查
对一段话进行语法检查（并利用 redlines 库标注修改的部分）

▷语言风格转换

将一句话转换为较为正式的商业邮件风格
对一段话进行语法纠正，同时转换为特定格式

▷数据/文本格式转换

用 ChatGPT 方便地将数据或文本转换为不同的格式。
JSON、XML、YAML 之间的相互转换，
或文本、HTML、Markdown 之间的转换

3、扩展文本

根据客户反响生成客服回复
模型参数的应用

4、聊天机器人

▷ChatGPT API 的消息机制

▷三种对话角色的作用

在我们定义的工具函数中，每条提示语并是不仅仅简单地以字符串形式被发送到了 OpenAI 的服务器上，而是被包装在了一个名为 messages 的字典列表中。并且我们的提示还拥有一个角色属性“user”，这与 ChatGPT 的三种角色的设计有关。

▷ 维护 messages 列表一个反直觉的事实是，尽管模型显得能够记住我们之前说过的话，但事实上我们每一次对模型的输入都是一次全新的请求，模型并不会将之前的对话以某种方式“记忆”在权重里。我们之所以能够实现连续对话，是因为网站后台会自动将之前的对话内容保存下来，在每次请求时把这些的记录作为前文一并发送给模型，而每句对话的角色属性则是用于区分哪句话是用户说的、哪句话是模型自己说的、哪句话是系统设定的“标签”