不過提示的形式是千差萬別的，理論上能夠有無數(shù)多的提示來完成任務(wù)，但一般情況下我們會把一段提示分成以下幾個部分：

指令 （Instruction）要讓模型完成的任務(wù)

上下文背景 （Context）給模型的外部信息

問題 （Input Data）讓模型回答的具體問題

輸出格式要求（Output Indicator）對模型輸出結(jié)果的格式要求

總之我們知道 Prompt 會直接影響 ChatGPT 的輸出結(jié)果。

因此要想得到想要的答案，就需要寫好提示詞。

今天我們就一起來看幾個基本任務(wù)示例，這些基本任務(wù)可以說是所有 ChatGPT 任務(wù)的底層，不管你是讓 ChatGPT 解決什么問題，實際上都是屬于這幾個基本任務(wù)的一種，這些基本任務(wù)包括：

文本摘要(Text Summarization)

信息提取(Information Extraction)

問答(Question Answering)

文本分類(Text Classification)

代碼生成(Code Generation)

文本摘要(Text Summarization)

Text Summarization 文本摘要，也可以叫做文本總結(jié)，這是整個自然語言領(lǐng)域內(nèi)的一個標(biāo)準(zhǔn)任務(wù)。

通過文本摘要可以將長篇文章或文檔自動壓縮成簡短的摘要，而不會丟失重要信息。

在沒有 ChatGPT 之前，文本摘要的準(zhǔn)確性和連貫性都不夠好，同時也無法處理較長的文本內(nèi)容，而在使用 ChatGPT 之后，這些問題都得到了很好的解決。

你還可以在生成摘要時添加更詳細(xì)的指令描述，比如要求 ChatGPT 生成的字?jǐn)?shù)，風(fēng)格，以及用途

信息提取(Information Extraction)

信息提取簡單來說就是從大量的文本中提取出有用的信息，比如從一大段文字中提取出人名，地名，公司名稱，時間，金額等等，都是屬于信息提取的一部分。

而信息提取的應(yīng)用場景是很多的，比如在金融領(lǐng)域，通過信息提取可以從大量報表文字中提取出公司名稱，交易額，交易時間等關(guān)鍵信息。在醫(yī)療領(lǐng)域也可以從文獻(xiàn)中提取疾病名稱，癥狀，藥品名稱等信息來輔助醫(yī)學(xué)研究和診斷。

問答(Question Answering)

QA 問答任務(wù)是 NLP 領(lǐng)域中很常見的一個任務(wù)類型，我們直接使用 ChatGPT 問問題就相當(dāng)于是一種問答任務(wù)。

相當(dāng)于計算機需要理解我們輸入的問題，并能夠提供相應(yīng)的答案。

一種提問方式是直接問問題，這時候因為 ChatGPT 所使用的大語言模型已經(jīng)學(xué)會了很多的知識，所以可以直接回答大部分問題。

比如下面就是直接詢問“維生素是在研究什么疾病中發(fā)現(xiàn)的”

但這時候提問的話，模型回復(fù)的結(jié)果可能并不是我們需要的。

比如上面回答的信息太多了，我只想要讓他回答問題，不用給我發(fā)長篇大論。

那就可以給問題加一個具體的描述指令。

甚至我可以更進(jìn)一步，讓模型只返回實體名稱，也就是我只需要知道是什么病，直接告訴我疾病的名稱就行。

（這一步用到的是上一篇文章中提到的輸出指示符 Output Indicator）

有時候模型無法直接回答你的問題，是因為在訓(xùn)練過程中，模型本身不包含這部分的知識。

這時候你就可以在 Prompt 中加上 Context 上下文來補充背景信息。

文本分類(Text Classification)

另一個基本任務(wù)是 Text Classification 文本分類，相當(dāng)于將一段文字分類為一個標(biāo)簽，通過文本分類可以幫助我們更好地理解和處理大量的文本數(shù)據(jù)，例如在社交媒體上分析用戶評論、在新聞網(wǎng)站上對新聞進(jìn)行分類等。文本分類還可以用于情感分析、垃圾郵件過濾、自動標(biāo)注等領(lǐng)域。

而以往在沒有 GPT 時，文本分類的主要問題在于模型的準(zhǔn)確性和泛化能力，因為傳統(tǒng)的機器學(xué)習(xí)算法需要人工提取特征，而這些特征可能無法覆蓋所有情況，這就會導(dǎo)致模型性能受限，而現(xiàn)在通過 GPT 模型可以自動提取特征，文本分類任務(wù)的效果就會非常好，可以說基本滿足了用戶的需求。

而在 ChatGPT 中，我們無法直接讓 ChatGPT 對一段文字內(nèi)容進(jìn)行分類，因為模型并不知道你總共有哪些分類標(biāo)簽，也沒有參考數(shù)據(jù)，所以無法直接對其進(jìn)行要求。

這個時候我們只需要先給 ChatGPT 幾個示例，然后再問它一個新的內(nèi)容，他就可以直接對新內(nèi)容進(jìn)行分類

代碼生成(Code Generation)

在過去，代碼生成并不像現(xiàn)在這么流行，主要是因為在傳統(tǒng)的編程方法中，編寫代碼需要對編程語言的語法和語義有很深的理解，并且需要花費大量的時間和精力來編寫代碼。但是，大語言模型的出現(xiàn)使得代碼生成變得更加容易和高效。

通過使用大語言模型，我們現(xiàn)在可以將自然語言描述轉(zhuǎn)化為程序代碼，這樣可以大大減少編寫代碼的時間和工作量。這對于需要頻繁進(jìn)行代碼編寫的任務(wù)，例如自動化測試和數(shù)據(jù)分析等任務(wù)來說，非常有用。此外，代碼生成還可以幫助那些不具備指定語言編程經(jīng)驗的人員快速地生成代碼，這有助于縮短開發(fā)周期并提高生產(chǎn)力，同時也不需要開發(fā)人員特別精通某一項語言，依然可以完成開發(fā)任務(wù)。

下面我們就看一個代碼生成的示例：

首先我告訴 ChatGPT 我的表結(jié)構(gòu)

?然后我讓他生成一個 SQL 語句來往兩個表中填寫示例數(shù)據(jù)。

總結(jié)

本次文章中，我們介紹了 5 種 ChatGPT 使用 Prompt 能夠完成的基本任務(wù)，包括文本摘要，信息提取，問答，文本分類和代碼生成。不管我們是讓 ChatGPT 執(zhí)行什么任務(wù)，回答什么問題，基本都逃脫不開這幾個分類任務(wù)，同時我們在講解這些任務(wù)時，再次加深了 Prompt 中上下文，指令和輸出要求的概念。