如何向ChatGPT提問并獲得高質(zhì)量的答案(轉(zhuǎn))
——提示技術(shù)的完整指南
Art of Asking ChatGPT for High-Quality Answ Engineering Techniques, The – Ibrahim John
本書系統(tǒng)性地介紹了ChatGPT的提問方式，個(gè)人覺得，值得一讀。?
文章目錄?[隱藏目錄]
簡(jiǎn)介
第一章：提示工程技術(shù)簡(jiǎn)介
第二章：說明提示技術(shù)（Instructions Prompt Technique）
第三章：角色提示（role prompting technique）
第四章：標(biāo)準(zhǔn)提示（Standard Prompts）
第五章：零、單個(gè)和小樣本提示（Zero, One and Few Shot Prompting）
第六章：“讓我們思考這個(gè)”提示（”Let’s think about this” prompt）
第七章：自我一致性提示（Self-Consistency Prompt）
第8章：種子詞提示（Seed-word Prompt）
第9章：知識(shí)生成提示（Knowledge Generation prompt）
第10章：知識(shí)整合提示(Knowledge Integration prompts)
第11章：多項(xiàng)選擇提示（Multiple Choice prompts）
第12章：可解釋軟提示（Interpretable Soft Prompts）
第13章：受控生成提示（Controlled Generation prompts）
第14章：?jiǎn)柎鹛崾荆≦uestion-answering prompts）
第15章：摘要提示（Summarization prompts）
第16章：對(duì)話提示（Dialogue prompts）
第17章：對(duì)抗性提示（Adversarial prompts）
第18章：聚類提示（Clustering prompts）
第19章：強(qiáng)化學(xué)習(xí)提示（Reinforcement learning prompts）
第20章：課程學(xué)習(xí)提示（Curriculum learning prompts）
第22章：命名實(shí)體識(shí)別提示（Named entity recognition prompts）
第23章：文本分類提示（Text classification prompts）
第24章：文本生成提示（Text generation prompts）
結(jié)語
關(guān)于作者
簡(jiǎn)介
非常高興您閱讀我的新書《如何向ChatGPT提問并獲得高質(zhì)量的答案——提示技術(shù)的完整指南》。
本書是一本綜合性的指南，目的是幫助您理解和利用各種提示技術(shù)，以便從ChatGPT中獲得高質(zhì)量的答案。
我們將探索如何用不同的提示技術(shù)去完成不同的目的。
ChatGPT 是目前最先進(jìn)的、能夠生成類似人類文本的語言模型。
然而，了解向ChatGPT提問的正確方式，以獲得我們所期望的高質(zhì)量答案，是至關(guān)重要的。
這就是本書的目的：無論你是一個(gè)普通人、研究員、開發(fā)者，或者是僅僅想把ChatGPT當(dāng)成自己工作的個(gè)人助理，這本書都適合你。
書中使用通俗易懂的語言解釋，并且輔以實(shí)例和提問技巧的公式。
通過這本書，你將學(xué)會(huì)如何使用提示技巧來控制ChatGPT的輸出，讓其按照你的需求生成文本。
在本書中，我還提供了一些如何綜合利用不同提示技巧，以達(dá)到特定目的的例子。
希望這本書能給你豐富的信息，希望你在閱讀時(shí)，能像我寫書時(shí)那樣開心。
?
如何快速、系統(tǒng)入門ChatGPT？
第一章：提示工程技術(shù)簡(jiǎn)介
什么是提示工程？
提示工程?是創(chuàng)建提示、要求或指示的過程，用來引導(dǎo)ChatGPT等語言模型的輸出。它允許用戶控制模型的輸出，生成符合他們特定需求的文本。
ChatGPT是一種最先進(jìn)的語言模型，能夠生成類似人類的文本。它建立在transformer 架構(gòu)上，這使它能夠處理大量的數(shù)據(jù)并生成高質(zhì)量的文本。
為了從ChatGPT獲得最好的結(jié)果，了解如何正確使用提示模型是很重要的。
提示允許用戶控制模型的輸出，生成相關(guān)、準(zhǔn)確和高質(zhì)量的文本。
在使用ChatGPT時(shí)，了解它的能力和限制是很重要的。
該模型能夠生成類似人類的文本，但如果沒有適當(dāng)?shù)囊龑?dǎo)，它輸出的內(nèi)容，可能不是我們所期望的。
這就是提示工程的用武之地：通過提供清晰而具體的說明，您可以指導(dǎo)模型輸出，確保它是相關(guān)的。
提示公式是提示的具體格式，它一般由3個(gè)要素組成:
任務(wù)：對(duì)模型生成內(nèi)容的清晰、簡(jiǎn)潔的陳述。
說明：模型生成文本時(shí)應(yīng)遵循的指令。
角色：模型在生成文本時(shí)應(yīng)承擔(dān)的角色。
在本書中，我們將探討可用于ChatGPT的各種提示工程技巧。我們將討論不同類型的提示，以及如何使用這些提示來實(shí)現(xiàn)你想要的特定目標(biāo)。
第二章：說明提示技術(shù)（Instructions Prompt Technique）
現(xiàn)在，讓我們開始探索 “說明提示技術(shù)”，以及如何用它來從ChatGPT生成高質(zhì)量的文本。
說明提示技術(shù)是一種指導(dǎo)ChatGPT輸出的方法，它為模型提供具體的指令。這種技術(shù)在確保輸出內(nèi)容的相關(guān)性、和高質(zhì)量方面，非常有用。
要使用說明提示技術(shù)，你需要為模型提供一個(gè)清晰簡(jiǎn)明的任務(wù)，和可以遵循的具體指令。
?舉個(gè)例子，假如你要生成客服的回答。首先要提供一個(gè)任務(wù)，如“生成客戶咨詢的回復(fù)（generate responses to customer inquiries）”，以及說明：回答應(yīng)該是專業(yè)的并提供準(zhǔn)確的信息（responses should be professional and provide accurate information）
提示（Prompt）公式：”按照這些指示生成[任務(wù)]：[說明]”
舉例：
生成客服回復(fù):
任務(wù)：生成對(duì)客戶咨詢的回復(fù)（Generate responses to customer inquiries）
說明：回答應(yīng)該是專業(yè)的并提供準(zhǔn)確的信息（responses should be professional and provide accurate information）
?
提示（Prompt）公式：“生成對(duì)客戶咨詢的回復(fù)：回答應(yīng)該是專業(yè)的并提供準(zhǔn)確的信息”
（Generate professional and accurate responses to customer inquiries following these instructions: The responses should be professional and provide accurate information）
生成一份法律文件：
任務(wù)：生成一份法律文件
說明：該文件應(yīng)符合相關(guān)法律和法規(guī)的規(guī)定
提示（Prompt）公式：”按照這些指令，生成一份符合相關(guān)法律和法規(guī)的法律文件：該文件應(yīng)符合相關(guān)法律和法規(guī)。”
（Generate a legal document that is compliant with relevant laws and regulations following these instructions: The document should be in compliance with relevant laws and regulations）
在使用指令提示技術(shù)時(shí)，重點(diǎn)是：指令應(yīng)該是清晰、具體的。
這將會(huì)確保輸出內(nèi)容具有相關(guān)性、和高質(zhì)量。指令提示技術(shù)可以和下一章中將解釋的 “角色提示 “和 “種子詞提示 “結(jié)合起來，提高ChatGPT的輸出質(zhì)量。
第三章：角色提示（role prompting technique）
角色提示技術(shù)（role prompting technique），是通過為模型提供特定角色來引導(dǎo)ChatGPT輸出的一種方法。這種技術(shù)對(duì)于生成針對(duì)特定環(huán)境或受眾的文本很有用。
要使用角色提示技術(shù)，您需要為模型提供一個(gè)明確而具體的角色。
例如，如果你正在生成客戶服務(wù)回應(yīng)，你將提供一個(gè)角色，如 “客戶服務(wù)代表”。
提示公式：”生成[任務(wù)]作為一個(gè)[角色]”
舉例：
生成客戶服務(wù)回復(fù)：
任務(wù)：生成對(duì)客戶咨詢的回復(fù)（Generate responses to customer inquiries）
角色：客服
提示公式：”作為客服，生成對(duì)客戶咨詢的答復(fù)。”
（Generate responses to customer inquiries as a customer service representative）
生成一份法律文件：
任務(wù)：生成一份法律文件：
角色：律師
提示公式：”作為律師生成一份法律文件?！?br>（Generate a legal document as a lawyer）
使用帶有指令提示和種子詞提示的角色提示技術(shù)將增強(qiáng)ChatGPT的輸出質(zhì)量。
下面是一個(gè)如何將指令提示、角色提示和種子詞提示技術(shù)相結(jié)合的示例：
任務(wù)：為新智能手機(jī)生成產(chǎn)品描述。
指令：該描述應(yīng)具有信息性、說服力，并強(qiáng)調(diào)智能手機(jī)的獨(dú)特功能。
角色：營(yíng)銷代表
種子詞：”創(chuàng)新”
提示公式：“作為營(yíng)銷代表，生成一個(gè)信息量大，有說服力的產(chǎn)品描述，突出新智能手機(jī)的創(chuàng)新功能。該智能手機(jī)具有以下特點(diǎn)[插入你的特點(diǎn)]”
（As a marketing representative, generate an informative, persuasive product description that highlights the innovative features of the new smartphone. The smartphone has the following features [insert your features]）
在這個(gè)例子中，指令提示被用來確保產(chǎn)品描述具有信息性和說服力，角色提示用于確保以營(yíng)銷代表的角度編寫描述，種子詞提示用于確保描述側(cè)重于智能手機(jī)的創(chuàng)新功能。
第四章：標(biāo)準(zhǔn)提示（Standard Prompts）
標(biāo)準(zhǔn)提示是引導(dǎo)ChatGPT輸出的一個(gè)簡(jiǎn)單方法，它提供了一個(gè)具體的任務(wù)讓模型完成。
例如，如果你想生成一篇新聞的摘要，你會(huì)提供一個(gè)任務(wù)，如“總結(jié)這篇新聞”。
提示公式：”生成[任務(wù)]”（Generate a [task]）
舉例：
生成新聞文章摘要：
任務(wù)：總結(jié)這篇新聞文章
提示公式：”生成這篇新聞文章的摘要”
（Generate a summary of this news article）
生成產(chǎn)品評(píng)論：
任務(wù)：撰寫有關(guān)新智能手機(jī)的評(píng)論
提示公式：“生成對(duì)這款新智能手機(jī)的評(píng)論”
（Generate a review of this new smartphone）
此外，標(biāo)準(zhǔn)提示可以與其他技術(shù)相結(jié)合，如角色提示和種子詞提示，以增強(qiáng)ChatGPT的輸出質(zhì)量。
下面是一個(gè)如何將指令提示、角色提示和種子詞提示技術(shù)相結(jié)合的示例：
任務(wù)：為新筆記本電腦生成產(chǎn)品評(píng)論
說明：評(píng)論應(yīng)該是客觀的，信息豐富的，并突出筆記本電腦的獨(dú)特功能
角色：技術(shù)專家
種子詞：“ 強(qiáng)大的”
提示公式：“作為一名技術(shù)專家，生成一份客觀且信息豐富的產(chǎn)品評(píng)論，突出新筆記本電腦的強(qiáng)大功能?！?br>(As a tech expert, generate an objective and informative product review that highlights the powerful features of the new laptop)
在此示例中，使用標(biāo)準(zhǔn)提示技術(shù)來確保模型生成產(chǎn)品評(píng)論，角色提示技術(shù)用于確保評(píng)論是從技術(shù)專家的角度撰寫的，使用種子詞提示技術(shù)來確保評(píng)論集中在筆記本電腦的強(qiáng)大功能上。
第五章：零、單個(gè)和小樣本提示（Zero, One and Few Shot Prompting）
零提示、單個(gè)提示和小樣本提示是用于從ChatGPT中生成文本的技術(shù)，只有極少或沒有示例可以參考。這些技術(shù)通常用于下列情況：當(dāng)前任務(wù)的可用數(shù)據(jù)有限、任務(wù)是全新的、任務(wù)定義不明確。?
當(dāng)沒有可用于任務(wù)的范例時(shí)，使用零樣本提示技術(shù)。
?
當(dāng)任務(wù)只有一個(gè)范例可用時(shí)，可以使用單樣本提示技術(shù)。提供了一個(gè)范例給模型，模型根據(jù)對(duì)該范例的理解生成文本。
當(dāng)可用于任務(wù)的范例數(shù)量有限時(shí)，使用小樣本提示技術(shù)。提供了少量范例給模型，模型根據(jù)對(duì)該范例的理解生成文本。
提示公式：”基于[數(shù)量]的例子生成文本（Generate text based on [number] examples）”
舉例：
為一個(gè)新產(chǎn)品生成產(chǎn)品描述，沒有可用的例子。
任務(wù)：為新智能手機(jī)生成產(chǎn)品描述。
提示公式：”為這個(gè)新的智能手表生成一個(gè)產(chǎn)品描述，沒有范例”
（Generate a product description for this new smartwatch with zero examples）
為這個(gè)產(chǎn)品生成產(chǎn)品比較，只有一個(gè)范例可用。（Generating a product comparison with one example available）
任務(wù)：將一款新的智能手機(jī)與最新的iPhone進(jìn)行比較
提示公式：”生成這個(gè)新智能手機(jī)的產(chǎn)品比較，有一個(gè)例子（最新的iPhone）”
（Generate a product comparison of this new smartphone with one example (latest iPhone)）
生成一個(gè)產(chǎn)品評(píng)論，可用的例子很少。
任務(wù)：寫一篇新電子閱讀器的評(píng)論
提示公式：“用幾個(gè)例子（其他 3 個(gè)電子閱讀器）生成對(duì)這個(gè)新電子閱讀器的評(píng)論”
（Generate a review of this new e-reader with few examples (3 other e-readers)）
這些技術(shù)可用于：根據(jù)模型對(duì)任務(wù)或所提供范例的理解來生成文本。
第六章：“讓我們思考這個(gè)”提示（”Let’s think about this” prompt）
“讓我們思考這個(gè)”提示是一種用于鼓勵(lì)ChatGPT生成反思性、沉思性文本的技術(shù)。這種技術(shù)對(duì)于寫作散文，詩歌或創(chuàng)造性寫作等任務(wù)很有用。
使用方法：Let’s think about this：主題
舉例：
生成一篇反思性文章：
任務(wù)：寫一篇關(guān)于個(gè)人成長(zhǎng)主題的反思性文章
提示公式：“讓我們思考這個(gè)：個(gè)人成長(zhǎng)”
（”Let’s think about this: personal growth）
生成一首詩：
任務(wù)：寫一首關(guān)于季節(jié)變化的詩
提示公式：“讓我們想想這個(gè)：不斷變化的季節(jié)”
（Let’s think about this: the changing seasons）
此提示要求就特定主題或想法進(jìn)行對(duì)話或討論。演講者邀請(qǐng)ChatGPT就手頭的主題進(jìn)行對(duì)話。
該模型提供了一個(gè)提示，作為對(duì)話或文本生成的起點(diǎn)。
然后，該模型使用其訓(xùn)練數(shù)據(jù)和算法來生成與提示相關(guān)的響應(yīng)。該技術(shù)允許ChatGPT基于提供的提示生成上下文適當(dāng)且連貫的文本。
要在ChatGPT中使用“讓我們思考這個(gè)”技術(shù)，您可以按照以下步驟操作：
1.確定您要討論的主題或想法。
2.制定一個(gè)提示，清楚地說明主題或想法，并開始對(duì)話或文本生成。
3.在提示前面加上“讓我們思考”或“讓我們討論” ，表明您正在發(fā)起對(duì)話或討論。
以下是使用此技術(shù)的一些提示示例：
提示：“讓我們思考一下氣候變化對(duì)農(nóng)業(yè)的影響”
提示：“讓我們討論一下人工智能的現(xiàn)狀”
提示：“讓我們談?wù)勥h(yuǎn)程工作的好處和缺點(diǎn)”
您還可以添加一個(gè)開放式問題、語句或一段文本，希望模型繼續(xù)或構(gòu)建。
提供提示后，模型將使用其訓(xùn)練數(shù)據(jù)和算法生成與提示相關(guān)的響應(yīng)，并以連貫的方式繼續(xù)對(duì)話。
這個(gè)獨(dú)特的提示，幫助ChatGPT以不同的視角和角度給出答案，從而產(chǎn)生更具動(dòng)態(tài)性和信息性的段落。
使用提示的步驟很簡(jiǎn)單，易于遵循，它可以真正改變你的寫作。自己試試看
第七章：自我一致性提示（Self-Consistency Prompt）
自我一致性提示是一種技術(shù)，用于確保ChatGPT的輸出與提供的輸入一致。這種技術(shù)對(duì)于諸如事實(shí)核查、數(shù)據(jù)驗(yàn)證或文本生成中的一致性檢查等任務(wù)很有用。
自我一致性提示的提示公式是輸入文本后，說明“請(qǐng)確保以下文本是自我一致的（Please ensure the following text is self-consistent）”。
或者，可以提示模型生成與提供的輸入一致的文本。
提示示例及其公式：
示例1：文本生成
任務(wù)：生成產(chǎn)品評(píng)論：
指令：評(píng)論應(yīng)與輸入中提供的產(chǎn)品信息一致
提示公式：”生成與以下產(chǎn)品信息[插入產(chǎn)品信息]一致的產(chǎn)品評(píng)論”
（Generate a product review that is consistent with the following product information [insert product information]）
示例2：文本摘要
任務(wù)：總結(jié)這篇新聞文章
指令：摘要應(yīng)與本條所提供的信息保持一致
提示公式：”以符合所提供信息的方式，總結(jié)以下新聞文章[插入新聞文章]
（Summarize the following news article in a way that is consistent with the information provided [insert news article]）”
示例3：文本完成（Text Completion）
任務(wù)：寫一個(gè)句子
指令：完成的句子，應(yīng)與輸入中提供的背景相一致
提示公式：”以符合所提供上下文的方式完成以下句子[插入句子]” （Complete the following sentence in a way that is consistent with the context provided [insert sentence]）
示例4：
1.事實(shí)核查：
任務(wù)：檢查某篇新聞文章的一致性
輸入文本:“這篇文章說這個(gè)城市的人口是500萬，但后來，它說人口是700萬。
提示公式：”請(qǐng)確保下面的文字是自洽的。（Please ensure the following text is self-consistent）文章說該城市的人口是500萬，但后來又說人口是700萬”。
2.數(shù)據(jù)驗(yàn)證：
任務(wù)：檢查給定數(shù)據(jù)集中的一致性
輸入文本:“數(shù)據(jù)顯示， 7月份的平均氣溫為30度，但最低氣溫記錄為20度。
提示公式：”請(qǐng)確保下面的文字是自洽的（Please ensure the following text is self-consistent）：數(shù)據(jù)顯示， 7月份的平均氣溫為30度，但最低氣溫記錄為20度。
第8章：種子詞提示（Seed-word Prompt）
種子詞提示是一種技術(shù)，通過為ChatGPT提供特定的種子詞或短語，來控制ChatGPT的輸出。
種子詞提示的提示公式是： “請(qǐng)根據(jù)以下種子詞生成文本” 的指令后跟著種子詞或短語。
舉例：
文本生成:
任務(wù)：生成一個(gè)關(guān)于龍的故事
種子詞：”龍”
提示公式：“請(qǐng)根據(jù)以下種子詞生成文本（Please generate text based on the following seed-word）:龍”
語言翻譯：
任務(wù)：將句子從英語翻譯成西班牙語
種子詞：”您好”
提示公式：“請(qǐng)根據(jù)以下種子詞生成文本（Please generate text based on the following seed-word）:您好”
這種技術(shù)允許模型生成與種子詞相關(guān)的文本并對(duì)其進(jìn)行擴(kuò)展。
這是一種控制模型生成的文本，與某個(gè)主題或上下文相關(guān)的方法。
種子詞提示可以與角色提示和指令提示相結(jié)合，以創(chuàng)建更具體、更有針對(duì)性的文本。
通過提供種子詞或短語，模型可以生成與該種子詞或短語相關(guān)的文本，并且通過提供關(guān)于期望的輸出和角色的信息，模型可以生成與角色或指令一致的特定風(fēng)格或語氣的文本。這允許對(duì)生成的文本進(jìn)行更多的控制，并且有更廣泛的應(yīng)用。
以下是提示示例及其公式：
舉例：文本生成
任務(wù)：生成一首詩：
指令：詩要與種子詞 “愛” 有關(guān)，要以十四行詩的風(fēng)格來寫。
角色：詩人
提示公式：“作為詩人，生成一首與種子詞’愛’相關(guān)的十四行詩”
（Generate a sonnet related to the seed word ‘love’ as a poet）
舉例：文本完成
任務(wù)：完成一個(gè)句子
指令：句子應(yīng)與種子詞 “科學(xué)” 有關(guān)，應(yīng)以研究論文的風(fēng)格撰寫
角色：研究員
提示公式：“以與種子詞’科學(xué)’相關(guān)的方式，和作為研究人員的研究論文的風(fēng)格完成以下句子（Complete the following sentence in a way that is related to the seed word ‘science’ and in the style of a research paper as a researcher）：[插入句子] “
舉例：文本摘要
任務(wù)：總結(jié)這篇新聞文章
指令：摘要應(yīng)與種子詞“政治”相關(guān)，并應(yīng)以中立和公正的語氣書寫
角色：記者
提示公式：“作為一名記者，以中立和公正的語氣總結(jié)以下與種子詞’政治’有關(guān)的新聞文章（Summarize the following news article in away that is related to the seed word ‘politics’ in a neutral and unbiased tone as a journalist）：[插入新聞文章] “
第9章：知識(shí)生成提示（Knowledge Generation prompt）
知識(shí)生成提示：是一種用于從ChatGPT中獲取新信息和原始信息的技術(shù)。
知識(shí)生成提示的提示公式是：“請(qǐng)生成有關(guān)X的新的、原始的信息（Please generate new and original information about X）” ，其中X是你感興趣的主題。
這是一種使用模型里預(yù)先存在的知識(shí)，來生成新信息或問題回答的技術(shù)。
要在ChatGPT中使用這種提示技術(shù)，模型應(yīng)提供問題或主題作為輸入，以及指定生成文本的任務(wù)或目標(biāo)的提示。提示應(yīng)包括期望輸出的信息，例如要生成的文本類型，以及其它特定要求或限制。
以下是提示示例及其公式：
舉例1：知識(shí)生成
任務(wù)：生成有關(guān)特定主題的新信息
指令：生成的信息應(yīng)準(zhǔn)確且與主題相關(guān)
提示公式：”生成有關(guān)[特定主題]的新的和準(zhǔn)確的信息”
（Generate new and accurate information about [specific topic] ）
舉例2：?jiǎn)柎?/p>
任務(wù)：回答一個(gè)問題
指令：答案應(yīng)準(zhǔn)確且與問題相關(guān)
提示公式：”回答以下問題：[插入句子] “
舉例3：知識(shí)整合
任務(wù)：將新信息與現(xiàn)有知識(shí)相結(jié)合
指令：整合應(yīng)準(zhǔn)確且與主題相關(guān)
提示公式：”將以下信息與關(guān)于[特定專題]的現(xiàn)有知識(shí)相結(jié)合：[插入新信息] “
（Generate new and accurate information about [specific topic] : [insert new information] ）
舉例4：數(shù)據(jù)分析：
任務(wù)：從給定數(shù)據(jù)集生成有關(guān)客戶行為的見解
提示公式：”請(qǐng)從此數(shù)據(jù)集生成有關(guān)客戶行為的新信息和原始信息” (Please generate new and original information about customer behavior from this dataset)
第10章：知識(shí)整合提示(Knowledge Integration prompts)
這種技術(shù)使用模型里現(xiàn)有的知識(shí)，來整合新信息或連接不同的信息。
它有助于將現(xiàn)有知識(shí)與新信息相結(jié)合，以更全面地了解特定主題。
如何與ChatGPT一起使用：
應(yīng)該向這個(gè)模型提供新信息和現(xiàn)有知識(shí)作為輸入，并指定生成文本的任務(wù)或目標(biāo)。提示應(yīng)包括所需輸出的信息，例如要生成的文本類型，以及任何特定要求或限制。
提示示例及其公式：
舉例 1：知識(shí)整合
任務(wù)：將新信息與現(xiàn)有知識(shí)相結(jié)合
指令：整合應(yīng)準(zhǔn)確且與主題相關(guān)
提示詞公式：” 將以下信息與有關(guān) [特定主題] 的現(xiàn)有知識(shí)相結(jié)合：[插入新信息] “
（Integrate the following information with the existing knowledge about [specific topic]: [insert new information] ）
舉例 2：連接信息片段
任務(wù)：連接不同的信息
指令：連接應(yīng)該是相關(guān)和合乎邏輯的
提示公式：”以相關(guān)和合乎邏輯的方式連接以下信息：[插入信息1] [插入信息2] “
（Connect the following pieces of information in a way that is relevant and logical: [insert information 1] [insert information 2]）
舉例 3：更新現(xiàn)有知識(shí)
任務(wù)：用新信息更新現(xiàn)有知識(shí)
指令：更新后的信息應(yīng)準(zhǔn)確且相關(guān)
提示公式：”用以下信息更新關(guān)于[特定主題]的現(xiàn)有知識(shí)：[插入新信息] “
（Update the existing knowledge about [specific topic] with the following information: [insert new information] ）
第11章：多項(xiàng)選擇提示（Multiple Choice prompts）
這種技術(shù)提供了一個(gè)模型，其中包含問題、任務(wù)以及一組預(yù)定義的選項(xiàng)作為潛在答案。
這種技術(shù)適用于生成文本，該文本限制于一組特定選項(xiàng)，并可用于問答、文本完成和其他任務(wù)。該模型可以生成限于預(yù)定義選項(xiàng)的文本。
要使用 ChatGPT 的多項(xiàng)選擇提示，應(yīng)該為模型提供一個(gè)問題或任務(wù)作為輸入，以及一組預(yù)定義選項(xiàng)作為潛在答案。提示還應(yīng)包含期望輸出的信息，例如要生成的文本類型以及任何特定要求或約束。
提示示例及其公式：
舉例1：?jiǎn)柎痤}
任務(wù)：回答一個(gè)多項(xiàng)選擇問題
說明：答案應(yīng)該是預(yù)定義選項(xiàng)中的一個(gè)
提示公式：”通過選擇以下選項(xiàng)來回答問題：[插入問題] [插入備選案文1] [插入備選案文2] [插入備選案文3] “
（Answer the following question by selecting one of the following options:[insert question] [insert option 1] [insert option 2] [insert option 3]）
舉例：文本完成
任務(wù)：使用預(yù)定義選項(xiàng)之一完成句子
說明：完成的句子應(yīng)該是預(yù)定義的選項(xiàng)之一
提示公式：”選擇以下選項(xiàng)之一，完成下面的句子：[插入句子] [插入備選案文1] [插入備選案文2] [插入備選案文3] “
（Complete the following sentence by selecting one of the following options: [insert sentence] [insert option 1] [insert option 2] [insert option 3]）
舉例 3：情感分析
任務(wù)：將一段文本分類為積極、中性或消極
說明：分類應(yīng)該是預(yù)定義選項(xiàng)之一
提示公式：”通過選擇以下選項(xiàng)之一，將下面的文本分類為正面、中性或負(fù)面：[插入文字] [正面] [中性] [負(fù)面] “
（Classify the following text as positive, neutral or negative by selecting one of the following options: [insert text] [positive] [neutral] [negative]）
第12章：可解釋軟提示（Interpretable Soft Prompts）
可解釋的軟提示是一種技術(shù)，它可以在提供一定靈活性的同時(shí)，控制模型生成的文本。
輸入的時(shí)候，向模型提供一組控制信息，并且添加期望輸出內(nèi)容的附加信息。 這種技術(shù)允許更多可解釋和可控制地生成文本。
提示示例及其公式：
舉例 1：文本生成:
任務(wù)：生成一個(gè)故事：
說明：故事應(yīng)基于給定的角色和特定主題
提示公式：“根據(jù)以下角色生成故事：[插入角色]和主題：[插入主題] “
（Generate a story based on the following characters: [insert characters] and the theme: [insert theme]）
舉例 2：文本完成
任務(wù)：完成一個(gè)句子
說明：完成的句子應(yīng)該是某個(gè)特定作者的風(fēng)格
提示公式：”以[特定作者]的風(fēng)格完成以下句子：[插入句子] ” （Complete the following sentence in the style of [specific author]: [insert sentence]）
舉例 3：語言建模
任務(wù)：以特定風(fēng)格生成文本
說明：文本應(yīng)該是某個(gè)特定時(shí)期的風(fēng)格
提示公式：“以[特定時(shí)期]的樣式生成文本：[插入上下文]”
（Generate text in the style of [specific period]:[insert context]）
第13章：受控生成提示（Controlled Generation prompts）
受控生成提示是一種技術(shù)，可以在輸出文本時(shí)，對(duì)生成的文本進(jìn)行高度控制。
這是通過向模型提供一組特定的輸入實(shí)現(xiàn)的，例如模板、特定詞匯或一組約束條件，可以用來指導(dǎo)生成過程。
以下是提示示例及其公式：
舉例 1：文本生成:
任務(wù)：生成一個(gè)故事：
說明：故事應(yīng)該基于特定的模板
提示公式：“根據(jù)以下模板生成一個(gè)故事：[插入主題] “（Generate a story based on the following template: [insert template]）
舉例 2：文本補(bǔ)全
任務(wù)：補(bǔ)全一個(gè)句子
說明：補(bǔ)全應(yīng)使用特定詞匯表
提示公式：”使用下面的詞匯表完成以下句子：[插入詞匯] ：[插入句子] ” （Complete the following sentence using the following vocabulary: [insert vocabulary]: [insert sentence]）
舉例 3：語言模型
任務(wù)：以特定風(fēng)格生成文本
說明：文本應(yīng)該遵循一組特定的語法規(guī)則
提示詞參考：”生成遵循以下語法規(guī)則的文本：[插入規(guī)則] ：[插入上下文] “（Generate text that follows the following grammatical rules: [insert rules]: [insert context]）
通過向模型提供一組特定的輸入，可以用來指導(dǎo)生成過程，受控生成提示使生成的文本更可控和可預(yù)測(cè)。
第14章：?jiǎn)柎鹛崾荆≦uestion-answering prompts）
問答提示是一種技術(shù)，可以使模型生成回答特定問題或任務(wù)的文本。
這是通過向模型提供一個(gè)問題或任務(wù)作為輸入，以及可能與問題或任務(wù)相關(guān)的任何其他信息來實(shí)現(xiàn)的。
以下是一些示例和應(yīng)用公式：
示例1：事實(shí)問答
任務(wù):回答一個(gè)事實(shí)性問題
說明：答案應(yīng)該是準(zhǔn)確和相關(guān)的
提示公式:
”回答以下事實(shí)性問題：[插入問題]”
（Answer the following factual question: [insert question]）
示例2：定義
任務(wù):提供一個(gè)詞的定義
說明：定義應(yīng)該準(zhǔn)確
提示公式:
“定義以下單詞：[插入單詞]”
（Define the following word: [insert word]）
示例3：信息檢索
任務(wù):從特定來源檢索信息
說明：檢索到的信息應(yīng)該與主題相關(guān)
提示公式:
從以下來源檢索有關(guān)[特定主題]的信息:[插入來源]“
（Retrieve information about [specific topic] from the following source: [insert source]）
這對(duì)于問答和信息檢索等任務(wù)非常有用。
第15章：摘要提示（Summarization prompts）
摘要提示是一種技術(shù)，允許模型在保留給定文本的主要思想和信息的同時(shí)，生成一個(gè)較短的版本。
這是通過將長(zhǎng)文本作為輸入提供給模型，并要求其生成該文本的摘要來實(shí)現(xiàn)的。
這種技術(shù)對(duì)于文本摘要和信息壓縮等任務(wù)非常有用。
如何在ChatGPT中使用它：
應(yīng)該向模型提供一個(gè)較長(zhǎng)的文本作為輸入，并要求其生成該文本的摘要。
提示還應(yīng)包括關(guān)于所需輸出的信息，例如摘要的所需長(zhǎng)度，和任何特定要求或限制。
以下是一些示例和應(yīng)用公式：
示例1：文章摘要
任務(wù):?總結(jié)新聞文章
說明：摘要應(yīng)該是這篇文章要點(diǎn)的簡(jiǎn)要概述。
提示公式: ”用一句簡(jiǎn)短的話概括以下新聞文章：[插入來源]“ （Summarize the following news article in one short sentence: [insert article]）
示例2：會(huì)議記錄
任務(wù):總結(jié)會(huì)議記錄
說明：摘要應(yīng)突出會(huì)議的主要決定和行動(dòng)
提示公式:”通過列出主要決策和行動(dòng)總結(jié)以下會(huì)議記錄：[插入記錄]”
（Summarize the following meeting transcript by listing the main decisions and actions taken: [insert transcript]）
示例3：圖書摘要
任務(wù):總結(jié)一本書
說明：摘要應(yīng)該是書籍主要觀點(diǎn)的簡(jiǎn)要概述
提示公式:”用一個(gè)簡(jiǎn)短的段落概括下面的書：[插入書名]”
(Summarize the following book in one short paragraph: [insert book title])
第16章：對(duì)話提示（Dialogue prompts）
對(duì)話提示是一種技術(shù)，可以使模型生成模擬兩個(gè)或多個(gè)實(shí)體之間對(duì)話的文本。
通過向模型提供一個(gè)上下文、一組角色或?qū)嶓w以及它們的背景，并要求模型在它們之間生成對(duì)話。
因此，應(yīng)該為模型提供上下文、一組角色或?qū)嶓w，以及它們的角色和背景。
還應(yīng)向模型提供有關(guān)所需輸出的信息，例如對(duì)話或?qū)υ挼念愋鸵约叭魏翁囟ㄒ蠡蛳拗啤?/p>
以下是一些示例和應(yīng)用公式：
示例1：對(duì)話生成
任務(wù):生成兩個(gè)角色之間的對(duì)話
說明：對(duì)話應(yīng)該是自然的，并且與給定的上下文相關(guān)
提示公式:“在下面的[插入上下文]中，生成以下角色之間的對(duì)話 [插入角色]”
（Generate a conversation between the following characters [insert characters] in the following context [insert context]）
示例2：故事創(chuàng)作
任務(wù):在故事中生成對(duì)話
說明：對(duì)話應(yīng)該與故事的角色和事件一致
提示公式:“在以下故事[插入故事]中，生成以下角色之間的對(duì)話 [插入角色]”
（Generate a dialogue between the following characters [insert characters] in the following story [insert story]）
示例3：聊天機(jī)器人開發(fā)
任務(wù):為客戶服務(wù)聊天機(jī)器人生成對(duì)話
說明：對(duì)話應(yīng)該專業(yè)，提供準(zhǔn)確的信息
提示公式:當(dāng)客戶詢問[插入主題]時(shí)，為客戶服務(wù)聊天機(jī)器人生成專業(yè)且準(zhǔn)確的對(duì)話
(Generate a professional and accurate dialogue for a customer service chatbot, when the customer asks about [insert topic])
因此，這種技術(shù)適用于對(duì)話生成、故事創(chuàng)作和聊天機(jī)器人開發(fā)等任務(wù)。
第17章：對(duì)抗性提示（Adversarial prompts）
對(duì)抗性提示是一種技術(shù)，可以讓模型生成的文本對(duì)某些類型的攻擊或偏見具有抵抗力。這種技術(shù)可以用于訓(xùn)練更強(qiáng)大、更具抵抗力的模型。
要在ChatGPT中使用對(duì)抗性提示，需要為模型提供一個(gè)設(shè)計(jì)良好的提示，以使模型難以生成與所需輸出一致的文本。
提示還應(yīng)包括有關(guān)所需輸出的信息，例如要生成的文本類型和任何特定的要求或約束。
以下是一些示例和應(yīng)用公式：
示例1：文本分類的對(duì)抗性提示
任務(wù):生成被分類為特定標(biāo)簽的文本
說明：生成的文本應(yīng)難以分類為特定標(biāo)簽
提示公式:”生成難以分類為[插入標(biāo)簽]的文本”
（Generate text that is difficult to classify as [insert label]）
示例2：情感分析的對(duì)抗性提示
任務(wù):生成難以被分類為特定情感的文本
說明：生成的文本應(yīng)難以分類為特定情感
提示公式:”生成難以被分類為具有[插入情感]情感的文本”
（Generate text that is difficult to classify as having the sentiment of [insert sentiment]）
示例3：語言翻譯的對(duì)抗性提示
任務(wù):生成難以翻譯的文本
說明：生成的文本應(yīng)難以翻譯為目標(biāo)語言
提示公式:”生成難以翻譯為[插入目標(biāo)語言]的文本”
（Generate text that is difficult to translate to [insert target language])
第18章：聚類提示（Clustering prompts）
聚類提示是一種技術(shù)，允許模型根據(jù)某些特征或特點(diǎn)將相似的數(shù)據(jù)點(diǎn)分組在一起。
這可以通過提供一組數(shù)據(jù)點(diǎn)，并要求模型根據(jù)某些特征或特點(diǎn)將它們分組成簇來實(shí)現(xiàn)。
這種技術(shù)對(duì)于數(shù)據(jù)分析、機(jī)器學(xué)習(xí)和自然語言處理等任務(wù)非常有用。
如何在ChatGPT中使用它：
應(yīng)該向模型提供一組數(shù)據(jù)點(diǎn)，并要求根據(jù)某些特征或特點(diǎn)將它們分組成簇。
提示還應(yīng)包括有關(guān)所需輸出的信息，例如要生成的簇的數(shù)量和任何特定要求或約束。
以下是一些示例和應(yīng)用公式：
示例1：客戶評(píng)價(jià)的聚類
任務(wù):將相似的客戶評(píng)價(jià)分組在一起
說明：評(píng)價(jià)應(yīng)基于情感進(jìn)行分組。
提示公式:根據(jù)情感將以下客戶評(píng)價(jià)分組成簇：[插入評(píng)價(jià)]
（Group the following customer reviews into clusters based on sentiment:[insert reviews]）
示例2：新聞文章的聚類
任務(wù):將相似的新聞文章分組在一起
說明：文章應(yīng)根據(jù)主題進(jìn)行分組
提示公式:將以下新聞文章根據(jù)主題分組成簇：[插入文章]
（Group the following news articles into clusters based on topic:[insert articles]”）
示例3：科學(xué)論文的聚類
任務(wù):將相似的科學(xué)論文分組在一起
說明：論文應(yīng)基于研究領(lǐng)域進(jìn)行分組
提示公式:根據(jù)研究領(lǐng)域?qū)⒁韵驴茖W(xué)論文分組：[插入論文]
（Group the following scientific papers into clusters based on research area:[insert papers]）
第19章：強(qiáng)化學(xué)習(xí)提示（Reinforcement learning prompts）
強(qiáng)化學(xué)習(xí)提示是一種技術(shù)，可以讓模型從其過去的行動(dòng)中學(xué)習(xí)，并隨著時(shí)間的推移改善其性能。
要在ChatGPT中使用強(qiáng)化學(xué)習(xí)提示，應(yīng)該向模型提供一組輸入和獎(jiǎng)勵(lì)，并允許其根據(jù)所接收的獎(jiǎng)勵(lì)調(diào)整其行為。提示還應(yīng)包括有關(guān)所需輸出的信息，例如要完成的任務(wù)和任何特定要求或約束。
這種技術(shù)對(duì)于決策制定、游戲和自然語言生成等任務(wù)非常有用。
以下是一些示例和應(yīng)用公式：
示例1：文本生成的強(qiáng)化學(xué)習(xí)
任務(wù):生成符合特定風(fēng)格的文本
說明：模型應(yīng)根據(jù)生成符合特定風(fēng)格的文本所獲得的獎(jiǎng)勵(lì)，調(diào)整其行為
提示公式:使用強(qiáng)化學(xué)習(xí)生成符合以下風(fēng)格的文本[插入風(fēng)格]
（Use reinforcement learning to generate text that is consistent with the following style [insert style]）
示例2：語言翻譯的強(qiáng)化學(xué)習(xí)
任務(wù):將一種語言的文本翻譯成另一種語言
說明：模型應(yīng)根據(jù)生成準(zhǔn)確翻譯所獲得的獎(jiǎng)勵(lì)調(diào)整其行為
提示公式:”使用強(qiáng)化學(xué)習(xí)將以下文本[插入文本]從[插入語言]翻譯為[插入語言] “
（Use reinforcement learning to translate the following text [insert text] from [insert language] to [insert language]）
示例3：?jiǎn)栴}回答的強(qiáng)化學(xué)習(xí)
任務(wù):回答一個(gè)問題
說明：模型應(yīng)根據(jù)生成準(zhǔn)確答案所獲得的獎(jiǎng)勵(lì)調(diào)整其行為
提示公式:使用強(qiáng)化學(xué)習(xí)回答以下問題[插入問題]
（Use reinforcement learning to generate an answer to the following question [insert question]）
第20章：課程學(xué)習(xí)提示（Curriculum learning prompts）
課程學(xué)習(xí)是一種技術(shù)，可以讓模型通過先訓(xùn)練簡(jiǎn)單的任務(wù)，并逐漸增加難度來學(xué)習(xí)復(fù)雜的任務(wù)。
要在ChatGPT中使用課程學(xué)習(xí)提示，應(yīng)該向模型提供一系列逐漸增加難度的任務(wù)。提示還應(yīng)包括有關(guān)所需輸出的信息，例如要完成的最終任務(wù)和任何特定要求或約束。
這種技術(shù)對(duì)于自然語言處理、圖像識(shí)別和機(jī)器學(xué)習(xí)等任務(wù)非常有用。
以下是一些示例和應(yīng)用公式：
示例1：文本生成的課程學(xué)習(xí)
任務(wù):生成符合特定風(fēng)格的文本
說明：模型應(yīng)在進(jìn)入更復(fù)雜的風(fēng)格之前，先在簡(jiǎn)單的風(fēng)格上進(jìn)行訓(xùn)練
提示公式:“ 使用課程學(xué)習(xí)生成符合以下風(fēng)格的文本[插入風(fēng)格]，按以下順序[插入順序] ”（Use curriculum learning to generate text that is consistent with the following styles [insert styles] in the following order [insert order]）
示例2：語言翻譯的課程學(xué)習(xí)
任務(wù):將一種語言的文本翻譯成另一種語言
說明：模型應(yīng)在進(jìn)入更復(fù)雜的語言之前先在簡(jiǎn)單的語言上進(jìn)行訓(xùn)練
提示公式:“使用課程學(xué)習(xí)將以下語言的文本[插入語言]，按以下順序[插入順序]翻譯為以下語言[插入語言]（Use curriculum learning to translate text from the following languages [insert languages] in the following order [insert order]）”
示例3：回答問題的課程學(xué)習(xí)
任務(wù):回答一個(gè)問題
說明：模型應(yīng)在進(jìn)入更復(fù)雜的問題之前，先在簡(jiǎn)單的問題上進(jìn)行訓(xùn)練
提示公式:“使用課程學(xué)習(xí)回答以下問題[插入問題]，按以下順序[插入順序]（Use curriculum learning to generate answers to the following questions [insert questions] in the following order [insert order]）” 第21章：情緒分析提示（Sentiment analysis prompts）
情感分析是一種技術(shù)，允許模型確定一段文本的情感色彩或態(tài)度，例如是否為積極、消極或中立。要使用ChatGPT的情緒分析提示，應(yīng)向模型提供一段文本，并要求根據(jù)其情緒對(duì)其進(jìn)行分類。提示還應(yīng)包括有關(guān)所需輸出的信息，例如要檢測(cè)的情感類型（例如積極、消極或中立）和任何特定的要求或限制。
以下是一些示例和應(yīng)用公式：
示例1：客戶評(píng)論的情緒分析
任務(wù)：確定客戶評(píng)論的情緒
說明：模型應(yīng)將評(píng)論分類為積極、消極或中立
提示公式：
“對(duì)以下客戶評(píng)論進(jìn)行情感分析[插入評(píng)論]，并將其分類為積極、消極或中立?！?/code>
(Perform sentiment analysis on the following customer reviews [insert reviews] and classify them as positive, negative, or neutral.)
示例2：推文的情緒分析
任務(wù)：確定推文的情感色彩
說明：模型應(yīng)將推文分類為積極、消極或中立
提示公式：
“對(duì)以下推文進(jìn)行情感分析[插入推文]，并將其分類為積極、消極或中立?！?/code>
(Perform sentiment analysis on the following tweets [insert tweets] and classify them as positive, negative, or neutral)
示例3：產(chǎn)品評(píng)論的情感分析
任務(wù)：確定產(chǎn)品評(píng)論的情感色彩
說明：模型應(yīng)將評(píng)論分類為積極、消極或中立
提示公式：
“對(duì)以下產(chǎn)品評(píng)論進(jìn)行情感分析[插入評(píng)論]，并將其分類為積極、消極或中立。”
（Perform sentiment analysis on the following product reviews [insert reviews] and classify them as positive, negative, or neutral）
這種技術(shù)對(duì)于自然語言處理、客戶服務(wù)和市場(chǎng)研究等任務(wù)非常有用。
第22章：命名實(shí)體識(shí)別提示（Named entity recognition prompts）
命名實(shí)體識(shí)別（NER）是一種技術(shù)，允許模型識(shí)別和分類文本中的命名實(shí)體，例如人物、組織、地點(diǎn)和日期。
要使用ChatGPT的命名實(shí)體識(shí)別提示，應(yīng)該向模型提供一段文本，并要求識(shí)別和分類文本中的命名實(shí)體。
提示還應(yīng)包括有關(guān)所需輸出的信息，例如要識(shí)別的命名實(shí)體類型（例如人物、組織、地點(diǎn)、日期）以及任何特定的要求或限制。
以下是一些示例和應(yīng)用公式：
示例1：新聞文章中的命名實(shí)體識(shí)別
任務(wù):在新聞文章中識(shí)別和分類命名實(shí)體
說明：模型應(yīng)識(shí)別和分類人物、組織、地點(diǎn)和日期
提示公式:“對(duì)以下新聞文章進(jìn)行命名實(shí)體識(shí)別[插入文章]，并識(shí)別和分類人物、組織、地點(diǎn)和日期?！?br>（Perform named entity recognition on the following news article [insert article] and identify and classify people, organizations, locations, and dates）
示例2：法律文檔中的命名實(shí)體識(shí)別
任務(wù):在法律文件中識(shí)別和分類命名實(shí)體
說明：模型應(yīng)識(shí)別和分類人物、組織、地點(diǎn)和日期
提示公式:“對(duì)以下法律文件進(jìn)行命名實(shí)體識(shí)別[插入文檔]，并識(shí)別和分類人物、組織、地點(diǎn)和日期。”
（Perform named entity recognition on the following legal document [insert document] and identify and classify people, organizations, locations, and dates）
示例3：研究論文中的命名實(shí)體識(shí)別
任務(wù):在研究論文中識(shí)別和分類命名實(shí)體
說明：模型應(yīng)識(shí)別和分類人物、組織、地點(diǎn)和日期
提示公式:“對(duì)以下研究論文進(jìn)行命名實(shí)體識(shí)別[插入論文]，并識(shí)別和分類人物、組織、地點(diǎn)和日期。”
（Perform named entity recognition on the following research paper [insert paper] and identify and classify people, organizations, locations, and dates）
第23章：文本分類提示（Text classification prompts）
文本分類是一種技術(shù)，允許模型將文本歸類為不同的類別。這種技術(shù)對(duì)于自然語言處理、文本分析和情感分析等任務(wù)非常有用。
需要注意的是，文本分類與情感分析不同。情感分析專注于確定文本中表達(dá)的情感或情緒。這可能包括確定文本是否表達(dá)了積極、消極或中立的情緒。情感分析通常用于客戶評(píng)論、社交媒體帖子和其他文本形式，其中表達(dá)的情感很重要。
要使用ChatGPT的文本分類提示，應(yīng)向模型提供一段文本，并要求根據(jù)預(yù)定義的類別或標(biāo)簽對(duì)其進(jìn)行分類。提示還應(yīng)包括有關(guān)所需輸出的信息，例如類別或標(biāo)簽的數(shù)量以及任何特定的要求或限制。
以下是一些示例和應(yīng)用公式：
示例1：客戶評(píng)論的文本分類
任務(wù)：將客戶評(píng)論歸類為不同的類別，例如電子產(chǎn)品、服裝和家具
說明：模型應(yīng)根據(jù)評(píng)論的內(nèi)容對(duì)其進(jìn)行分類
提示公式：
“對(duì)以下客戶評(píng)論進(jìn)行文本分類[插入評(píng)論]，并根據(jù)其內(nèi)容將其歸類為電子產(chǎn)品、服裝和家具等不同類別?！?/code>
(Perform text classification on the following customer reviews [insert reviews] and classify them into different categories such as electronics, clothing and furniture based on their content)
示例2：新聞文章的文本分類
任務(wù)：將新聞文章歸類為不同的類別，例如體育、政治和娛樂
說明：模型應(yīng)根據(jù)文章的內(nèi)容對(duì)其進(jìn)行分類
提示公式：
“對(duì)以下新聞文章進(jìn)行文本分類[插入文章]，并根據(jù)其內(nèi)容將其歸類為體育、政治和娛樂等不同類別?！?/code>
(Perform text classification on the following news articles [insert articles] and classify them into different categories such as sports, politics, and entertainment based on their content)
示例3：電子郵件的文本分類
任務(wù)：將電子郵件歸類為不同的類別，例如垃圾郵件、重要郵件或緊急郵件
說明：模型應(yīng)根據(jù)郵件的內(nèi)容和發(fā)送者對(duì)其進(jìn)行分類
提示公式：
“對(duì)以下電子郵件進(jìn)行文本分類[插入郵件]，并根據(jù)其內(nèi)容和發(fā)送者將其歸類為垃圾郵件、重要郵件或緊急郵件等不同類別?！?/code>
(Perform text classification on the following emails [insert emails] and classify them into different categories such as spam, important, or urgent based on their content and sender)
第24章：文本生成提示（Text generation prompts）
文本生成提示與本書中提到的其他提示技術(shù)相關(guān)，如：
零提示、單個(gè)提示和小樣本提示
受控生成提示
翻譯提示
語言建模提示
文本補(bǔ)全提示
這些提示都與生成文本有關(guān)，但它們?cè)谏晌谋镜姆绞胶蛯?duì)生成文本的具體要求或限制方面有所不同。在預(yù)訓(xùn)練模型或?yàn)樘囟ㄈ蝿?wù)訓(xùn)練新模型時(shí)，可以使用文本生成提示。
以下是一些示例和應(yīng)用公式：
示例1：用于故事寫作的文本生成
任務(wù)：根據(jù)給定提示生成一個(gè)故事
說明：故事應(yīng)至少有1000個(gè)單詞，并包括一組特定的角色和情節(jié)
提示公式：
“根據(jù)以下提示[插入提示]，生成一個(gè)至少有1000個(gè)單詞，包括角色[插入角色]和情節(jié)[插入情節(jié)]的故事?！?/code>
（Generate a story of at least 1000 words, including characters [insert characters] and a plot [insert plot] based on the following prompt [insert prompt]）
示例2：用于語言翻譯的文本生成
任務(wù)：將給定的文本翻譯成另一種語言
說明：翻譯應(yīng)準(zhǔn)確并符合習(xí)慣用語
提示公式：
“將以下文本[插入文本]翻譯成[插入目標(biāo)語言]，并確保它準(zhǔn)確并符合習(xí)慣用語。”
（Translate the following text [insert text] into [insert target language] and make sure that it is accurate and idiomatic）
結(jié)語
正如我們?cè)诒緯刑接懙哪菢?，提示工程是從語言模型（如ChatGPT）中獲取高質(zhì)量答案的強(qiáng)大工具。通過精心設(shè)計(jì)的各種的提示，我們可以引導(dǎo)模型生成符合我們特定需求和要求的文本。
在第2章中，我們看到如何使用說明提示來向模型提供明確和具體的指導(dǎo)。
在第3章中，我們探討了如何使用角色提示來以特定的語氣或風(fēng)格生成文本。
在第4章中，我們研究了如何使用標(biāo)準(zhǔn)提示作為微調(diào)模型性能的起點(diǎn)。
我們還研究了幾種高級(jí)提示技術(shù)，如零提示、單個(gè)提示和小樣本提示、自一致性、種子詞提示、知識(shí)生成提示、知識(shí)整合提示、多項(xiàng)選擇提示、可解釋的軟提示、受控生成提示、問答提示、摘要提示、對(duì)話提示、對(duì)抗提示、聚類提示、強(qiáng)化學(xué)習(xí)提示、課程學(xué)習(xí)提示、情感分析提示、命名實(shí)體識(shí)別提示和文本分類提示。
這些技術(shù)可以以不同的方式使用，以實(shí)現(xiàn)各種不同的結(jié)果。隨著你繼續(xù)與ChatGPT和其他語言模型一起工作，值得嘗試不同的技術(shù)組合，以找到最適合特定用例的方法。
最后，你可以查看我寫過的其他主題的書籍。
謝謝你讀了整本書。在我其他的書里見。
關(guān)于作者
易卜拉欣·約翰（Ibrahim John）
伊布拉欣·約翰是《從ChatGPT獲得高質(zhì)量答案的藝術(shù)：提示工程技術(shù)的完整指南》一書的作者。
他出生于坦桑尼亞，是科技和商業(yè)領(lǐng)域的知名人物。
他是三家成功公司的創(chuàng)始人：恩尊達(dá)科技有限公司（Nzunda Technologies Limited）、金百思公司（Kingbest Companye Limited）和阿格拉薩農(nóng)業(yè)有限公司（Agrasa Agriculture Limited）。
憑借他在領(lǐng)域中的廣泛知識(shí)和經(jīng)驗(yàn)，伊布拉欣為提示工程及其在語言建模中的應(yīng)用帶來了獨(dú)特的視角。他熱衷于與他人分享他的知識(shí)和專業(yè)知識(shí)，并致力于幫助人們理解和利用ChatGPT和其他最先進(jìn)的語言模型的力量。
