GPT-4 官方使用指南炸裂登場(chǎng)啦！
你沒聽錯(cuò)，這次不需要自己做筆記了，OpenAI 親自幫你整理了一份。
據(jù)說匯聚了大伙兒 6 個(gè)月的使用經(jīng)驗(yàn)，你、我、他的提示訣竅都融匯其中。
雖然總結(jié)下來只有六大策略，但該有的細(xì)節(jié)可絕不含糊。
不僅普通 GPT-4 用戶可以在這份秘籍中 get 提示技巧，或許應(yīng)用開發(fā)者也可以找到些許靈感。
網(wǎng)友們紛紛評(píng)論，給出了自己的“讀后感”：
好有意思??！總結(jié)來說，這些技巧的核心思想主要有兩點(diǎn)。一是我們得寫得更具體一些，給一些細(xì)節(jié)的提示。其次，對(duì)于那些復(fù)雜的任務(wù)，我們可以把它們拆分成一些小的提示來完成。
OpenAI 表示，這份攻略目前僅針對(duì) GPT-4。（當(dāng)然，你也可以在其它 GPT 模型上試試？）
趕緊瞧瞧，這份秘籍里究竟都有啥好東西。
6 大干貨技巧全在這
策略一：寫清楚指令
要知道，模型可不會(huì)“讀心術(shù)”，所以你得把你的要求明明白白地寫出來。
當(dāng)模型輸出變得太啰嗦時(shí)，你可以要求它回答簡(jiǎn)潔明了。相反地，如果輸出太過簡(jiǎn)單，你可以毫不客氣地要求它用專業(yè)水平來寫。
如果你對(duì) GPT 輸出的格式不滿意，那就先給它展示你期望的格式，并要求它以同樣的方式輸出。
總之，盡量別讓 GPT 模型自己去猜你的意圖，這樣你得到的結(jié)果就更可能符合你的預(yù)期了。
實(shí)用技巧：
1、有細(xì)節(jié)才能得到更相關(guān)的答案
為了使輸出和輸入具有強(qiáng)相關(guān)性，一切重要的細(xì)節(jié)信息，都可以喂給模型。
比如你想讓 GPT-4：總結(jié)會(huì)議記錄
就可以盡可能在表述中增加細(xì)節(jié)：
將會(huì)議記錄總結(jié)成一段文字。然后編寫一個(gè) Markdown 列表，列出與會(huì)人員及其主要觀點(diǎn)。最后，如果與會(huì)人員有關(guān)于下一步行動(dòng)的建議，請(qǐng)列出來。
2、要求模型扮演特定角色
通過改變系統(tǒng)消息（system message），GPT-4 會(huì)更容易扮演特定的角色，比在對(duì)話中提出要求的重視程度更高。
如規(guī)定它要回復(fù)一個(gè)文件，這份文件中的每個(gè)段落都要有好玩的評(píng)論：
3、用分隔符清晰標(biāo)示輸入的不同部分
用 """三重引號(hào)"""、<XML 標(biāo)記>、節(jié)標(biāo)題等分隔符標(biāo)記出文本的不同部分，可以更便于模型進(jìn)行不同的處理。在復(fù)雜的任務(wù)中，這種標(biāo)記細(xì)節(jié)就顯得格外重要。
4、明確指定完成任務(wù)所需的步驟
有些任務(wù)按步驟進(jìn)行效果更佳。因此，最好明確指定一系列步驟，這樣模型就能更輕松地遵循這些步驟，并輸出理想結(jié)果。比如在系統(tǒng)消息中設(shè)定按怎樣的步驟進(jìn)行回答。
5、提供示例
如果你想讓模型輸出按照一種不是能夠很好描述出來的特定樣式，那你就可以提供示例。如提供示例后，只需要告訴它“教我耐心”，它就會(huì)按照示例的風(fēng)格，將其描述得生動(dòng)形象。
6、指定所需輸出長(zhǎng)度
你還可以要求模型具體生成多少個(gè)單詞、句子、段落、項(xiàng)目符號(hào)等。但是，在要求模型生成特定數(shù)量的單詞 / 字的時(shí)候，它有可能不會(huì)那么精準(zhǔn)。
策略二：提供參考文本
當(dāng)涉及到深?yuàn)W的話題、引用和 URL 等內(nèi)容時(shí)，GPT 模型可能會(huì)一本正經(jīng)地胡說八道。
為 GPT-4 提供可以參考的文本，能夠減少虛構(gòu)性回答的出現(xiàn)，使回答的內(nèi)容更加可靠。
實(shí)用技巧：
1、讓模型參照參考資料進(jìn)行回答
如果我們能夠向模型提供一些和問題有關(guān)的可信信息，就可以指示它用提供的信息來組織回答。
2、讓模型引用參考資料進(jìn)行回答
如果在上面的對(duì)話輸入中已經(jīng)補(bǔ)充了相關(guān)信息，那么我們還可以直接要求模型在回答中引用所提供的信息。
這里要注意的是，可以通過編程，對(duì)讓模型對(duì)輸出中引用的部分進(jìn)行驗(yàn)證注釋。
策略三：拆分復(fù)雜任務(wù)
相比之下，GPT-4 在應(yīng)對(duì)復(fù)雜任務(wù)時(shí)出錯(cuò)率更高。
然而，我們可以采取一種巧妙的策略，將這些復(fù)雜任務(wù)重新拆解成一系列簡(jiǎn)單任務(wù)的工作流程。
這樣一來，前面任務(wù)的輸出就可以被用于構(gòu)建后續(xù)任務(wù)的輸入。
就像在軟件工程中將一個(gè)復(fù)雜系統(tǒng)分解為一組模塊化組件一樣，將任務(wù)分解成多個(gè)模塊，也可以讓模型的表現(xiàn)更好。
實(shí)用技巧：
1、進(jìn)行意圖分類
對(duì)于需要處理不同情況的大量具有獨(dú)立性的任務(wù)，可以先對(duì)這些任務(wù)進(jìn)行分類。
然后，根據(jù)分類來確定所需的指令。
比如，對(duì)于客戶服務(wù)應(yīng)用程序，可以進(jìn)行查詢分類（計(jì)費(fèi)、技術(shù)支持、賬戶管理、一般查詢等）。
當(dāng)用戶提出：
我需要讓我的互聯(lián)網(wǎng)重新恢復(fù)正常。
根據(jù)用戶查詢的分類，可以鎖定用戶的具體訴求了，就可以向 GPT-4 提供一組更具體的指令，來進(jìn)行下一步操作。
例如，假設(shè)用戶需要在“故障排除”方面尋求幫助。
就可以設(shè)定下一步的方案：
要求用戶檢查路由器的所有電纜是否已連接……
2、對(duì)先前對(duì)話進(jìn)行概括或篩選
由于 GPT-4 的對(duì)話窗口是有限制的，上下文不能太長(zhǎng)，不能在一個(gè)對(duì)話窗口中無限進(jìn)行下去。
但也不是沒有解決辦法。
方法之一是對(duì)先前的對(duì)話進(jìn)行概括。一旦輸入的文本長(zhǎng)度達(dá)到預(yù)定的閾值，就可以觸發(fā)一個(gè)查詢，概括對(duì)話的一部分，被概括出來的這部分內(nèi)容可以變成系統(tǒng)消息的一部分。
此外，可以在對(duì)話過程中就在后臺(tái)對(duì)前面的對(duì)話進(jìn)行概括。
另一種方法是檢索先前的對(duì)話，使用基于嵌入的搜索實(shí)現(xiàn)高效的知識(shí)檢索。
3、逐段概括長(zhǎng)文檔，并遞歸構(gòu)建完整概述
還是文本過長(zhǎng)的問題。
比如你要讓 GPT-4 概括一本書，就可以使用一系列查詢來概括這本書的每個(gè)部分。
然后將部分概述連接起來進(jìn)行總結(jié)，匯成一個(gè)總的答案。
這個(gè)過程可以遞歸進(jìn)行，直到整本書被概括。
但是有些部分可能要借前面部分的信息才能理解后續(xù)部分，這里有一個(gè)技巧：
在概括當(dāng)前內(nèi)容時(shí)，將文本中當(dāng)前內(nèi)容之前的內(nèi)容概述一起總結(jié)進(jìn)來，進(jìn)行概括。
簡(jiǎn)單來說，用前面部分的“摘要”+ 當(dāng)前部分，然后進(jìn)行概括。
OpenAI 之前還使用基于 GPT-3 訓(xùn)練的模型，對(duì)概括書籍的效果進(jìn)行了研究。
策略四：給 GPT 時(shí)間“思考”
如果讓你計(jì)算 17 乘 28，你可能不會(huì)立刻知道答案，但是可以通過一些時(shí)間計(jì)算出來。
同樣的道理，當(dāng) GPT-4 接收到問題時(shí)，它并不會(huì)花時(shí)間仔細(xì)思考，而是試圖立刻給出答案，這樣就可能導(dǎo)致推理出錯(cuò)。
因此，在讓模型給出答案前，可以先要求它進(jìn)行一系列的推理過程，幫助它通過推理來得出正確的答案。
實(shí)用技巧：
1、讓模型制定解決方案
你可能有時(shí)候會(huì)發(fā)現(xiàn)，當(dāng)我們明確指示模型在得出結(jié)論之前從基本原理出發(fā)進(jìn)行推理時(shí)，我們可以獲得更好的結(jié)果。
比如說，假設(shè)我們希望模型評(píng)估學(xué)生解答數(shù)學(xué)問題的方案。
最直接的方法是簡(jiǎn)單地詢問模型學(xué)生的解答是否正確。
在上圖中，GPT-4 認(rèn)為學(xué)生的方案是正確的。
但實(shí)際上學(xué)生的方案是錯(cuò)誤的。
這時(shí)候就可以通過提示模型生成自己的解決方案，來讓模型成功注意到這一點(diǎn)。
在生成了自己的解決方案，進(jìn)行一遍推理過后，模型意識(shí)到之前學(xué)生的解決方案不正確。
2、隱藏推理過程
上面講到了讓模型進(jìn)行推理，給出解決方案。
但在某些應(yīng)用中，模型得出最終答案的推理過程不適合與用戶共享。
比如，在作業(yè)輔導(dǎo)中，我們還是希望鼓勵(lì)學(xué)生制定自己的解題方案，然后得出正確答案。但模型對(duì)學(xué)生解決方案的推理過程可能會(huì)向?qū)W生揭示答案。
這時(shí)候我們就需要模型進(jìn)行“內(nèi)心獨(dú)白”策略，讓模型將輸出中要對(duì)用戶隱藏的部分放入結(jié)構(gòu)化格式中。
然后，在向用戶呈現(xiàn)輸出之前，對(duì)輸出進(jìn)行解析，并且僅使部分輸出可見。
就像下面這個(gè)示例：
先讓模型制定自己的解決方案（因?yàn)閷W(xué)生的有可能是錯(cuò)的），然后與學(xué)生的解決方案進(jìn)行對(duì)比。
如果學(xué)生的答案中哪一步出錯(cuò)了，那就讓模型針對(duì)這一步給出一點(diǎn)提示，而不是直接給學(xué)生完整的正確的解決方案。
如果學(xué)生還是錯(cuò)了，那就再進(jìn)行上一步的提示。
還可以使用“查詢”策略，其中除了最后一步的查詢以外，所有查詢的輸出都對(duì)用戶隱藏。
首先，我們可以要求模型自行解決問題。由于這個(gè)初始查詢不需要學(xué)生的解決方案，因此可以省略掉。這也提供了額外的優(yōu)勢(shì)，即模型的解決方案不會(huì)受到學(xué)生解決方案偏見的影響。
接下來，我們可以讓模型使用所有可用信息來評(píng)估學(xué)生解決方案的正確性。
最后，我們可以讓模型使用自己的分析來構(gòu)建導(dǎo)師的角色。
你是一名數(shù)學(xué)導(dǎo)師。如果學(xué)生回答有誤，請(qǐng)以不透露答案的方式向?qū)W生進(jìn)行提示。如果學(xué)生答案無誤，只需給他們一個(gè)鼓勵(lì)性的評(píng)論。
3、詢問模型是否遺漏了內(nèi)容
假設(shè)我們正在讓 GPT-4 列出一個(gè)與特定問題相關(guān)的源文件摘錄，在列出每個(gè)摘錄之后，模型需要確定是繼續(xù)寫入下一個(gè)摘錄，還是停止。
如果源文件很大，模型往往會(huì)過早地停止，未能列出所有相關(guān)的摘錄。
在這種情況下，通常可以讓模型進(jìn)行后續(xù)查詢，找到它在之前的處理中遺漏的摘錄。
換而言之，模型生成的文本有可能很長(zhǎng)，一次性生成不完，那么就可以讓它進(jìn)行查驗(yàn)，把遺漏的內(nèi)容再補(bǔ)上。
策略五：其它工具加持
GPT-4 雖然強(qiáng)大，但并非萬能。
我們可以借助其他工具來補(bǔ)充 GPT-4 的不足之處。
比如，結(jié)合文本檢索系統(tǒng)，或者利用代碼執(zhí)行引擎。
在讓 GPT-4 回答問題時(shí)，如果有一些任務(wù)可以由其他工具更可靠、更高效地完成，那么我們可以將這些任務(wù)交給它們來完成。這樣既能發(fā)揮各自的優(yōu)勢(shì)，又能讓 GPT-4 發(fā)揮最佳水平。
實(shí)用技巧：
1、使用基于嵌入的搜索實(shí)現(xiàn)高效的知識(shí)檢索
這一技巧在上文中已經(jīng)有所提及。
若在模型的輸入中提供額外的外部信息，有助于模型生成更好的回答。
例如，如果用戶詢問關(guān)于一部特定電影的問題，將關(guān)于電影的信息（例如演員、導(dǎo)演等）添加到模型的輸入中可能會(huì)很有用。
嵌入可用于實(shí)現(xiàn)高效的知識(shí)檢索，可以在模型運(yùn)行時(shí)動(dòng)態(tài)地將相關(guān)信息添加到模型的輸入中。
文本嵌入是一種可以衡量文本字符串相關(guān)性的向量。相似或相關(guān)的字符串將比不相關(guān)的字符串更緊密地結(jié)合在一起。加上快速向量搜索算法的存在，意味著可以使用嵌入來實(shí)現(xiàn)高效的知識(shí)檢索。
特別的是，文本語料庫可以分成多個(gè)部分，每個(gè)部分可以進(jìn)行嵌入和存儲(chǔ)。然后，給定一個(gè)查詢，可以進(jìn)行向量搜索以找到與查詢最相關(guān)的語料庫中的嵌入文本部分。
2、使用代碼執(zhí)行進(jìn)行更準(zhǔn)確的計(jì)算或調(diào)用外部 API
不能僅依靠模型自身進(jìn)行準(zhǔn)確地計(jì)算。
如果需要，可以指示模型編寫和運(yùn)行代碼，而不是進(jìn)行自主計(jì)算。
可以指示模型將要運(yùn)行的代碼放入指定的格式中。在生成輸出后，可以提取和運(yùn)行代碼。生成輸出后，可以提取并運(yùn)行代碼。最后，如果需要，代碼執(zhí)行引擎（即 Python 解釋器）的輸出可以作為下一個(gè)輸入。
代碼執(zhí)行的另一個(gè)很好的應(yīng)用場(chǎng)景是調(diào)用外部 API。
如果將 API 的正確使用方式傳達(dá)給模型，它可以編寫使用該 API 的代碼。
可以通過向模型演示文檔和 / 或代碼示例來指導(dǎo)模型如何使用 API。
在這里 OpenAI 提出了特別警告??：
執(zhí)行模型生成的代碼在本質(zhì)上來說并不安全，任何試圖執(zhí)行此操作的應(yīng)用程序中都應(yīng)采取預(yù)防措施。特別是，需要一個(gè)沙盒代碼執(zhí)行環(huán)境來限制不受信任的代碼可能造成的危害。
策略六：系統(tǒng)地測(cè)試更改
有時(shí)候很難確定一個(gè)改變是會(huì)讓系統(tǒng)變得更好還是更差。
通過觀察一些例子有可能會(huì)看出哪個(gè)更好，但是在樣本數(shù)量較少的情況下，很難區(qū)分是真的得到了改進(jìn)，還是只是隨機(jī)運(yùn)氣。
也許這個(gè)“改變”能夠提升某些輸入的效果，但卻會(huì)降低其它輸入的效果。
而評(píng)估程序 (evaluation procedures，or “evals”) 對(duì)于優(yōu)化系統(tǒng)設(shè)計(jì)來說非常有用。好的評(píng)估有以下幾個(gè)特點(diǎn)：
1）代表現(xiàn)實(shí)世界的用法（或至少是多種用法）
2）包含許多測(cè)試用例，可以獲得更大的統(tǒng)計(jì)功效（參見下表）
3）易于自動(dòng)化或重復(fù)
對(duì)輸出的評(píng)估可以是由計(jì)算機(jī)進(jìn)行評(píng)估、人工評(píng)估，或者兩者結(jié)合進(jìn)行。計(jì)算機(jī)可以使用客觀標(biāo)準(zhǔn)自動(dòng)評(píng)估，也可以使用一些主觀或模糊的標(biāo)準(zhǔn)，比如說用模型來評(píng)估模型。
OpenAI 提供了一個(gè)開源軟件框架 ——OpenAI Evals，提供了創(chuàng)建自動(dòng)評(píng)估的工具。
當(dāng)存在一系列質(zhì)量同樣高的輸出時(shí)，基于模型的評(píng)估就會(huì)很有用。
實(shí)用技巧：
1、參考黃金標(biāo)準(zhǔn)答案評(píng)估模型輸出
假設(shè)已知問題的正確答案應(yīng)參考一組特定的已知事實(shí)。
然后，我們可以詢問模型答案中包含多少必需的事實(shí)。
例如，使用下面這個(gè)系統(tǒng)消息，
給出必要的既定事實(shí)：
尼爾?阿姆斯特朗是第一個(gè)在月球上行走的人。
尼爾?阿姆斯特朗第一次登上月球的日期是 1969 年 7 月 21 日。
如果答案中包含既定給出的事實(shí)，模型會(huì)回答“是”。反之，模型會(huì)回答“否”，最后讓模型統(tǒng)計(jì)有多少“是”的答案：
下面是包含兩點(diǎn)既定事實(shí)的示例輸入（既有事件，又有時(shí)間）：
僅滿足一個(gè)既定事實(shí)的示例輸入（沒有時(shí)間）：
而下面這個(gè)示例輸入，不包含任何一個(gè)既定事實(shí)：
這種基于模型的評(píng)估方法有許多可能的變化形式，需要跟蹤候選答案與標(biāo)準(zhǔn)答案之間的重疊程度，并追蹤候選答案是否與標(biāo)準(zhǔn)答案的有相矛盾的地方。
比如下面的這個(gè)示例輸入，其中包含不合標(biāo)準(zhǔn)的答案，但與專家答案（標(biāo)準(zhǔn)答案）并不矛盾：
下面是這個(gè)示例輸入，其答案與專家答案直接矛盾（認(rèn)為尼爾?阿姆斯特朗是第二個(gè)在月球上行走的人）：
最后一個(gè)是帶有正確答案的示例輸入，該輸入還提供了比必要內(nèi)容更多的詳細(xì)信息（時(shí)間精確到了 02:56，并指出了這是人類歷史上的一項(xiàng)不朽成就）：
傳送門：
https://github.com/openai/evals（OpenAI Evals）
參考鏈接：
[1]https://platform.openai.com/docs/guides/gpt-best-practices
[2]https://www.reddit.com/r/OpenAI/comments/141yheo/openai_recently_added_a_gpt_best_practices_guide/
本文來自微信公眾號(hào)：量子位 （ID：QbitAI），作者：西風(fēng)
廣告聲明：文內(nèi)含有的對(duì)外跳轉(zhuǎn)鏈接（包括不限于超鏈接、二維碼、口令等形式），用于傳遞更多信息，節(jié)省甄選時(shí)間，結(jié)果僅供參考，IT之家所有文章均包含本聲明。