前言
就像好的搜索引擎使用技巧可以大幅度提升你的搜索效率，一些灵活的与ChatGPT沟通的技巧可以大幅度增强你使用AI的能力。
我将这些技巧的学习分为三个阶段：
- 学习基本原则
- 学习如何结构化编写prompt
- 探索让GPT辅助你编写prompt
下面我将分别说明这三个阶段。
基本原则
基本原则有两条：1. 尽可能清晰 2. 尽可能让GPT多思考
清晰
gpt的本质是在做概率推断，获得的信息越多越准确。极限情况，你对chatgpt说“一”，gpt就麻了，它不知道你要表达什么，无从推断。
假设你想知道怎么做一道地道的川菜麻婆豆腐。以前如果你在Google上搜索“麻婆豆腐”，搜索引擎会根据关键词给你展示许多食谱网站。你只需点击第一页出现的几个结果就很容易找到做法。
但如果直接对聊天机器人说“麻婆豆腐”，它可能无法准确理解你的需求。聊天机器人可能会给出一些与实际做法无关的回答。相反，如果你详细描述：“请提供一份做地道川菜麻婆豆腐的食谱，必须包括所需原料、步骤、小技巧等信息，并在每个步骤后给出解释，最后总结这道菜的口感特点”，那么聊天机器人就能准确理解你的需求，并给出具体和有用的食谱。
这说明在使用聊天机器人时，需要清晰具体的描述,而不是简单的关键词，才能获取高质量的回答。这与搜索引擎的使用有很大不同。明确的表达可以帮助聊天机器人更好地理解需求，从而给出更好的响应。在保证输出质量下限的同时，还可以提高输出质量的上限！
这和以往使用 Google 等搜索引擎的经验是完全不同的。
让gpt多思考
让GPT多思考就是让GPT做推理，而不是直接回答。
在 Prompt 中添加逐步推理的要求，能让语言模型投入更多时间逻辑思维，输出结果也将更可靠准确。举一个**OpenAI 官方的例子**，如果你需要 GPT 回答某一个学生的答案是否正确，Prompt 是 判断学生的解决方案是否正确的话，面对复杂的计算问题和答案，GPT 有很大的概率会给出错误的答案，因为 GPT 并不会像人一样先进行推理答案再进行回答，而是会立即给出判断。在短暂的判断中，就无法给出正确的答案（就好比人类无法在短时间计算复杂数学一样）。换成这样的Prompt：首先自己解决问题，然后再将自己的解决方案与学生的解决方案进行比较，并评估学生的解决方案是否正确。在自己完成问题之前，不要确定学生的解决方案是否正确。在 Prompt 中给出明确的引导和条件，就能够让 GPT 模型花费更多的时间推导答案，从而得到更加准确的结果。
另一种有效的方法是引导GPT模型将一个复杂的任务分解成多个简单的子任务，并逐个完成它们。
这种任务拆分的方法涉及到首先将一个大型、复杂的任务划分为若干个更小、更易管理的子任务。接下来，我们分别指导GPT模型专注于每个子任务的推理过程。完成所有子任务后，将各部分的结果综合起来，形成一个全面的最终结果。采用这种方法的优势在于，它能够让GPT模型在处理每一个子任务时更加集中注意力，从而有效提高输出的准确性和质量。
一些即用的，增强性能的prompt
下面这些语句可以加入到任意的对话结尾，可以一定程度的让GPT回答的更好。
PS (Plan and Solve): Let’s first understand the problem and devise a plan to solve the problem. Then, let’s carry out the plan and solve the problem step by step.（让我们先理解问题，然后制定计划来解决问题。之后，让我们按照计划一步一步解决问题。）
PS+ (Plan and Solve): Let’s first understand the problem, extract relevant variables and their corresponding numerals, and make a plan. Then, let’s carry out the plan, calculate intermediate variables (pay attention to correct numerical calculation and commonsense), solve the problem step by step, and show the answer. （让我们先理解问题，提取相关的变量及对应的数字，并制定计划。然后，让我们执行计划，计算中间变量(注意正确的数字计算和常识)，一步一步解决问题，并给出答案。）
APE (Automatic Prompt Engineer): Let’s work this out in a step by step way to be sure we have the right answer. （让我们一步步地解决问题以确保有正确答案）
OPRO (Optimization by PROmpting): Take a deep breath and work on this problem step-by-step.（深吸一口气，并逐步解决问题）
A little bit of arithmetic and a logical approach will help us quickly arrive at the solution to this problem. （稍微进行一些算术运算和逻辑思考，可以帮助我们快速得出这个问题的解决方案。）
Let’s combine our numerical command and clear thinking to quickly and accurately decipher the answer.（让我们结合数字命令和清晰的思维，快速准确地解密答案。）
结构化prompt
当你想让chatGPT实现更加复杂一些的任务时，你就需要更加复杂的prompt。那么如何编写复杂的prompt。你可以使用下面的结构化prompt技巧。
什么是结构化？拿日常读书写作举例。在我们所读的书籍中，它们运用了各种标题、子标题、段落和句子等语法元素，在我们自己写作过程中，我们也会将内容分章节分段落的表达想法。简而言之，结构化Prompt的概念类似于写作的过程：它通过结构帮助我们清晰、有条理地表达我们的想法。
正如我们在日常生活中使用各种写作模板以便于阅读和表达，例如古代的八股文、现代的简历模板、学生实验报告模板和论文模板等，这些结构模板帮助我们以组织有序的方式呈现内容。同理，编写结构化的Prompt也可以借助各种优质模板，这不仅使写作过程更加轻松，还能提高内容的效果和效率。因此，选择或创造适合自己的模板，就像使用PPT模板一样，可以极大地提升结构化Prompt的质量。
我的一个模板是：
####**背景**
描述任务背景
####**目标任务**
告诉GPT它的最终目标是什么
####**实现策略**
告诉GPT，如何一步步实现上面的目标
####**输出示例**
给出输出示例
####**限制点和重要事项**
告诉GPT有哪些限制点或者重要的事项
在实现策略部分，可以使用AOT结构：
AoT（AOT algorithm of thoughts） 在模仿算法思维。通过下面的几个workflow实现任务。
1. 定义问题：AoT 首先明确说明问题。
2. 收集信息：AoT 会提示LLM获取必要信息。
3. 分析信息：LLM会分析收集的信息。
4. 提出假设：提出一个初始解决方案。
5. 测试假设：LLM反驳假设，设想潜在结果。
6. 得出结论：LLM提供完善的解决方案。
根据上面的原理，看看下面书单筛选的例子：
####**背景**
我正在寻找一些书籍的详细信息，以便决定是否选读。
####**目标任务**
请为以下的书籍提供简介。这将帮助我了解每本书的内容和特点，并帮助我做出决策。
####**实现策略**
take a deep breath and think step by step：
1. 针对提供的书单，先确定书籍的完整标题和作者。
2. 搜索和收集每本书的详细简介。
3. 对收集到的简介进行简化，确保简介清晰且信息完整。
4. 根据简介提供的信息，对书籍进行初步评估，包括可能的受众、风格、主题等。
5. 将所有的信息整合后，按照书单的顺序提供给用户。
- **示例**
书名：《XXXX》，作者：“AAAA”：
- 简介：此书描述了......
- 评估：适合喜欢历史小说的读者，风格偏向于描述性，主题集中在......
####**限制点和重要事项**
1. 所提供的信息必须基于事实。
2. 如果某本书的具体内容未知，需直接说明不知道。
3. 尽量提供完整且简洁的简介。
####书单如下
结构化prompt还有很多的内容可以探索，感兴趣的朋友可以关注即刻 李继刚 或者参考LangGPT
让GPT帮你完成prompt
真正的改变在于，你可以教会GPT如何写Prompt，进而让它帮你完成这一任务。
你可以将上述所有技巧喂给GPT，让它成为一位Prompt撰写专家。在这种模式下，你只需提供一个Prompt的初稿，GPT便能够自动对其进行优化。这意味着，通过简单的初步输入，GPT能够运用其学习到的技巧，帮助你精炼和提升Prompt的质量。
具体而言，这种方法带来的优势包括：
- 提升Prompt质量：经过精心训练的GPT能够根据最佳实践撰写Prompt，确保其结构完整，充分发挥GPT模型的潜力。
- 节省精力与时间：这种方法使得原本繁琐的Prompt编写过程自动化，用户无需从头开始构思Prompt的框架，极大地节约了时间和精力。
- 便于迭代和优化：在GPT的协助下，用户可以快速迭代和优化Prompt版本，评估效果，并选择最佳模板，从而轻松实现优化。
- 广泛的适应性：GPT能够学习并掌握针对不同领域和任务的Prompt编写技巧，轻松适应新的需求。
总结
从上述内容中，我们可以看出与ChatGPT高效沟通的三个层次：
- 理解基本原则：这是使用ChatGPT的基础，强调的是清晰性和促使GPT深入思考。通过生动、形象的类比，我们可以更好地理解并应用这些原则。
- 掌握结构化Prompt的技巧：在这一层次中，我们学习如何利用背景、目标、策略和限制条件等框架来引导GPT有效解决复杂问题。
- 利用GPT辅助Prompt的编写：这代表了与ChatGPT交互的高层次，实现了自动化生成高质量Prompt的目标，减少了重复性劳动。
通过逐步深入这三个层次，我们可以建立与ChatGPT更加高效和丰富的协作关系，充分发挥其巨大的潜力，创造更多的价值。