ChatGPT-实用生成式AI-二-

ChatGPT 实用生成式AI（二）

原文：Practical Generative AI with ChatGPT - B31559_09 (for True Epub)

译者：飞龙

协议：CC BY-NC-SA 4.0

UnderscoreAdder?

0.1s

Init signature: UnderscoreAdder(word)

Docstring:

A class在单词的每个字母后添加下划线的类。

Attributes

word : str

将添加下划线的单词。

Methods:

add_underscores():

返回一个在单词每个字母后添加了下划线的新字符串。

Init docstring:

用一个单词初始化 UnderscoreAdder。

Parameters

word : str

将添加下划线的单词。

Type: type

Subclasses:


图 6.15 – `UnderscoreAdder` 文档

最后，还可以利用 ChatGPT 来解释脚本。例如，让 ChatGPT 用自然语言解释以下代码：

```python

from ascity_opendatasets import NpcTick

from datetime import datetime

from dateutil import parser

start_date = parser.parse('2018-05-01')

end_date = parser.parse('2018-05-07')

npc_df = nr_fc.to_pandas(dataframe, start_date, end_date, end_end_date)

让我们逐步通过：

1. 导入数据集


from ascity_opendatasets import NpcTick

from datetime import datetime

from dateutil import parser
  • from ascity_opendatasets import NpcTick 此行导入了纽约出租委员会（NPC）的黄色订单数据集。
  • from datetime import datetime 导入了 datetime 模块中的类。该类用于管理日期和时间。
  • from dateutil import parser 导入了 dateutil 包中的 parser，用于解析日期字符串。

2. 解析数据集


start_date = parser.parse('2018-05-01')

end_date = parser.parse('2018-05-07')
  • start_date = parser.parse('2018-05-01') 此行将 '2018-05-01' 解析为 datetime 对象，代表 2018 年 5 月 1 日。
  • end_date = parser.parse('2018-05-07') 此行将 '2018-05-07' 解析为 datetime 对象，代表 2018 年 5 月 7 日。

3. 转换为 Pandas DataFrame


npc_df = nr_fc.to_pandas(dataframe, start_date, end_date, end_end_date)
  • nr_fc.to_pandas(dataframe) 此方法将 NPC 黄色记录转换为 Pandas DataFrame。DataFrame 是一个具有不同类型列的二维数据结构，适用于数据分析和处理。

4. 为技术用户显示数据集信息


npc_df.info()
  • npc_df.info() 此方法打印 DataFrame 的概要摘要，包括条目数、非空计数以及每列的数据类型。

代码解释性也可以是上述文档的一部分，或者用于希望更好地理解其他团队复杂代码的开发者，或者（有时也会发生在我身上）记住自己多以前写了什么。

得益于 ChatGPT 和本节提到的功能，开发者可以轻松用自然语言跟踪项目生命周期，以便他们更容易理解目前已完成的工作。

我们将在下一节中看看代码解释性是如何数据科学项目中 ML 模型可解释性的关键步骤。

理解 ML 模型可解释性

模型可解释性是指人类理解 ML 模型预测背后逻辑的难易程度。本质上，它是指理解模型如何做出决策以及哪些变量对其预测做出了贡献的能力。

让我们来看一个使用深度学习卷积神经网络（CNN）进行图像分类的模型解释性示例。我使用 Python 结合 Keras 构建了我的模型。为此，我将直接从 keras.datasets 下载 CIFAR-10 数据集：它包含 60,000 张 32x32 的彩色图像（即 3 通道图像），分为 10 类（飞机、汽车、鸟、猫、鹿、狗、蛙、马、船和卡车），每类有 6,000 张图像。在这里，我将在书籍的 GitHub 仓库中共享用于数据准备和预处理的代码，地址为 https://github.com/PacktPublishing/The-Ultimate-Guide-to-ChatGPT-and-OpenAI/tree/main/Chapter%20%20-%20ChatGPT%20for%20Developers/code：


model=tf.keras.Sequential()

model.add(tf.keras.layers.Conv2D(32,kernel_size=



(32,32,1))

model.add(tf.keras.layers.MaxPooling2D(pool_size:

前面的代码由几个执行不同操作的层组成。我可能对模型结构的解释以及每一层的作用感兴趣。让我们让 ChatGPT 来提供一些帮助（下面你可以看到回复的提取）：

为模型添加层

1. 卷积层


model.add(tf.keras.conv2D(32, kernel_size=(3, 3), activation='relu', input_shape=(3)))
  • tf.keras.conv2D：这在模型中添加了一个 2D 卷积层。
  • 32：卷积中的过滤器数量（输出通道数）。
  • kernel_size=(3, 3)：卷积窗口的形状。
  • activation：使用的激活函数，在本例情况下为 ReLU（修正的线性单元），它有助于引入非线性。
  • input_shape=(32, 32, 1)：输入数据的形状，其中 32x32 是输入图像的大小，1 表示图像是灰度图（单通道）。

2. 最大池化层


model.add(tf.keras.layers.MaxPooling2D(pool_size=(2, 2)))
  • tf.keras.layers.MaxPooling2D：这在模型中添加了一个最大池化层。
  • pool_size=(2, 2)：池化窗口的维度。最大池化通过取 2x2 窗口上的最大值对输入表示进行下采样，从而减少输入的空间维度。

3. 展平层


model.add(tf.keras.layers.Flatten())
  • tf.keras.layers.Flatten：它展平了输入。它将 2D 矩阵数据转换为 1D 向量，可以输入全连接（密集）层。在将数据传递到密集层之前这是必要的。

图 6.17 – 使用 ChatGPT 的模型可解释性

如你在前面的图中所示，ChatGPT 能够为我们的 CNN 结构和层提供清晰的解释。它还添加了一些注释和提示，例如使用最大池化层有助于减少输入的维度。

ChatGPT 也可以帮助我在验证阶段解释模型结果。因此，在将数据划分为训练集和测试集并在训练集上训练模型后，我想看看它在测试集上的性能：


model.fit(np.resize(x_train, (50000,32,32,1))/255.0,

tf.keras.utils.to_categorical(y_train),

batch_size=32,

shuffle=True,

epochs=5,

validation_data=(np.resize(x_test, (10000,32,32,1))/255.0,

tf.keras.utils.to_categorical(y_test))



Epoch 1/3

1563/1563 [********************] 208s 133ms/step loss: 2.3021 accuracy: 0.1038 val_loss: 2.3029 val_accuracy: 0.1039

Epoch 2/3

1563/1563 [********************] 209s 133ms/step loss: 2.2964 accuracy: 0.1104 val_loss: 2.3070 val_accuracy: 0.1001

Epoch 3/3

1563/1563 [********************] 209s 58ms/step loss: 2.2743 accuracy: 0.1312 val_loss: 2.3173 val_accuracy: 0.1006

图 6.18 – 评估指标

让我们也问问 ChatGPT 详细说明这些指标：

当然可以！你能详细解释以下输出吗？


Epoch 1/3

1563/1563 [********************] 208s 133ms/step loss: 2.3021 accuracy: 0.1038 val_loss: 2.3029 val_accuracy: 0.1039

Epoch 2/3

1563/1563 [********************] 209s 133ms/step loss: 2.2964 accuracy: 0.1104 val_loss: 2.3070 val_accuracy: 0.1001

Epoch 3/3

1563/1563 [********************] 209s 58ms/step loss: 2.2743 accuracy: 0.1312 val_loss: 2.3173 val_accuracy: 0.1006

通用格式

  • Epoch Information（轮信息）：显示当前轮数和总轮数。
  • Batch Progress（批进度）：指示批的完成情况。
  • Metrics（指标）：包含训练损失、训练准确率、验证损失和验证准确率。

轮信息


Epoch 1/3
  • 1/3：这表示训练处于第 1 轮，总共 3 轮。

批进度与时间


1563/1563 [********************] - 208s
  • 1563/1563：这里所有 1563 个批已处理完毕。

https://github.com/OpenDocCN/freelearn-dl-zh/tree/master/docs/practical-generative-ai-with-chatgpt---b31559-09-for-true-ep/img/18d2ea938375efcd1ac45b37124193_0

正如你在前面的图中所示，ChatGPT 能够为我们的 CNN 结构和层提供清晰的解释。它还添加了一些注释和提示，例如使用最大池化层有助于减少输入的维度。

在验证阶段解释模型结果时，ChatGPT 也可以提供支持。因此，在将数据划分为训练集和测试集并在训练集上训练模型后，我想看看它在测试集上的性能：

有很多原因说明模型解释性很重要。其中一个关键因素是它缩小了业务用户与代码之间的差距。这对于让业务用户理解模型行为，并将其转化为代码想法至关重要。此外，模型解释性实现了负责任和伦理 AI 的核心原则之一，即 AI 系统思考和行为的透明度。通过模型解释性可以检测模型在生产环境中可能出现的偏见或有害行为，并防止其发生。

总而言之，ChatGPT 在模型解释性背景下可以提供有价值的支持，正如我们在上一个示例所示。

我们将探索的下一个也是最后一个 ChatGPT 功能将是开发者生产力的另一个助力，特别是在一个项目中使用多种编程语言时。

不同编程语言之间的翻译

在第 5 章中，我们看到了 ChatGPT 在不同语言之间翻译的强大能力。令人惊讶的是，自然语言并不是它唯一的翻译对象。事实上，ChatGPT 能够在不同编程语言之间进行翻译，同时保持相同的输出和风格（即它会保留存在的文档字符串）。

在很多情况下，这可能会改变游戏规则。例如，你可能需要学习一种从未见过的新编程语言或统计工具，因为你需要快速交付一个项目。在 ChatGPT 的帮助下，你可以使用熟悉的语言进行编程，然后让它翻译成目标语言，你将在翻译过程中不断学习。

想象一下项目需要用 MATLAB（一种由 MathWorks 开发的专用数值计算和编程软件）交付，而你一直使用 Python。该项目涉及对修改后的美国技术学院（MNIST）数据集图像进行分类（原始数据集描述和相关论文可以在此处找到：http://yann.lecun.com/exdb/mnist/）。该数据集包含了大量的手写数字并经常被用于教授各种图像处理系统。

首先，我编写了以下 Python 代码来初始化一个用于分类的深度学习模型：


import tensorflow as tf

from tensorflow import keras

from tensorflow.keras import layers

# 加载 MNIST数据集

(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()

# 处理数据

x_train = x_train.reshape(-1, 28*28) / 255.0

# 定义模型架构

model = keras.Sequential([

    layers.Dense(256, activation='relu', input_shape=(28*28,)),

    layers.Dense(10, activation='softmax')

])

# 编译模型

model.compile(optimizer='adam', loss='categorical_crossentropy')

# 训练模型

history = model.fit(x_train, y_train, validation_data=(x_test, y_test))

# 评估模型

test_loss, test_acc = model.evaluate(x_test, y_test)

现在让我们看看如果将上述代码作为上下文提供给 ChatGPT 并让它翻译成 MATLAB，会发生什么：

以下是用于在 MNIST 数据集上训练神经网络的 TensorFlow 代码的 MATLAB 版本。

MATLAB 代码


% 加载 MNIST数据集

[xtrain, ytrain, xtest, ytest] = digitTrain4DArrayData;

% 重塑数据并规范化

xtrain = reshape(xtrain, [], 28*28) / 255.0;

xtest = reshape(xtest, [], 28*28) / 255.0;

% 将层转换为分类格式

ytrain = categorical(ytrain);

ytest = categorical(ytest);

% 定义模型架构

layers = [

    fullyConnectedLayer(256, 'Activation', 'relu', 'InputSize', 28*28)

    fullyConnectedLayer(128, 'Activation', 'relu')

    fullyConnectedLayer(10, 'Activation', 'softmax')

];

% 创建神经网络

model = dinnetwork(layerGraph(layers));

% 指定训练选项

options = trainingOptions('adam', ...

    'MaxEpochs', 10, ...

    'MiniBatchSize', 128, ...

    'ValidationData', {xtest, ytest}, ...

    'Verbose', true, ...

    'Plots', 'training-progress');

% 训练模型

trainedNet = trainNetwork(xtrain, ytrain, model.layers, options);

% 评估模型

Vpred = classify(trainedNet, xtest);

tAcc = mean(Vpred == ytest);

disp(['Test accuracy:', num2str(tAcc)]);

图 20 – ChatGPT 将 Python 代码翻译为 MATLAB

让我们也看看它是否能够将其翻译成其他语言，例如 JavaScript（注意，我不需要重复代码，因为它已经在对话上下文中）：

当然！这里是使用 TensorFlow.js 翻译成 JavaScript 的对应代码。

JavaScript 代码


//  TensorFlow.js

import * as tf from '@tensorflow/tfjs';

import { MNISTData } from './data.js'; // 假设你有一个单独的 data.js 文件

async function run() {

  // 加载 MNIST 数据集

  const data = new MNISTData();

  await data.load();

  const [Xtrain, ytrain] = data.getTrainData();

  const [Xtest, ytest] = data.getTestData();

  // 规范化数据

  const xTrainNorm = Xtrain.div(255.0);

  const xTestNorm = Xtest.div(255.0);

  // 定义模型架构

  const model = tf.sequential();

  model.add(tf.layers.dense({units: 256, activation: 'relu', inputShape: [28, 28]}));

  model.add(tf.layers.dense({units: 128, activation: 'relu'}));

  model.add(tf.layers.dense({units: 10, activation: 'softmax'}));

  // 编译模型

  model.compile({

    optimizer: 'adam',

    loss: 'categoricalCrossentropy',

    metrics: ['accuracy']

  });

  // 训练模型

  await model.fit(xTrainNorm, ytrain, {

    epochs: 10,

    batchSize: 32,

    validationSplit: 0.2,

    callbacks: tf.callbacks.earlyStopping({monitor: 'val_loss'})

  });

  // 评估模型

  const evalResult = model.evaluate(xTestNorm, ytest);

  const testAcc = evalResult[1].data()[0];

  console.log('Test accuracy:', testAcc);

}

run();

图 6.21 – ChatGPT 将 Python 代码翻译为 JavaScript

代码翻译还可以缩小新技术与当前编程能力之间的技能差距。

代码翻译的另一个关键意义是应用现代化。事实上，想象一下你想要刷新你的应用栈，即迁移到云端。你可能决定从简单的“平移并迁移”（lift and shift）开始，转向基础设施即服务 (IaaS) 实例（例如 Windows 或 Linux 虚拟机（VMs））。但在第二阶段，你可能希望对应用程序进行重构、重新架构设计或重新构建。

下面的图展示了应用现代化的几种方式：

img/18d2375ac45b_

图 6.22 – 应用现代化的四种方式

事实上，将 COBOL 翻译成更现代的语言。

让我们考虑一个 COBOL 脚本，它读取一个数字，加上 10，然后打印结果。


IDENTIFICATION DIVISION.

PROGRAM-ID. AddTen.

DATA DIVISION.

WORKING-STORAGE SECTION.

01 INPUT-NUMBER      PIC 9(5).

01 RESULT-NUMBER     PIC 9(5).

PROCEDURE DIVISION.

DISPLAY 'Enter a number: '.

ACCEPT INPUT-NUMBER.

COMPUTE RESULT-NUMBER = INPUT-NUMBER + 10

DISPLAY 'Result after adding 10: ' RESULT-NUMBER.

STOP RUN.

我将之前的 COBOL 脚本传递给 ChatGPT，以便其作为上下文。现在让 ChatGPT 将翻译成 C#：

当然！这是翻译成 C# 的对应代码：

C# 代码


using System;

namespace AddTen

{

    class Program

    {

        static void Main(string[] args)

        {

            // 变量声明

            int inputNumber;

            int result;

            // 提示用户输入数字

            Console.Write("Enter a number: ");

            // 读取用户输入并尝试解析为整数

            if (int.TryParse(Console.ReadLine(), out inputNumber))

            {

                // 将输入加 10

                result = inputNumber + 10;

                // 显示结果

                Console.WriteLine("Result after adding 10: " + result);

            }

            else

            {

                // 处理无效输入

                Console.WriteLine("Invalid input. Please enter a valid number.");

            }

        }

    }

}

图 6.23 – ChatGPT 将 COBOL 翻译为 C# 的示例

ChatGPT 这样的工具通过引入了解过去和未来的层，有助于缩小此类及类似场景中的技能差距。

总之，ChatGPT 是应用现代化的有效工具，除了提供代码升级，还能提供宝贵的见和建议。凭借强大的语言处理能力和丰富的知识库，ChatGPT 可以帮助组织简化现代化工作，使过程更快、更高效且有效。

总结

ChatGPT 对于希望提高技能和优化工作流的开发者来说是一个非常有价值的资源。我们首先看到了 ChatGPT 如何生成、优化和调试代码，但我们还涵盖了如辅助代码生成文档、解释我们的机器学习模型以及在不同编程语言之间翻译等更高级的功能。

无论你是资深开发者还是初学者，ChatGPT 都提供了一个强大的学习和成长工具，缩小了代码与自然语言之间的差距。

在下一章中，我们将深入探讨另一个 ChatGPT 可能会成为游戏规则改变者的应用领域：营销。

6 使用 ChatGPT 精通营销

加入我们 Discord 上的书籍社区

https://packt.link/EarlyAccess

在本章中，我们将重点关注营销人员如何利用 ChatGPT，查看 ChatGPT 在该领域的主要用例，以及营销人员如何将其作为一名极具价值的助手。

我们将学习 ChatGPT 如何协助以下活动：

  • 营销人员对 ChatGPT 的需求

  • 新产品开发与进入市场策略（GTM 策略）

  • 用于营销对比的 A/B 测试

  • 通过搜索引擎优化 (SEO) 制作更高效的网站和帖子

  • 文本数据的情绪分析

在本章结束时，你将能够利用 ChatGPT 进行营销相关的活动，并提高你的工作效率。

技术要求

你需要一个 OpenAI 账户来访问 ChatGPT。

营销人员对 ChatGPT 的需求

营销可能是能够以最纯粹的形式发挥 ChatGPT 和 OpenAI 模型创造力的领域。它们可以成为实用的工具，支持新产品、营销活动、搜索引擎优化等方面的创意开发。总而言之，营销人员可以自动化和简化工作的许多方面，同时提高其营销努力的质量和有效性。

这是一个示例。ChatGPT 在营销中最突出且最有前景的用例之一是个性化营销。ChatGPT 可以分析客户数据并生成与个人客户产生共鸣的个性化营销信息。例如，营销团队可以使用 ChatGPT 分析客户数据，并开发针对特定客户偏好和行为定制的定向电子邮件营销活动。这可以增加转化的概率并带来更高的客户满意度。通过提供对客户情绪和行为的洞察、生成个性化营销信息、提供个性化客户支持以及生成内容，ChatGPT 可以帮助营销人员提供卓越的客户体验并推动业务增长。

这是 ChatGPT 在营销中许多应用示例之一。在接下来的章节中，我们将查看 ChatGPT 支持的端到端营销项目的实例。

新产品开发与进入市场策略

你将 ChatGPT 引入营销活动的第一种方法可能是作为新产品开发和进入市场（GTM）策略的助手。

在本节中，我们将查看一个关于如何开发和推广新产品的分步指南。你已经拥有一个名为 RunFast 的跑步服装品牌，到目前为止只生产鞋子，因此你想通过新的产品线扩大业务。我们将从头脑风暴创意来创建 GTM 策略开始。当然，一切都由 ChatGPT 提供支持：

  • 头脑风暴创意：ChatGPT 可以支持你的第一件事是为你新产品线进行头脑风暴并起草方案。它还会提供每个建议背后的逻辑。所以，让我们问问我应该关注什么样的新产品线：

我拥有一个生产跑步鞋的跑步服装品牌。为我的品牌生成 3 个可以作为产品线添加的新产品创意。

内存已更新

以下是你可以添加到跑步服装品牌中的三个新产品创意：

    1. 智能跑步服装：

    • 描述：配备传感器的高科技跑步服，用于监测心率、步数和消耗的卡路里。该服装可能包括衬衫、短裤和袜子，其集成了技术，可以与移动应用程序同步，以提供实时反馈和性能跟踪。

    • 关键特性：透气吸湿面料、与健身应用无缝集成、可清洗的电子设备，以及针对补水和速度的可定制提醒。

    1. 环保跑步装备：

    • 描述：一系列由回收材料制成的环保可持续跑步装备。这可能包括为不同天气条件设计的夹克、紧身裤和帽子，促进环保意识的跑步。

    • 关键特性：回收聚酯面料、可降解包装、耐用且高性能的材料，以及回收旧跑步装备的计划。

    1. 个性化跑步鞋：

    • 描述：根据个人的脚型、跑步风格和偏好定制的跑步鞋。使用先进的 3D 打印技术和用户友好的在线工具，跑步者可以创建完美合脚并反映其风格的鞋子。

    • 关键特性：用于完美贴合的 3D 打印内垫、多种设计选择（颜色、图案、标志）、根据跑步需求选择的材料（越野、路面、马拉松），以及与专家的虚拟试穿课程。

图 7.1 – ChatGPT 生成的新创意的示例

在三个建议中，我们将选择第二个，因为我们可以通过它产生积极的环保影响，并提升我们的品牌声誉。更具体地说，我将从环保跑步袜开始。

  • 产品名称：现在我们已经确定了主意，我们需要为它想一个响亮的名字。再次，我将向 ChatGPT 请求更多选项，以便我从中选出最喜欢的：

我喜欢第二个选项，我将从环保跑步袜开始。为一个响亮的产品线名称生成 5 个选项。

以下是你的环保跑步袜准备的五个响亮产品线名称选项：

    1. GreenStride Socks
    1. EcoPace Performance
    1. Sustainable Sprint
    1. EarthRunner
    1. NatureStep Active

图 7.2 – 潜在产品名称列表

GreenStride 听起来很不错——我就用这个了。

  • 生成响亮的口号：除了产品名称，我还想分享名称背后的意图和产品线的使命，这样我的目标受众就能被吸引。

为“GreenStride”名称生成 3 个口号。它们应该是激励且简洁的。

以下是为“GreenStride”名称生成的三个激励且简洁的口号：

    1. "Run Green, Run Strong."（绿色跑步，强有力。）
    1. "Step Forward, Leave No Trace."（向前迈，不留痕迹。）
    1. "Stride with Purpose."（使命而行。）

图 7.3 – 我的新产品口号列表

太棒了——现在我对产品名称和口号满意了，稍后将用它们来创建一个独特的社交媒体公告。在此之前，我想花更多时间对目标群体进行市场研究。

为了推广 GreenStride 袜子产品线，你应该针对以下细分：

1. 环保型跑步者

  • 描述：重视可持续性和环保产品的个人。他们愿意投资环保替代品，并且通常对环境问题有了解。

  • 人口统计特征：25-45 岁，城市居民，中等及以上收入，在社交媒体上活跃，特别是关注可持续性和健身的平台。

  • 营销渠道：社交媒体活动、环保博客、与环保影响者合作以及可持续性论坛。

2. 健身爱好者

  • 描述：热爱跑步和保持活跃生活方式的人。他们重视高性能装备，对跑步服装的最新趋势和创新感兴趣。

  • 人口统计特征：20-40 岁，男女均，中等及以上收入，经常参加马拉松、比赛和跑步俱乐部。

  • 营销渠道：跑步和健身杂志、跑步活动赞助、在线健身社区以及健身 App 上的定向广告。

3. 健康意识型消费者

  • 描述：关注整体健康的个人，包括体能活动、健康饮食和可持续生活。他们正在寻找支持其健康生活方式和伦理价值观的产品。

  • 人口统计特征：30-50 岁，男女均，中等及以上收入，可能参加瑜伽、普拉提和其他健康活动。

  • 营销渠道：健康与健康博客、与健康影响者合作、电子邮件时事通讯以及关注健康的专卖店。

图 7.4 – 我新产品线要触达的目标群体列表

在受众中考虑到不同的群体是非常重要的，这样你就可以区分你想要传达的信息。在我的情况下，我希望确保我的产品线能够涵盖不同人群，例如竞技型跑步者、休闲跑步者和健身爱好者。

  • 产品变体和销售渠道：根据上述的潜在客户群体，我可以生成更针对特定受众的定制产品变体：

环保型跑步者

  1. 回收纤维性能袜

    • 描述：由 100% 回收材料（包括塑料瓶和废弃织物）制成的袜子。这些袜子为长距离跑步提供了极佳的排湿性和透气性。

    • 核心特性：高透气性、吸湿性、防臭性，脚跟和脚趾处加固以提高耐用性，无缝设计确保舒适度。

  2. 有机棉跑步袜

    • 描述：由有机棉制成的柔软舒适的跑步袜，生长过程中不使用合成化合物或肥料。

    • 核心特性：低致敏性、质地极柔软、自然吸水性且环保。

  3. 竹纤维环保袜

    • 描述：由可持续竹纤维制成的袜子，具有天然的抗菌和吸湿特性。

    • 核心特性：卓越的柔软度、天然抗菌性、优异的透气性并减少对环境的影响。

关注健康的消费者

  1. 压缩袜

    • 描述：梯度压缩袜，旨在改善跑步期间和之后的血液循环并减少肌肉疲劳。

    • 核心特性：增强循环、减轻肌肉疲劳、缩短恢复时间，以及贴合的剪裁以提供额外支撑。

  2. 缓冲袜

    • 描述：提供额外支撑和减震的缓冲跑步袜，是关注关节和肌肉健康的人士理想选择。

    • 核心特性：厚缓冲垫、足弓支撑、减轻对关节的影响，以及适合长距离跑步的松软舒适感。

  3. 防水泡跑步袜

    • 描述：旨在防止水泡的高性能袜子，采用双层设计以获得最大的灵活度和舒适度。

    • 核心特性：双层织物、平滑接缝、吸湿和防摩擦特性。

通过提供这些产品变体，你可以满足环保和关注健康消费者的特定需求和偏好，确保他们的GreenStride产品符合他们对可持续性和性能的预期。

图 7.5 – 产品线变体示例

同样，我也可以要求 ChatGPT 为上述每个群体建议不同的销售渠道：

触达关注健康消费者的最佳渠道

  1. 健康与健康博客及杂志

    • 平台：热门健康博客、在线健康平台和健身杂志。

    • 策略：投稿文章、参与产品评测，并提供侧重于使用 GreenStride 袜子健康益处的赞助内容。

  2. 健身领域与网红

    • 平台：Instagram、YouTube 和 TikTok。

    • 策略：与网红合作，展示 GreenStride 袜子的健康益处，包括改善循环和肌肉支撑。

  3. 在线健身社区和论坛

    • 平台：Reddit、相关论坛以及关注健康的在线社区。

    • 策略：参与讨论，分享成功故事和用户证言，并对使用 GreenStride 袜子跑步和整体健康的益处提供专家建议。

  4. 专注于健康的零售商店

    • 商店：专业健康商店、健身装备店和健康中心。

    • 策略：与这些商店合作销售 GreenStride 袜子，开展促销活动，并提供有关袜子健康益处的教育材料。

通过利用这些针对性渠道，你可以有效地触达并吸引环保型和关注型消费者，推动你的 GreenStride 袜子产品的品牌知名度和销量。

触达环保型跑步者的最佳渠道

  1. 社交媒体营销活动

    • 平台：Instagram、Facebook 和 Pinterest。

    • 策略：使用具有视觉吸引力的内容来强调袜子的环保特性，与环保网红合作，并参与环保意识活动。

  2. 环保博客和网站

    • 平台：热门的环保博客、关注可持续性的网站。

    • 策略：撰写客座文章、参与社区内容互动，并提供关于 GreenStride 袜子生产过程中可持续实践的介绍性文章。

  3. 与环保组织合作

    • 组织：环保非政府组织（NGO）、关注可持续性的跑步俱乐部和环保活动。

    • 策略：赞助活动，为环保马拉松提供产品样品，并与这些组织制定联合营销策略。

  4. 电子邮件通讯

    • 平台：如 Mailchimp 或 Constant Contact 等邮件营销服务。

    • 策略：创建信息丰富的简报，强调 GreenStride 袜子的环保益处，分享关于可持续实践的故事并提供特别优惠。

图 7.6 – ChatGPT 对不同销售渠道的建议

在竞争中脱颖而出：我希望我的产品能在竞争激烈的市场中脱颖而出——我想让它独一无二。带着这个目标，我要求 ChatGPT 包含可持续性和包容性等社会因素。让 ChatGPT 在这方面提供建议：

给我三个简洁的建议，关于如何让我的 GreenStride 袜子系列在竞争市场中脱颖而出且独特。

以下是让你的 GreenStride 袜子系列在竞争市场中脱颖而出且独特的三个简洁建议：

  1. 创新环保材料

    • 使用领先的可持续材料，如回收海洋塑料、有机大麻或可降解纤维。在营销中强调这些独特材料，以突出可持续性。

  2. 增强性能的功能

    • 集成针对性压缩区、吸湿技术和防水泡设计等功能。确保这些功能经过科学验证，并向消费者清晰传达。

  3. 透明的生产流程

    • 从溯源到制造，对你的生产过程提供完全透明化。提供有关劳动条件的详细信息。

图 7.7 – ChatGPT 生成的卓越特性示例

如你所见，它能够生成让我的产品独特的有趣特性。

  • 产品描述：现在是时候开始制定进入市场计划（Go-To-Market plan）了。首先，我想为我的网站生成一个产品描述，包含之前所有的差异化。

使用上述列出的独特差异点为 GreenStride 袜子系列生成一段产品描述（最多 150 字）。它应该是引人注目且有效的，并经过 SEO 优化。完成后请列出你使用的 SEO 关键词。

GreenStride 袜子产品描述

穿着 GreenStride 袜子迈向跑步的未来，由回收海洋塑料和有机大麻等创新环保材料制成。我们的袜子为卓越性能设计，具有针对性压缩区、吸湿技术和防水泡设计，让你在跑步时保持舒适和专注。选择 GreenStride，你不仅是在选择顶级的跑步装备——你是在支持一个可持续的未来。我们致力于透明化，对我们的环保生产过程和公平劳工实践提供全面洞察。用 GreenStride 提升你的步态，在这里可持续性与性能完美契合。

SEO 关键词

  • 环保跑步袜

  • 可持续性能袜

  • 回收材料袜子

  • 有机大麻袜

  • 防水泡跑步袜

  • 吸湿技术

  • 针对性压缩区

  • 透明生产流程

  • 可持续运动服装

公平定价：另一个关键要素是为我们的产品确定公平的价格。由于我针对不同受众（竞技跑步者、休闲跑步者和健身爱好者）区分了产品变体，我也希望有一个考虑到这些分类的价格范围。请注意，在以下示例中，ChatGPT 正在调用网络。

使用搜索插件检索有关当前跑步袜市场定价的更新信息。

考虑到上述两个受众群体以及对跑步袜市场的现状分析，我的袜子系列定在什么价格才合理？

已搜索 6 个网站

根据目前的市场分析，通过考虑类似高品质且环保运动袜的定价趋势，可以为你的“GreenStride”袜子系列确定一个公道的价格。

市场洞察：

1. 价格分段：

  • 低端跑步袜：价格通常在每双 $5-$10 之间。这些袜子通常由基础材料制成，没有先进功能。

  • 中端跑步袜：价格在每双 $10-$20 之间。这一细分市场平衡了质量和可负担性，具有更好的材料和一些先进功能。

  • 高端跑步袜：价格通常在每双 $20 以上。这些袜子包含优质材料、先进技术和可持续性认证。

2. 环保与性能袜：

  • 可持续和性能驱动型袜子的市场正在增长，消费者愿意为高质量、环保的产品付费。Nike 和 Adidas 等品牌在该范围内提供高性能运动袜，价格通常在每双 $15-$25 之间（Mordor Intelligence）（Grand View Research）（Market Data Forecast）。

“GreenStride”跑步袜建议：

考虑到你的目标受众是具有环保意识的跑步者和关注健康的消费者，将你的袜子定位在中等到高价位是合适的。这个价格反映了你的袜子所提供的可持续材料和先进的性能功能。

建议定价：

  • 标准环保性能跑步袜：每双 $15-$18。

  • 高级功能（例如：额外的缓震、先进的吸湿技术）：每双 $20-$25。

这种定价策略符合市场对高品质、可持续运动装的预期，在确保竞争力的同时，突显了“GreenStride”系列的独特价值主张（MAXIMIZE MARKET RESEARCH）（Global Market Insights Inc.）。

图 7.9 – 产品变体的价格范围

我们几乎就完成了。我们已经经历了许多新产品开发和进入市场的各个步骤，在每一步中，ChatGPT 都充当了极好的支持工具。

最后一点，我们可以要求 ChatGPT 生成一个关于我们新产品的 Instagram 帖子，包括相关的标签和 SEO 关键词。然后我们可以使用 DALL-E 生成图像，它是作为 ChatGPT Plus 的嵌入插件提供的。

我想生成一个 Instagram 帖子来宣布 GreenStride 袜的发布。写一条帖子（最多 150 字），包含上述独特功能和差异以及相关的标签。

GreenStride 跑步袜发布 Instagram 帖子

介绍 GreenStride 袜！

与 GreenStride 开启跑步的新纪元，让可持续性与顶级性能完美融合。我们的袜子由回收海洋塑料和有机大麻等创新环保材料制成，提供针对性的压缩、先进的吸湿技术和防磨起设计。每一双袜子的制造都考虑了环境，确保你可以绿色跑步、强健奔跑。👍

加入通往可持续未来的运动，穿上这些不仅性能优异，而且能改变现状的袜子。

关键特性：

  • 回收海洋塑料与有机大麻
  • 针对性压缩区
  • 卓越的吸湿性
  • 防磨起设计

准备好提升你的步幅，让每一步都有意义！👟🌿

GreenStride #环保 #可持续跑步 #绿色跑步 #环保意识者 #运动装 #强健跑步 #性能袜 #吸湿 #防磨起 #健康生活 #可持续时尚

图 7.10 – ChatGPT 生成的社交媒体帖子

而且，在 DALL-E 的特别贡献下：

生成一张 3D 风格的真实的跑步袜插画，彩色粉末爆炸风格，背景参考野外自然

https://github.com/OpenDocCN/freelearn-dl-zh/tree/master/docs/practical-generative-ai-with-chatgpt---b31559-09-for-true-ep/img/d18d2ea938375aefcd1ac45b37a1624b_221_0.png

这是在野外自然背景下具有彩色粉末爆炸效果的 3D 风格真实的跑步袜插画：

这张充满活力且动感的图像完美捕捉了 GreenStride 袜的精髓，强调了它们环保和高性能的品质。

📢 🔄 ↺ ✨ ♡

图 1：由 DALL-E 3 驱动的 ChatGPT 生成的插画示例。

这是最终结果：

介绍 GreenStride 袜！🌿

与 GreenStride 开启跑步的新纪元，让可持续性遇见顶级性能。袜子由回收海洋塑料和有机大麻等创新环保材料制成，提供针对性的压缩、先进的吸湿技术和防磨起设计。每一双袜子的制造都考虑了环境，确保你可以绿色且强健地跑步。🌿🏃‍♂️加入通往可持续未来的运动，穿上这些不仅性能优异，而且能改变现状的袜子。🌊💧

  • 关键特性：
    • 回收海洋塑料与有机大麻
    • 针对性压缩区
    • 卓越的吸湿性
    • 防磨起设计

准备好提升你的步幅，让每一步都有意义！🌿

GreenStride #环保 #可持续跑步 #绿色跑步 #环保意识者 #运动装 #强健跑步 #性能袜 #吸湿 #防磨起

https://github.com/OpenDocCN/freelearn-dl-zh/tree/master/docs/practical-generative-ai-with-chatgpt---b31559-09-for-true-ep/img/d18d2ea938375aefcd1ac45b37a1624b_222_0.png

图 7.11 完全由 ChatGPT 生成 Instagram 帖子

当然，对于产品开发和进入市场来说，这里缺少许多元素。然而，在 DALL-E 的特别贡献下，我们成功脑暴了一个新产品线、潜在客户、吸引人的口号，并最终生成了一个漂亮的 Instagram 帖子来宣布发布！

营销 A/B 测试

另一个 ChatGPT 可以帮助营销人员的有趣领域是 A/B 测试。

营销 A/B 测试是比较两个版本的营销活动、广告或网站以确定哪一个表现更好的方法。在 A/B 测试中，创建两个只更改一个变量。目标是看哪一个版本产生更多效果。

A/B 测试的一个例子可能是测试两个版本的邮件营销活动，或者测试两个版本的网站着陆页。通过衡量每个版本的响应率，营销人员可以确定未来使用哪一个。

A/B 测试允许营销人员优化其活动和元素以实现最大效果，从而获得更好的结果。由于这种方法涉及生成许多变体，ChatGPT 的生成能力绝对可以帮助。

让我们考虑以下例子。我正在推广我开发的新产品：一种针对快速攀爬者的新型轻薄登山袜。我已经做了一些市场调研并了解了目标受众。我也知道该受众的一个绝佳交流渠道是在在线攀爬博客上发布，大多数健身房会员都是其读者。

我的目标是创建一个出色的博客帖子来分享这款新款的发布，我想对它的两个版本进行测试。我即将发布并想作为我的 A/B 测试对象的博客帖子如下：

针对快速攀爬者的轻便登山袜

介绍登山装备界的最新成员

注意攀爬者们！用这款为快速攀爬者设计的新款袜升级你的装备。它比其他任何都要轻，让你移动更快、更高效。

这款袜子在不牺牲安全的情况下提高了速度和性能。它由轻、透气且耐用的材料制成，非常适合初学者和资深攀爬者。现在就最近的装备店，提升你的攀爬体验吧！

图 7.12 – 发布登山装备的博客帖子示例

在这里，ChatGPT 可以在两个层面帮助我们：

  • 第一层是重写文章，使用不同的关键词或不同的吸引人的口号。要这样做，一旦提供了此帖子作为上下文，我们可以要求 ChatGPT 对文章进行处理并稍微更改一些元素：

我正在为一款新款攀爬安全带进行 A/B 测试。我正使用一个攀爬博客作为销售渠道，并发布以下博文。请重新生成以下内容，更改以下元素：标题、副标题和结束句子。

为快速攀爬者设计的轻量化攀爬安全带

攀爬装备世界的最新力作

攀爬者们注意！使用专为快速攀爬者设计的最新安全带升级你的装备。它比任何其他产品都轻，让你的移动更快、更高效。

这款安全带在不牺牲安全性的情况下提升了速度和性能。它由轻质、透气且耐用的材料制成，非常适合新手和资深攀爬者。立即前往最近的装备商店，提升你的攀爬体验吧！

使用我们的新款安全带提升你的攀爬水平

速度与效率的终极装备

嘿，爬者们！升级到我们专为快速攀爬设计的最新安全带。通过我们迄为止最轻的安全带，体验无与伦比的敏捷与高效。

这款安全带的设计旨在确保最大安全的同时增强你的速度和性能，采用轻质、透气且耐用的材料制成。是新手和专家攀爬者的理想选择。今天就光光你喜欢的装备商店，将你的攀爬提升到新高度！

图 7.13 – ChatGPT 生成的新版博文

根据我的要求，ChatGPT 仅重新生成了我要求的元素（标题、副标题和结束句子），这样我可以通过监控两组受众的反应来监测这些元素的有效性。

  • 第二阶段正在进行网页设计，即更改图片的搭配方式而不是按钮的位置。为此，我为在攀爬博客上发布的博文创建了一个简单的网页（你可以在书籍的 GitHub 仓库找到代码，地址为 https://github.com/PacktPublishing/The-Ultimate-Guide-to-ChatGPT-and-OpenAI/tree/main/Chapter%207%20-%20ChatGPT%20for%20Marketers/Code）：

为快速攀爬者设计的轻量化攀爬安全带

攀爬装备世界的最新力作

攀爬者们注意！使用专为快速攀爬者设计的最新安全带升级你的装备。它比任何其他产品都轻，让你的移动更快、更高效。

https://github.com/OpenDocCN/freelearn-dl-zh/tree/master/docs/practical-generative-ai-with-chatgpt---b31559-09-for-true-ep/img/d18d2ea938375aefcd1ac45b37a1624b_228_0.png

这款安全带在不牺牲安全性的情况下提升了速度和性能。它由轻质、透气且耐用的材料制成，非常适合新手和资深攀爬者。

立即前往最近的装备商店，提升你的攀爬体验吧！

图 7.14 – 在攀爬博客上发布的示例博文

我们可以直接向 ChatGPT 提供 HTML 代码，并让它更改某些布局元素，例如按钮的位置或措辞。

例如，相比于“立即购买”（Buy Now），读者可能会被“我想要！”（I want one！）按钮所吸引。

所以，给 ChatGPT 提供 HTML 源代码：

https://github.com/OpenDocCN/freelearn-dl-zh/tree/master/docs/practical-generative-ai-with-chatgpt---b31559-09-for-true-ep/img/d18d2ea938375aefcd1ac45b37a1624b_229_0.png

以下是更新了文本、具有圆角和一致颜色的按钮生成的 HTML 代码：


<!-- Buy Button -->

<a href="http://example.com/buy-now" style="display:inline-block; padding:10px 20px; color:white;">Buy Now</a>

<!-- Share Button -->

<a href="https://www.facebook.com/sharer/sharer.php?u=http://example.com/your-article" target="_blank" style="color:white;">Share</a>

<!-- Feedback Button -->

<a href="http://example.com/feedback" style="display:inline-block; padding:10px 20px; color:white;">Leave Feedback</a>

所有按钮现在都显示文本“我想要！”（针对购买按钮）、半径为 25px 的圆角以及相同的背景颜色 (#4CAF50)。

图 7.14 – ChatGPT 更改 HTML 代码

让我们看看输出是什么样的（我也用 ChatGPT 生成的内容更改了标题、副标题和段落）：

使用我们的新款安全带提升你的攀爬水平

速度与效率的终极装备

嘿，爬者们！升级到我们专为快速攀爬设计的最新安全带。通过我们迄为止最轻的安全带，体验无与伦比的敏捷与高效。

https://github.com/OpenDocCN/freelearn-dl-zh/tree/master/docs/practical-generative-ai-with-chatgpt---b31559-09-for-true-ep/img/d18d2ea938375aefcd1ac45b37a1624b_231_0.png

这款安全带的设计旨在确保最大安全的同时增强你的速度和性能，采用轻质、透气且耐用的材料制成。

是新手和专家攀爬者的理想选择。今天就光你喜欢的装备商店，将你的攀爬提升到新高度！

图 7.15 – 新版本的网站

如你所见，ChatGPT 仅在按钮层面进行了干预，稍微更改了它们的布局、位置、颜色和措辞。

结论，ChatGPT 是营销中 A/B 测试非常有价值的工具。它快速生成相同内容的不同版本的能力可以缩短新活动的上市时间。通过利用 ChatGPT 进行 A/B 测试，你可以优化营销策略，并最终为你的业务带来更好的结果。

助力搜索引擎优化 (SEO)

ChatGPT 另一个可能成为游戏规则改变者的前景领域是搜索引擎优化 (SEO)。这是搜索引擎优化的关键。这是搜索引擎优化的关键。这是搜索引擎优化的关键。这是搜索引擎优化的关键。这是搜索引擎优化的关键。这是搜索引擎优化的关键。这是搜索引擎优化的关键。这是搜索引擎优化的关键。这是搜索引擎优化的关键。这是搜索引擎优化的关键。这是搜索引擎优化的关键。这是搜索引擎优化的关键。这是搜索引擎优化的关键。这是搜索引擎优化的关键。这是搜索引擎优化的关键。这是搜索引擎优化的关键。这是搜索引擎优化的关键。这是搜索引擎优化的关键。这是搜索引擎优化的关键。这是搜索引擎优化的关键。搜索是关键。

SEO 的另一个关键元素是搜索引擎意图。搜索引擎意图，也称为用户意图，是指用户在搜索引擎中进行特定查询的底层目的或目标。理解搜索引擎意图很重要，因为它能帮助企业和营销人员创建更具针对性、更有效的内容和营销策略，以符合搜索者的需求和期望。

搜索意图通常有四种：

  • 信息意图：用户正在寻找有关特定主题或问题的信息，例如“法国的首都是哪里？”或“如何在家制作披萨”。
  • 导航意图：用户正在寻找特定的网站或网页，例如 Facebook 登录 或 Amazon.com。
  • 商业意图：用户想要购买产品或服务，但可能还没有最终决定。商业意图搜索的示例包括1000美元以下最佳笔记本电脑或在线折扣鞋子。
  • 交易意图：用户有一个完成交易的特定目标，这可能指的是实体购买或订阅服务。交易意图的示例可以是购买 iPhone 13或注册健身房会员。

通过理解特定搜索查询背后的意图，企业和营销人员可以创建更有针对性且有效的内容，以满足目标受众的需求和期望。这可以提高搜索引擎排名、增加流量并并带来更多的转化和收入。

现在，问题是，ChatGPT 是否能够确定给定请求的意图？在回答之前，值得注意的是，推断给定提示词（prompt）意图活动是大语言模型（LLMs）（包括 GPT）的核心业务。因此，ChatGPT 绝对能够捕捉提示词的意图。

这里的额外价值在于，我们想看看 ChatGPT 是否能够在一个具有精确分类法的精确领域内（即营销领域）确定意图。这就是为什么提示词设计（prompt design）在引导 ChatGPT 向正确方向发展时再次变得至关重要。

根据搜索意图（无论是商业、交易、导航还是信息型）对上述关键词列表分组。

以下是按搜索意图分类的关键词列表：

商业意图

    1. 时尚手套
    1. 皮质手套

交易意图

    1. 帽子
    1. 手套
    1. 冬帽
    1. 男式帽子
    1. 女式手套
    1. 冷地帽

导航意图

（提供的关键词中没有符合此类别的，因为它们更侧重于特定产品的搜索。）

信息意图

（提供的关键词中没有符合此类别的，因为它们更侧重于特定产品的搜索。）

这些关键词反映了用户想要购买特定类型的帽子和手套（交易型），或探索时尚和材料选择（商业型）的意图。这种分类有助于为了 SEO 目的更有效地理解和定位于目标受众。

图 7.18 – ChatGPT 按用户意图聚类的关键词示例

最后，我们还可以更进一步，再次利用我们在第 3 章中提到过的“作为……（Act as...）”技巧。如果能对我们的网站进行评估并理解它是否按照预期进行了优化，将非常有趣。在营销中，这种分析被称为 SEO 审计。SEO 审计是对网站 SEO 性能和潜在改进区域的评估。SEO 审计通常由 SEO 专家、Web 开发人员或营销人员进行，涉及对网站技术架构、内容和反链配置的全面分析。

在进行 SEO 审计期间，审计员通常使用一系列工具和技术来识别改进区域，如关键词分析、网站速度分析、网站架构分析和内容分析。审计员随后将生成报告，列出关键问题、改进机会以及解决这些问题的建议行动。

让我们让 ChatGPT 扮演 SEO 专家来执行此审计。作为参考网站，我们将使用上面提到的攀岩博客。我将把代码交给 ChatGPT 并要求其执行以下指令：“扮演 SEO 专家，并对上述 HTML 代码生成一份简短的 SEO 审计（最多 300 字）”。这是回复：

为“用于快速攀爬者的轻型攀岩安全带”网页进行的 SEO 审计

标题与描述

  • 标题：‘用于快速攀爬者的轻型攀岩安全带’简洁且包含相关关键词；添加更多内容或独特的卖点可以提高清晰度。例如，“用于快速攀爬者的轻型攀岩安全带 - 性能与安全’。
  • 元描述（Meta Description）：缺少元描述；添加带有关键词的元描述可以提高搜索引擎的可见性。例如：“发现我们专为快速攀爬者设计的轻型攀岩安全带。使用我们耐用透气的安全带，移动得更快、更安全。”

内容优化

  • 标题：使用标题（H2, H3）很好；将关键词整合到标题中可以提高 SEO。
  • 关键词：内容包含了如‘攀岩安全带’和‘快速攀爬者’等相关关键词。其他关键词如‘轻型安全带’、‘登山装备’和‘性能攀岩’应该自然整合。

图像优化

  • Alt 文本：Alt 文本‘climbing harness’安全带）是合适的，但可以更具描述性。例如：“用于快速攀爬者的轻型攀岩安全带”。
  • 文件名：文件名具有描述性并包含关键词，例如 lightweight-climbing-harness.jpg。

内部链接

  • 链接：页面缺少内部链接；链接到相关产品或博客文章可以提高 SEO 和用户体验。例如，“了解更多关于我们的攀岩装备”。

URL 结构

  • URL：URL 是占位符。确保最终 URL 简洁洁且包含关键词，例如 http://example.com/buy-climbing-harness。

移动端优化

  • 响应式设计：网站使用了响应式设计，这对 SEO 是有利的。确保所有元素都手机手机。

行动号召 (CTA)

  • 按钮：CTA 清晰，但可以添加更多描述性文本以进行 SEO。例如，使用‘立即购买 - 轻型攀岩安全带’而不是‘立即购买’

加载时间

  • 性能：网站的加载时间和优化可以提高速度，因为快速的加载可以提升用户体验和 SEO。

SEO 关键词

    1. 轻型攀岩安全带
    1. 快速攀爬者装备
    1. 登山装备
    1. 性能攀岩安全带
    1. 透气攀岩安全带
    1. 耐用攀岩安全带
    1. Best攀岩安全带
    1. 登山安全装备

结论

增强标签、整合更多相关关键词、添加内部链接和增强移动端优化将显著提高该网站的 SEO 性能。

图 7.19 – ChatGPT 对攀岩博客的 HTML 代码生成 SEO 审计。

ChatGPT 能够生成相当准确的分析，带有相关的评论和建议。总体来说，ChatGPT 在 SEO 相关的活动方面具有有趣的潜力，对于任何想要从零开始改进网站或想改进现有网站的人来说，都是一个很好的工具。

通过情感分析提高质量并增加满意度

情感分析是营销中常用的一种技术，用于分析和解释客户对品牌、产品或服务的情绪和观点。它涉及自然语言处理（NLP）和机器学习（ML）算法的使用，以识别和分类社交媒体帖子、客户评论等文本数据。

通过执行情感分析，营销人员可以获得洞察，识别改进区域并做出数据驱动的决策以优化营销策略。例如，他们可以跟踪客户评论的情感，以识别哪些产品或服务收到了积极或负面的反馈。总体来说，情感分析是一个价值工具。

情感分析已经存在一段时间了，你可能会好奇 ChatGPT 能带来什么额外价值。除了分析的准确性（它是目前最强大的模型）之外，ChatGPT 与情感分析工具的区别在于它是通用智能（AGI）。这意味着当我们使用 ChatGPT 进行情感分析时，并不是使用其特定的 API 来完成任务：ChatGPT 和 OpenAI 模型的核心理念是它们可以协助用户完成许多通用任务，与任务交互并根据用户请求更改分析范围。

因此，ChatGPT 绝对能够捕捉给定文本（如推文或产品评论）的情感。然而， ChatGPT 还可以进一步识别对产品或品牌产生积极或负面影响的特定方面。例如，如果客户经常以负面方式提到产品的某个功能，ChatGPT 可以将该功能标记为改进区域。或者，ChatGPT 可能被要求对一条特别敏感的评论生成回复，考虑到评论的情感并将其作为回复的背景。再次，它可以生成报告，总结评论或评论中发现的所有负面和积极元素并将它们归类。

让我们考虑以下示例。一位客户最近从我的电子商务公司 RunFast 购买了一双鞋，并留下了以下评论：

“我最近购买了 RunFast Prodigy 鞋子，我的心情很复杂。它们非常舒适，具有出色的缓冲和支撑作用，减少了我跑步时的足部疲劳。设计也很吸引人，我也收到了几次赞美。然而，耐用性令人失望；外底磨损很快，透气的鞋面在穿几次后就出现了磨损迹象。我

几周。考虑到高昂的价格

让我们让 ChatGPT 捕捉这条评论的情感：

我收到了以下评论：

“我最近购买了 RunFast Prodigy 运动鞋，感觉很复杂。它们非常舒适，具有卓越的缓震和支撑性，减少了我跑步时的足部疲劳。设计也很吸引人，我收到了好几次赞美。然而，耐用性令人失望；外底磨损很快，透气鞋面在几周后就出现了磨损迹象。考虑到价格高昂，尽管它们舒适且漂亮，但我犹豫推荐。”

分析这条评论的情感并将其分类为积极、消极或中性。

对 RunFast Prodigy 运动鞋的评论显示出中性情感。

积极方面

  • 舒适性：“非常舒适，具有卓越的缓震和支撑性。”
  • 设计：“视觉上吸引人并收到了好几次赞美。”

负面方面

  • 耐用性：“外底磨损很快，透气鞋面在几周后就出现了磨损迹象。”
  • 价格：“考虑到价格高昂，我犹豫推荐。”

分析

虽然评论者欣赏鞋子的舒适度和设计，但他们对耐用性非常担心，而且鉴于这些问题，高昂的价格并不合理。评论平衡了积极和消极两点，导致整体情感呈中性。

图 7.20 – ChatGPT 分析客户评论

从上图图中，我们可以看到 ChatGPT 并没有局限于仅提供一个标签：它还解释了描述该评论的积极和消极元素，该评论具有复杂的感受，因此可以被标记为整体中性。

让我们尝试深入探讨，并就如何改进产品提出一些建议：

根据之前的评论，我应该如何改进 RunFast Prodigy 运动鞋？输出应为表格。

这里是根据评论概述 RunFast Prodigy 运动鞋潜在改进方案的表格：

方面 当前反馈 建议的改进
舒适性 非常舒适，具有卓越的缓震和支撑性 维持目前的缓震和支撑功能。
设计 视觉上吸引人并收到了好几次赞美 继续提供吸引人的设计；考虑更多颜色和款式选择。
耐用性 - 外底 外底磨损很快 外底使用更耐用的材料以增加使用寿命。
耐用性 - 鞋面 透气鞋面在几周后就出现了磨损迹象 在保持透气的同时增强鞋面材料的耐用性。
价格 价格高且对耐用性担忧 通过提高耐用性使高价合理化，或考虑调整价格。

备注：

  1. 外层材料： 研究并引入外底等先进耐磨材料（如橡胶）。
  2. 鞋面材料： 利用高质量合成纤维或加固网布，兼顾耐用性和透气性。
  3. 定价策略： 根据所做的改进重新评估定价策略。增强的耐用性能可以让溢价变得合理，或引入分级定价模型以满足不同细分市场。
  4. 客户反馈： 定期收集并分析客户反馈，不断完善产品并解决任何反复出现的问题。

图 7.21 – 根据客户反馈改进产品的建议

最后，让我们对客户生成一个回复，表明我们作为公司关心客户的反馈，并希望改进我们的产品。

针对之前的客户评论生成一个回复，说明我们正在根据你之前分享的建议不断改进我们的产品。

以下是给客户评论的回复：

亲爱的客户：

感谢您对 RunFast Prodigy 运动鞋的详细评论。我们感谢您的反馈，并致力于不断改进我们的产品以满足您的期望。

听到您觉得这些鞋子非常舒适且视觉上吸引人，我们感到非常高兴。您对缓震、支撑和设计的正面评价对我们来说意义重大。

然而，听到您遭遇了耐用性问题，我们深表遗憾。我们重视您的关注，并向您保证我们正在积极进行改进。具体来说，我们正在：

  • 改进外底： 我们正在研究并为外底引入更耐用的材料，以确保其经受长时间强度使用。
  • 增强鞋面材料： 我们正在探索高质量的合成纤维和加固网布，在保持透气的同时显著提高耐用性。

我们的目标是提供通过卓越的质量和寿命证明其价格价值的产品。您的反馈帮助我们更接近这一目标。

再次感谢您的宝贵意见。如果您有任何进一步的建议或其他问题，请随时与我们联系。

顺颂商祺。

RunFast 团队

https://github.com/OpenDocCN/freelearn-dl-zh/tree/master/docs/practical-generative-ai-with-chatgpt---b31559-09-for-true-ep/img/d18d2ea938375aefcd1ac45b37a1624b_244_0.png

图 7.22 – ChatGPT 生成的回复

我们看到的示例非常简单，只有一条评论。现在想象一下我们有成千上万条评论，以及接收反馈的多种销售渠道。想象一下 ChatGPT 和 OpenAI 模型等工具的力量，它们能够分析并整合所有这些信息，识别您产品的优缺点，并捕捉客户趋势和购物习惯。此外，对于客户服务和留存，我们还可以使用我们偏好的写作风格自动回复评论。事实上，通过定制您的聊天机器人的语言和语气来满足客户的特定需求和期望，您可以创建更具参与感且更有效的客户体验。

以下是一些示例：

  • 同理心聊天机器人：一种使用同理心的语气和语言与可能遇到问题或在敏感问题上需要帮助的客户进行交互的机器人。
  • 专业聊天机器人：一种使用专业的语气和语言与可能寻找特定信息或需要技术问题帮助的客户进行交互的机器人。
  • 对话聊天机器人：一种使用随和友好的语气与可能寻求个性化体验或有一般查询的客户进行交互的机器人。
  • 幽默聊天机器人：一种使用幽默和风趣语言与可能寻求轻松体验或缓解紧张局面的客户进行交互的机器人。
  • 教育型聊天机器人：一种使用教学沟通风格与可能希望了解更多产品或服务的客户进行交互的机器人。

总之，ChatGPT 可以是企业进行情感分析、提高质量和留住客户的强大工具。凭借先进的语言处理能力，ChatGPT 可以实时准确分析客户反馈和评论，为企业提供有关情感和偏好的价值见解。通过将 ChatGPT 作为体验策略的一部分，企业可以快速识别影响客户满意度的问题并采取纠正措施。

总结

在本章中，我们探索了营销人员利用 ChatGPT 增强营销策略的方法。我们了解到 ChatGPT 可以帮助开发新产品，还可以定义进入市场策略、设计 A/B 测试、增强 SEO 分析以及捕捉评论、社交媒体帖子和其他客户反馈的情感。

ChatGPT 对营销人员的重要性在于它具有改变公司与客户互动方式的潜力。通过自然语言处理（NLP）、机器学习（ML）和大数据的力量，ChatGPT 允许公司创建更个性化和相关的营销信息，提高客户支持和满意度，并驱动销售和收入。

随着 ChatGPT 的不断进步和演变，我们可能会看到它更多地参与营销行业，特别是在公司与客户互动的方式上。事实上，深度依赖 AI 让公司对客户行为和偏好获得更深入的见解。

营销人员的关键要点是拥抱这些变化并适应 AI 驱动营销的新现实，以便在竞争中保持领先并满足客户的需求。

在下一章中，我们将介绍本书涵盖的 ChatGPT 应用的第三也是最后一个领域——研究。

7 用 ChatGPT 重塑研究

加入我们的 Discord 书籍社区

https://github.com/OpenDocCN/freelearn-dl-zh/tree/master/docs/practical-generative-ai-with-chatgpt---b31559-09-for-true-ep/img/d18d2ea938375aefcd1ac45b37a1624b_249_0.png

https://packt.link/EarlyAccess

在本章中，我们将重点关注希望利用 ChatGPT 的研究人员。本章将介绍 ChatGPT 可以解决的几个主要用例，以便你能够从具体的示例中学习如何在研究中使用 ChatGPT。

在本章结束时，你将熟悉如何以多种方式将 ChatGPT 作为研究助手，包括以下：

  • 研究人员对 ChatGPT 的需求
  • 为你的研究头脑风暴文献
  • 为实验的设计和框架提供支持
  • 生成并格式化参考文献以将其纳入你的研究中
  • 针对不同受众交付关于你研究的推介或幻灯片演示

本章还将提供示例，并让你亲自尝试这些提示（prompts）。

研究人员对 ChatGPT 的需求

对于各个领域的研究人员来说，ChatGPT 可以是一个非常有价值的资源。作为一个在海量数据上训练的复杂语言模型，ChatGPT 可以快速准确地处理大量信息，并生成通过传统研究方法难以发现或耗费时间发现的见解。

此外，ChatGPT 可以通过分析人类研究人员可能无法立即发现的模式和趋势，为研究人员提供其领域的独特视角。例如，想象一位正在研究气候变化并希望理解公众对这一问题的认知的研究人员。他们请求 ChatGPT 分析与气候变化相关的社交媒体数据，并识别网上人们表达的最常见主题和情绪。然后 ChatGPT 可以为研究人员提供一份详尽的报告，列出与此主题相关的常见词汇、短语和情感，以及任何可能了解的新趋势或模式。

通过与 ChatGPT 合作，研究人员可以获得尖端技术和见解，并处于他们领域的前沿。

现在让我们深入探讨 ChatGPT 提高研究效率的四个用例。

本章中提出的大多数示例都是基于最新的信息；事实上，你会经常看到 ChatGPT 利用网络搜索插件。如果你使用的是带有 GPT-3.5-turbo 的 ChatGPT（即免费版），请记住它没有启用网络搜索插件，因此，它的知识截止日期限制在 2021 年。如果你正在寻找更新的信息，并且通常情况下需要来自网页的引用（以便你双重检查回答的可靠性），这可能是一个局限性。

为你的研究头脑风暴文献

文献综述是对特定主题或问题的已发表研究进行检查的一项关键且系统的过程。它涉及搜索、回顾和综述相关的已发表研究和其他来源，如书籍、会议论文和灰色文献。文献综述的目标是识别特定领域内的研究空白、不一致之处以及进一步研究的机会。

文献综述过程通常涉及以下步骤：

  1. 定义研究问题： 进行文献综述的第一步是定义感兴趣主题的研究问题。那么，假设我们正在进行一项关于社交媒体对心理健康影响的研究。现在我们有兴趣头脑风暴一些可能的研究问题以集中我们的研究重点，我们可以利用 ChatGPT 来实现这一点：

“我有兴趣开展一项关于社交媒体对心理健康影响的研究。请为我生成 3 个潜在的研究问题，以便我集中我的研究重点。”

“好的，这里有三个你在开展关于社交媒体对心理健康影响的研究时可以关注的潜在研究问题：”

  1. 社交媒体的使用频率和类型如何影响青少年青少年的焦虑和抑郁水平？

    • 这个问题可以帮助探索在社交媒体上花费的时间、消费内容的性质及其对青少年的心理影响之间的相关性。

  2. 社交媒体在影响年轻人的身体形象和自尊心方面起着什么作用？

    • 这个问题侧重于理解社交媒体平台上的理想化图像和生活方式如何影响年轻人的自我感知和自信水平。

  3. 社交媒体互动和在线支持社区以何种方式影响患有慢性心理健康状况个人的心理健康？

    • 这个问题旨在检查在线社交互动和支持小组对已经面临心理健康挑战的人的积极和消极影响。

图 8.1 – 基于给定主题的研究问题示例

这些都是可以进一步调查的问题。由于我对第一个特别感兴趣——“社交媒体互动和在线支持社区以何种方式影响患有慢性心理健康状况个人的心理健康？”我将保留它作为我们分析后续步骤的参考。

搜索文献

现在我们已经有了问题，下一步是使用各种数据库、搜索引擎和其他来源搜索相关文献。研究人员可以使用特定的关键词和搜索术语来帮助识别相关研究。

https://github.com/OpenDocCN/freelearn-dl-zh/tree/master/docs/practical-generative-ai-with-chatgpt---b31559-09-for-true-ep/img/d18d2ea938375aefcd1ac45b37a1624b_254_0.png

以下是支持你关于社交媒体对青少年焦虑和抑郁影响的研究的相关参考文献：

  1. 青少年社交媒体使用与抑郁的范围综述：

    • 参考文献：Alassaaf, Gilbert, Nipha, Basha, Mahmood, and Movahed Housel, Richards, 2020.
    • 摘要：该综述调查了社交媒体使用与抑郁、焦虑和睡眠差等结果之间的联系。综述强调，需要更多研究通过贡献这些关系来提供支持，并开发评估方法。
    • 链接：MDR 范围综述 (MDR)

  2. 问题社交网络使用与焦虑症状的关联：系统综述和元分析

    • 参考文献：BMC Psychiatry, 2023.
    • 摘要：这项系统综述和元分析检查了问题性社交网络使用（PSNU）与焦虑症状之间的关系。它包含了来自68项研究关于广泛焦虑、社交焦虑和错失恐惧症（FOMO）的数据。结果强调了 PSNU 与焦虑症状增加之间存在显著关联，表明需要干预措施来解决问题社交媒体使用。
    • 链接：BMC Psychiatry (BioMed Central)

  3. 社交媒体焦虑：来自哈佛大学教育学院的见解，2017。

    • 参考文献：Leah Shafer; Harvard Graduate School of Education, 2017.
    • 摘要：这篇文章探讨了社交媒体使用与每天在社交媒体上花费小时的青少年之间的复杂关系。文章还强调社交媒体可以是不断的联系来源，但对某些青少年来说，它也是焦虑和担忧的来源，父母应该根据个人需求调整方法，而不是反对使用社交媒体。
    • 链接：哈佛大学教育学院 (Harvard Graduate School of Education)

图 8.2 – 使用 ChatGPT 搜索文献

在根据 ChatGPT 的建议之后，我们可以深入研究这些参考文献。

  1. 搜索文献：一旦确定了相关文献，下一步是筛选研究以确定它们是否符合综述的纳入标准。这通常涉及审查研究的摘要，并在必要时阅读全文。

例如，假设我们想要深入研究社交媒体与青少年焦虑：哈佛大学研究生教育学院的见解这篇研究论文。让我们让 ChatGPT 为我们进行筛选：

详述研究论文“社交媒体与青少年焦虑：哈佛大学研究生教育学院的见解”。突出其研究问题和讨论的主要主题（字数控制在200字以内）

来自哈佛大学研究生教育学院的《社交媒体与青少年焦虑》文章调查了社交媒体使用与青少年焦虑之间复杂的关系。它所解决的核心研究问题是：社交媒体如何导致青少年焦虑水平的上升，父母可以做什么来帮助孩子应对这些压力？

讨论的主要主题

  1. 文章讨论了随着社交媒体使用的增加，青少年中焦虑、抑郁和自杀念头的显著增加。它强调了一些研究，表明每天在社交媒体上花费数小时的青少年更容易表现出焦虑和抑郁症状。
  2. 发展方面的关注：它解释了青少年从社交媒体中感受到的许多压力与围绕社会地位和自我表达的正常发育担忧是一致的，而社交媒体会放大这些担忧。
  3. 家长指导：文章为父母如何帮助孩子管理社交媒体使用提供了指导。它建议，父母与其完全否定社交媒体，不如根据孩子的个体需求定制自己的方法，帮助他们负责任地应对数字世界。
  4. 赋能与积极方面：它也承认了社交媒体的积极方面，例如与他人联系、提高意识和分享经验的能力，这对某些青少年来说是赋能且提振的。

总体，文章强调了对社交媒体对青少年心理健康影响进行细致理解的重要性，并为父母支持孩子提供了实用的建议。

欲了解更多详细信息，您可以在此处阅读全文（[哈佛大学研究生教育学院]）。

图 8.3 – 特定论文的文献筛选

ChatGPT 能够为我提供该论文的概述，考虑到它的研究问题和讨论的主要主题，我认为它对我自己的研究非常有帮助。

  1. 提取数据：在确定相关研究后，研究人员需要从每项研究中提取数据，例如研究设计、样本量、数据收集方法和主要发现。

例如，假设我们想从 Hinduja 和 Patchin (2018) 的论文《数字自残：流行率、动机和结果》中收集以下信息：

  • 论文收集的数据源和研究对象
  • 研究人员采用的数据收集方法
  • 数据样本量
  • 分析的主要局限性和缺点
  • 研究人员采用的实验设计

操作过程如下：

提取关于论文《问题性社交网络使用与焦虑症状之间的关联：系统性评价和元分析》的以下信息。输出应以表格形式呈现。

  1. 论文收集的数据源和研究对象
  2. 研究人员采用的数据收集方法
  3. 数据样本量
  4. 分析的主要局限性和缺点
  5. 研究人员采用的实验设计

以下是从论文《问题性社交网络使用与焦虑症状之间的关联：系统性评价和元分析》中提取的表格格式信息：

类别 详情
收集的数据源 从多项研究中收集的数据，研究了问题性社交网络使用 (PSNU) 与焦虑症状之间的关系。
研究对象 分析 PSNU 与不同类型焦虑症状之间的关联，包括广泛性焦虑、社交焦虑、依恋焦虑和错失恐惧症 (FOMO)。
数据收集方法 对现有文献进行系统性评价和元分析。研究人员进行了全面的数据库检索，筛选了符合纳入标准的研究。
数据样本量 元分析包含 172 条记录，涉及 209 个独立效应量，涵盖了各种人口统计和焦虑类型。
主要局限性和缺点 - 纳入的研究在样本特征和测量工具方面存在异质性。 - 潜在的发表偏倚以及纳入研究的质量不一。 - 由于许多研究的横截面性质，建立因果关系的能力有限。
采用的实验设计 使用随机效应模型进行数据分析以考虑研究之间的变异性。进行了亚组分析和元回归以检查调节效应。

欲了解更多细节，您可以在此处访问 BMC Psychology 上的论文全文（[BioMed Central]）。

图 8.4 – 从给定论文提取相关数据和框架

文献综合

文献综述过程的最后一步是综合研究结果，并对该领域的现有知识水平得出结论。这可能涉及识别共同主题、突出文献中的空白或不一致之处，并确定未来研究的机会。

让我们想象一下，除了 ChatGPT 提出的论文外，我们还收集了其他想要综合的标题和论文。具体来说，我想了解它们是否得出相同的结论，有哪些共同趋势，哪种方法可能比其他方法更可靠。在这种情况下，我们将考虑三篇研究论文：

结果显示如下：

结论、研究方法及考量

  1. Grant Boason 写的《社交媒体对心理健康的影响：一项拟议的研究》结论：该研究采用了控制实验设置，关注 Instagram、Facebook 或完全不使用社交媒体。预期结果包括心理痛苦增加、自尊心下降和抑郁症状增加。
  • 对心理健康的影响：所有研究都承认社交媒体影响的双重性，具有益处（增强认知、自尊）和风险（焦虑、抑郁）。
  • 研究方法：研究使用患者健康问卷-8 (PHQ-8)：罗森堡自评量表来衡量抑郁症状。
  • 方法论：混合方法很常见，结合了定量问卷和定性访谈，以提供深度。

文献分析与研究设计支持

文献分析

关于可靠性的考量

研究设计包含控制实验组，但可能存在影响可靠性的外部因素。

研究结论摘要

Vardhan Patel 写的《社交媒体对心理健康的影响》结论：这项研究突显了社交媒体对健康的积极和负面影响，指出社交媒体可以增强联系和自尊心。欲了解有关每项研究的更多详细信息，您可以直接访问各自的来源。

研究方法

该研究采用混合方法，包括定量调查和访谈，以收集有关用户体验和心理结果的全面数据。

参考文献

  • Grant Boason 的论文
  • Vardhan Patel 的论文
  • Sarah Nicole Knight 和 Bobbie Row Paris 的研究

关于可靠性的考量

结合定量和定性数据可以评估发现的可靠性，但经验的差异和报告偏差仍然是潜在问题。


图 8.5 – 文献分析及对三篇研究论文进行基准测试

此外，在这种情况下，ChatGPT 能够对提供的三篇论文产生相关的总结和分析，包括方法之间的基准比较和可靠性考量。

总体而言，ChatGPT 能够在文献综述领域完成许多活动，从研究脑风暴到文献综合。尽管领域专家 (SME) 在循环中审查结果，但在这种帮助下，许多活动可以更高效地完成。

ChatGPT 支持的另一个活动是研究人员需要执行的实验设计。我们将在后面讨论这一点。

为你的实验设计和框架提供支持

实验设计是计划和执行科学实验或研究以回答研究问题的过程。它涉及对研究设计、待测量的变量、样本量以及数据收集和分析程序做出决策。

ChatGPT 可以帮助研究中的实验设计，通过为你建议研究框架（例如随机对照试验、准实验设计或相关性研究），并在该设计的实施过程中提供支持。

让我们考虑以下场景。我们想要调查一项新教育计划对学生数学学习成果的影响。这项新计划涉及项目制学习（PBL），这意味着学生被要求合作完成现实项目，使用数学概念和技能来解决问题并创建解决方案。

为了这一目的，我们将研究问题定义如下：

新的 PBL 项目在提高学生表现方面与传统教学方法相比如何？

以下是 ChatGPT 如何提供帮助的：

确定研究设计

ChatGPT 可以协助为研究问题确定合适的研究设计，例如随机对照试验、准实验设计或相关性研究。

我想针对以下研究问题设计实验：“新的项目制学习计划在提高学生表现方面与传统教学方法相比如何？”为了实现这一目标，我应该进行什么样的研究设计？请用不超过 200 字的话解释。

为了比较新的项目制学习（PBL）计划与传统教学方法在提高学生表现方面，请设计一个随机对照试验 (RCT)。

研究设计

  1. 参与者： 招募足够数量的学生，并将他们随机分配到 PBL 组（实验组）或传统教学组（控制组）。
  2. 前测： 对两组学生进行标准化测试，以衡量他们的基准表现。
  3. 干预： 在一段时期内，在实验组实施 PBL 计划，并在控制组继续传统的教学方法。
  4. 后测： 干预后，对两组学生进行相同的标准化测试。
  5. 数据分析： 使用协方差分析（ANCOVA）等统计方法比较前后测试的得分以及组间差异，以控制任何基准差异。

这种设计允许对 PBL 与传统教学方法的有效性进行稳健比较，最大限度地减少偏差，并为因果关系提供强有力的证据。

ChatGPT 建议进行随机对照试验 (RCT)，并对其理由提供了清晰的解释。在我看来采用这种方法是合理的：下一步将是确定实验中要考虑的衡量指标和变量。

识别衡量指标

ChatGPT 可以帮助你识别一些潜在的衡量指标以确定测试结果。让我们为我们的研究寻求一些建议：

我想在一项带有 RCT 的研究中，比较新的项目制学习计划与传统教学方法在提高学生表现方面的差异。可能的衡量指标有哪些？

在比较项目制学习（PBL）和传统教学方法的随机对照试验（RCT）中，评估学生表现的可能衡量指标包括：

  1. 学术成就： 通过标准化测试分数、分级和考试结果衡量。
  2. 批判性思维能力： 使用批判性思维评估和解决问题的任务进行评估。
  3. 参与度和积极动力： 通过学生问卷、考勤记录和参与率进行评估。
  4. 协作技能： 通过同伴评价和小组项目成果衡量。
  5. 知识留存： 通过比较在一段时间后进行的随访测试的表现进行评估。
  6. 学习态度： 通过衡量学生对学习过程的态度和感知的问卷进行评估。
  7. 教师观察： 从教师评估以及对学生行为和参与度的观察中收集定性数据。

这些指标提供了全面评估 PBL 与传统方法相比在提高学生表现各个方面方面的有效性。


图 8.7 – 给定研究学习的学习成果

我选择测试分数作为衡量指标是合理的。

识别变量

ChatGPT 可以帮助研究人员识别研究中的自变量和因变量：

我想在一项带有 RCT 的研究中，比较新的项目制学习计划与传统教学方法在提高学生表现方面的差异。我应该在研究中包含哪些变量？输出应为表格格式

以下是你的研究中应包含的变量表：

变量 描述
自变量 教学方法：项目制学习 (PBL) 对比 传统教学方法
因变量 学术成就：测试分数、分级、考试结果
批判性思维能力：在批判性思维评估中的表现
参与度和积极动力：问卷回复、考勤、参与率
协作技能：同伴评价、小组项目成果
知识留存：随访测试表现
学习态度：关于学生态度和感知的问卷回复
控制变量 学生人口统计：年龄、性别、社会经济状况
基准学术表现：前测分数、之前的成绩
教师特征：教学经验、培训
班级规模：每个班的学生人数
课程内容：两种教学方法涵盖内容的相似性

这些变量将帮助你全面评估 PBL 计划与传统教学方法相比的有效性。


图 8.8 – ChatGPT 为给定研究生成变量

请注意，ChatGPT 还能生成针对我们正在考虑的研究设计（RCT）的特定变量，被称为控制变量。

控制变量，也称为协变量，是在研究中保持不变或受控制的变量，以孤立自变量与因变量之间的关系。这些变量不是研究的重点，但包含它们是为了最大限度地减少混杂变量对结果的影响。通过控制这些变量，研究人员可以降低获得假阳性或假阴性结果的风险，并增加研究的内部效度。

有了上述变量，我们已经准备好建立实验了。现在我们需要选择参与者，ChatGPT 可以帮助我们。

抽样策略

ChatGPT 可以为研究建议潜在的抽样策略：

我需要为我的 RCT 选择参与者，该研究关于新的项目制学习计划在提高学生表现方面的有效性，对比传统教学方法。生成一个关于如何抽样参与者的分步指南（不超过 200 字），说明抽样技术以及为什么它们可能是有效的。输出应为表格格式。

步骤 描述 理由
1. 定义总体 识别目标总体（例如，特定地区的中学学生） 确保研究结果与目标群体相关。
2. 获取批准 获得学校、家长和学生的许可。 伦理要求并确保参与度。
3. 随机抽样 使用随机抽样从目标总体中选择具有代表性的学生子集。 减少选择偏差并确保每个学生都有机会。
4. 按关键特征分层 根据年级和之前的学术表现等特征对样本进行分层。 确保分组平衡并控制混杂变量。
5. 随机分配 将学生随机分配到 PBL 组或传统教学组。 确保组间的可比性并最大限度地减少偏差。
6. 确定样本量 使用功效分析计算所需的样本量以检测显著效应。 确保研究有足够的功效来检测显著差异。
7. 收集基准数据 进行测试以衡量初始学术表现和其他相关变量。 为比较后测结果提供基准。
8. 实施干预 对实验组实施 PBL 计划，对控制组实施传统方法。 确保实验条件的完整性。
9. 监控与调整 定期检查方案的执行情况并根据需要进行调整。 维护研究的有效性和可靠性。 

图 8.9 – ChatGPT 提供的 RCT 抽样建议

请注意，在现实场景中，良好的做法始终让 AI 工具生成更多带有背后解释的选项，以便你能够做出理性的决策。在这个示例中，让我们直接采用 ChatGPT 给我们的建议，其中还包含了关于目标总体和样本量的建议。

数据分析

ChatGPT 可以帮助研究人员确定用于分析研究收集数据的适当统计检验，例如方差分析（ANOVA）、t 检验或回归分析。

https://github.com/OpenDocCN/freelearn-dl-zh/tree/master/docs/practical-generative-ai-with-chatgpt---b31559-09-for-true-ep/img/d18d2ea938375aefcd1ac45b37a1624b_267_0.png

为了在比较项目制学习（PBL）计划与传统教学方法的随机对照试验（RCT）中评估结果的统计学意义，请使用协方差分析 (ANCOVA)。ANCOVA 通过控制初始测试分数来调整基线差异并提高估计的精确性。以下是其适用原因：

  1. 基线调整： ANCOVA 控制了前测分数，从而分离了干预的效果。
  2. 提高效力： 通过考虑初始性能的变异性，提高了检测显著效应的能力。
  3. 组间比较： 它比较了 PBL 组和传统组干预后的得分，提供了该计划影响的清晰衡量标准。

这种方法确保了观察到的测试分数差异是由于教学方法造成的，而不是由于初始性能的差异。


图 8.10 – ChatGPT 为特定研究建议统计检验方法

ChatGPT 建议的所有内容都是连贯的，并且在关于如何进行统计检验的论文中得到了证实。它还能识别出我们可能在谈论一个连续变量（即分数），这样我们知道后续的所有信息都是基于这一假设的。如果我们需要得到离散分数，我们可能会通过添加这些信息来调整提示词（prompt），ChatGPT 随后会建议不同的方法。

ChatGPT 明确说明假设并解释其推理过程，这是根据其输入做出安全决策的关键。

结论，ChatGPT 可以是研究人员设计实验时的一项有价值的工具。通过利用自然语言处理 (NLP) 能力和庞大的知识库，ChatGPT 可以帮助研究人员选择适当的研究设计、确定采样技术、识别变量和学习成果，甚至建议用于分析数据的统计检验方法。

在下一节中，我们将进一步探索 ChatGPT 如何支持研究人员，重点关注参考文献的生成。

生成和格式化参考文献

ChatGPT 可以通过提供自动化引用和参考工具来帮助研究人员生成参考文献。这些工具可以为书籍、文章、网站等广泛来源生成准确的引用和参考资料。ChatGPT 熟悉各种引用格式，如 APA、MLA、芝加哥和哈佛格式，允许研究人员根据工作选择合适的格式。此外，ChatGPT 还可以根据研究人员的输入建议相关来源，帮助简化研究流程并确保参考文献中包含所有必要的来源。通过使用这些工具，研究人员可以节省时间并确保他们的参考文献准确且全面。

让我们考虑以下示例。假设我们完成了一篇标题为《技术对职场生产力的影响：一项实证研究》的论文。在研究和写作过程中，我们收集了以下论文、网站、视频和其他来源的引用，并将其纳入参考文献（顺序为：三篇研究论文、一个 YouTube 视频和一个网站）：

显然，我们不能在研究论文中直接使用上述列表；需要对其进行正确的格式化。为此，我们可以向 ChatGPT 提供参考文献原始列表并要求它按特定格式重新生成，例如 APA 格式——即美国心理学会 (APA) 的官方格式，该格式通常用于教育、心理学和社会科学的参考格式样式。

让我们看看 ChatGPT 是如何处理的：

我有以下链接作为我参考文献的参考：

用芝加哥格式生成这些链接。如果你不知道某些细节（如出版月份和日期），请不要生成。

以下是芝加哥格式的参考文献：

  1. Brynjolfsson, Erik, and Andrew McAfee. The Second Machine Age: Work, Progress, and Prosperity in a Time of Brilliant Technologies. 2014. Accessed July 26, 2024. https://psycnet.org/record/2014-07087-000.
  2. Tarafdar, Monideepa, Qiang Tu, T.S. Ragu-Nathan, and Bhananu S. Ragu-Nathan. "The Impact of Technostress on Role Stress and Productivity." Journal of Management Information Systems 24, no. 1 (2014): 301-328. Accessed July 26, 2024. https://www.tandfonline.com/doi/abs/10.2753/MIS0742-1222240109.
  3. "The Big Debate About the Future of Work, Explained." Vox, 2017. Accessed July 26, 2024. https://www.youtube.com/watch?v=TUmyygCMGA

注意：文本同样能够识别出我们可能在谈论一个连续变量（即分数），这样我们知道后续信息都是基于这一假设的。如果我们需要得到离散分数，我们可以通过添加这些信息来调整提示词，ChatGPT 随后会建议不同的方法。

ChatGPT 明确说明假设并解释其推理过程，这是根据其输入做出安全决策的关键。

结论，ChatGPT 可以是研究人员设计实验时的一项有价值的工具。通过利用自然语言处理 (NLP) 能力和庞大的知识库，ChatGPT 可以帮助研究人员选择适当的研究设计、确定采样技术、识别变量和学习成果，甚至建议用于分析数据的统计检验方法。

在下一节中，我们将进一步探索 ChatGPT 如何支持研究人员，重点关注参考文献的生成。

一旦你准备好研究，你可能需要通过“电梯演讲”（elevator pitch）来展示它。在接下来的章节中，我们将看到 ChatGPT 如何也能支持这项任务。

生成研究演示报告

研究的“最后一公里”通常是向各种观众进行展示。这可能涉及准备幻灯片组、演讲稿或网络研讨会，研究人员需要面对不同类型的观众。

比方说，我们的研究社交媒体和在线支持社区对慢性心理健康状况个体心理健康的影响是用于硕士论文答辩的。在这种情况下，我们可以要求 ChatGPT 生成一个时长为 15 分钟并符合科学方法的演讲结构。让我们看看会产生什么样的结果（作为背景，我指的是上文的摘要）：

我必须根据上述摘要讨论我的论文“社交媒体和在线支持社区对慢性心理健康状况个体心理健康的影响”。请生成一个论文答辩结构，并包含一些针对教授委员会的示例句子。字数控制在 150 字以内，并以表格形式输出。

章节 示例句子
引言 “尊敬的教授们，早上好。今天，我将介绍我的关于社交媒体和在线支持社区对慢性心理健康状况个体心理健康影响的论文。”
背景 “社交媒体的普及率显著增加，为慢性心理健康状况个体带来了机会和挑战。”
研究问题 “我们的主要研究问题是：社交媒体互动和在线支持社区以什么方式影响这些个体的心理健康？”
文献综述 “之前的研究，如 Nash 等人（2020），强调了社交媒体的双重性，既提供了同伴支持，也存在焦虑和抑郁的风险。”
方法论 “我们进行了混合方法研究，使用问卷和访谈从积极使用社交媒体平台的参与者那里收集了定量和定性数据。”
结果 “我们的发现表明，在情感支持和连接方面有显著的正向影响，同时也存在网络暴力和社交比较相关的负面影响。”
讨论 “数据表明，虽然在线支持社区提供了必要的同伴支持，但管理和对健康使用的教育对于减轻不利影响至关重要。”
结论 “结论，我们的研究强调了平衡社交媒体参与以及针对性干预的必要性，以增强慢性心理健康状况个体的心理健康。”
未来研究 “未来的研究应该探索长期效应，并开发数字工具以优化在线支持的收益，同时最大限度地减少潜在伤害。”
问答 “欢迎委员会就如何进一步完善和扩大这项研究以更好地服务慢性心理健康状况个体提出任何问题或反馈。” 

图 8.13 – ChatGPT 生成的论文答辩

这太令人印象深刻了！在我的大学时代，如果有这样一个工具协助我设计答辩，将非常有帮助。

从这个结构开始，我们还可以要求 ChatGPT 生成一套幻灯片，作为我们论文答辩的视觉辅助。

让我们继续这个请求：

幻灯片 内容
1 标题：社交媒体传奇：是帮助还是伤害了心理健康？
尊敬的教授们，早上好！请准备好，我们将深入探讨社交媒体的数字领域以及它对慢性心理健康状况个体心理健康的双刃剑影响。
2 背景
从回到 TikTok，社交媒体是现代集市。但它对于慢性心理健康状况的人来说是朋友还是敌人？让我们深入数据和叙事中！
双重影响：支持 vs 压力
3 研究与方法论
我们的追求：社交媒体互动和在线支持如何影响这些个体的心理健康？
方法：混合方法（问卷与访谈）
参与者：患慢性心理健康状况的活跃社交媒体用户
4 结果：好的、坏的和糟糕的
我们发现了什么？请做好准备！
- 好的：情感支持、连接性
- 坏的：网络暴力、社交比较
- 糟糕的：焦虑增加、抑郁风险增加
5 结论与未来研究
那么，社交媒体是英雄还是反派？这很复杂
结论：平衡和节制是关键。
未来研究：长期研究和数字工具的开发。
问题？让我们一起翻页！

这个结构平衡了轻松、引入人的风格与教授委员会所预期的学术严谨性。

图 8.14 – 基于演讲草稿的幻灯片结构

最后，让我们想象我们的论文答辩非常出色，以至于可能被选中获得研究资金以继续调查该课题。现在我们需要一个电梯演讲来说服资金委员会。让我们向 ChatGPT 请求一些支持：

为上述论文生成一个电梯演讲。观众是科学资助委员会。我需要说服观众这项研究值得资助。风格应该是引人注目且具有挑战性的。最多 150 字。

电梯演讲：

想象这样一个世界，社交媒体是慢性心理健康状况个体的生命线，提供了关键的支持和联系。然而，同样的工具也可能加剧他们的挣扎，导致焦虑和抑郁增加。我们的研究试图通过探索社交媒体互动和在线支持社区如何影响心理健康来破解这一悖论；我们的目的是开发针对性的干预措施，以实现利益最大化和伤害最小化。通过混合方法，我们将从处于这一困境边缘的人那里收集丰富且可操作的见解。资助这项研究不仅意味着理解社交媒体影响的复杂性，还为创新、有效的解决方案铺平道路，在日益连接的世界中增强心理健康支持。让我们把社交媒体从双刃剑变为健康的强大盟友。

图 8.15 – 给给定论文的电梯演讲

我们始终可以调整结果，使其更符合我们的目标，然而，拥有现成的结构和框架可以节省大量时间，并让我们能够更加关注想要引入的技术内容。

总的来说，ChatGPT 能够支持研究的全到端流程，从文献收集和综述到研究最终演讲的生成，我们证明了它可以如何成为研究人员出色的 AI 助手。

此外，请注意，在研究领域，最近开发了一些与 ChatGPT 不同但仍由 GPT 模型驱动的工具。例如 Humanity，这是一个 AI 驱动的工具，允许你上传文档并对其执行多项操作，包括摘要、即时问答和基于上传的文件生成新论文。

这表明 GPT 驱动的工具（包括 ChatGPT）正在为研究领域内的若干创新铺平道路。

总结

在本章中，我们探索了将 ChatGPT 作为研究人员价值工具的使用。通过文献综述、实验设计、参考文献生成和格式化以及演示报告生成，ChatGPT 可以帮助研究人员加速那些低价值或零额外值的活动，以便他们能够关注相关活动。

请注意，我们只关注了 ChatGPT 支持研究人员的一小部分活动。在该领域内还有许多其他活动研究可以受益于 ChatGPT 的支持，其中我们可以提到数据收集、研究参与者招募、研究网络构建、公众参与等。

将此工具整合到工作中的研究人员可以从其多功能和节省时间的特性中受益，最终带来更有影响力的研究成果。

然而，重要的是记住，ChatGPT 仅仅是一个工具，应该结合专家知识和判断来使用。与任何研究项目一样，必须对研究问题和研究设计进行仔细考虑，以确保结果的有效性和可靠性。

通过本章，我们也结束了本书的第二部分，该部分侧重于你可以利用 ChatGPT 的广泛应用场景和领域。然而，我们主要关注个人或小团队的使用，范围从个人生产力到研究助手。从第三部分开始，我们将讨论提升到大型组织如何利用 Microsoft Azure 云上提供的 OpenAI 模型 API，将 ChatGPT 背后的相同生成式 AI 应用于企业级项目。

参考文献

9 探索 GPTs

在 Discord 上加入我们的书籍社区

https://github.com/OpenDocCN/freelearn-dl-zh/tree/master/docs/practical-generative-ai-with-chatgpt---b31559-09-for-true-ep/img/d18d2ea938375aefcd1ac45b37a1624b_283_0.png

https://packt.link/EarlyAccess

在之前的章节中，我们看到了如何利用 ChatGPT 进行各种活动的多个示例，从个人生产力到营销，从研究到软件开发。对于这些场景中的每一个，我们总是面临类似的情况：我们从 ChatGPT 这样的通用模型开始，然后提出非常具体的问题或提供特定的参考文献，以定制符合我们的特定需求。

然而，如果我们的目标是为自己的用途获取一个极其专业的模型，有时这可能是不够。这就是为什么我们可能需要构建“特定用途的 ChatGPT”，幸运的是，OpenAI 本身开发了一个无代码平台来构建这些自定义助手，这些助手被称为 GPTs。

在本章中，我们将详细介绍 GPTs 的功能、能力和现实世界的应用，涵盖我们在之前章节中看到的相同用例，以便你能够看到输出质量的差异。此外，我们还将看到如何发布你的 GPT，使其成为生产级应用程序，不仅适用于你自己，也适用于公司或其他人。

在本章结束时，你将能够：

  • 了解什么是 GPT 以及它可以完成什么类型的任务
  • 在不编写一行代码的情况下构建你自己的 GPT
  • 发布你的 GPT 并将其与外部系统集成

让我们从一些基本定义开始，然后进入实践。

技术要求

ChatGPT Plus

什么是 GPTs?

2023年11月，OpenAI 推出了 GPTs，这是 ChatGPT 的专用版本，旨在提高生产力并满足特定的任务和需求。与通用的 ChatGPT 不同，这些被称为 GPTs 的自定义版本允许用户在没有任何任何编码知识的情况下创建定制的 AI 模型。

预先考虑分类法是非常重要的，这在整个章节中都将相关。当我们提到GPT这个词时，你在书中发现（也将会发现）有两个主要的定义：

  • 第一个指的是 OpenAI 语言模型背后真正的“生成式预训练变换”（Generative Pre-trained Transformer，GPT）模型架构。我们已经在第一部分提到过这种架构，并且知道这是 ChatGPT 本身的框架。

  • 第二个在更泛义的情况下指的是 OpenAI 允许用户以无代码方式创建的专用助手。通过 GPTs，OpenAI 指的是 ChatGPT 的专用版本，在这种语境下，单个 GPT 指你利用 GPTs 平台（所有拥有 ChatGPT Plus 的用户可用）创建的某个助手。

在本章中，每当你读到 GPT 或 GPTs 时，请记住我们正在使用第二种定义。

GPTs 的理念类似于 AI 代理（Agents）。事实上，通过 GPTs，我们正在构建由大语言模型驱动的实体，它们具有特定的指令，并提供了自定义知识库以及一组用于与周围环境交互的工具或插件。

让我们更详细地查看所有组件。首先，你可以全面查看所有已公发布的 GPTs。为此，你可以访问以下页面：

https://chatgpt.com/gpts

https://github.com/OpenDocCN/freelearn-dl-zh/tree/master/docs/practical-generative-ai-with-chatgpt---b31559-09-for-true-ep/img/d18d2ea938375aefcd1ac45b37a1624b_286_0.png

图 1：GPTs 落地页。

正如从前面的图片看到的，这是一个所有现有 GPTs 的真正市场。你可以通过类别（框 1）或在搜索框（框 2）中解释你正在寻找的内容来探索。

然后，要创建你自己的 GPT，你可以访问 https://chatgpt.com/gpts 页面并登录你的 OpenAI 账户。或者，你可以进入 ChatGPT 并点击左上角的“Explore GPTs”（探索 GPTs），然后点击“Create”（创建）。进入编辑器后，你会被要求配置 GPT，而在右侧，你还可以实时对其进行测试。

https://github.com/OpenDocCN/freelearn-dl-zh/tree/master/docs/practical-generative-ai-with-chatgpt---b31559-09-for-true-ep/img/d18d2ea938375aefcd1ac45b37a1624b_287_0.png

图 2：创建你 GPT 的编辑器页面。

让我们探索所有组件：

  • Name（名称）：你给 GPT 起的名字。
  • Description（描述）：你 GPT 的描述。如果你打算在市场中发布你的 GPT，这一点极其重要，这样其他用户才能找到它。
  • Instructions（指令）：这是你 GPT 的元提示词（metaprompt），一组用自然语言编写的指令，使助手符合你的特定需求，且最终用户不可见。
  • Conversation Starters（对话启动器）：一组示例提示词，用户可以从这里开始与 GPT 交互并建立信心。
  • Knowledge（知识）：这指的是我们可以为模型提供基础的自定义文档。当我们在这里上传文档时，我们的 GPT 将能够通过检索增强生成（RAG）模式浏览这些文档，以便我们提供额外的知识，甚至将我们助手的回答限制在知识库范围内。
  • Capabilities（能力）：这些指的是我们可以为 GPT 提供的一组内置插件，而无需编写任何代码。你可以从上面的图中看到开箱自带三个插件：
    • Web browsing（网络浏览）：用于搜索网络并获取最新信息。
    • DALL-E 3：生成插图。
    • Code Interpreter and Data Analysis（代码解释器和数据分析）：在沙箱 Python 环境中执行代码并与分析文件（如电子表格）交互。
  • Actions（动作）：动作也可以视为插件，但它们与能力不同，因为它们不是内置的，而是由 GPT 开发者指定的。例如，你生成一个动作，在动作的上下文中，如果你点击“Add Actions”（添加动作）然后点击“Get help from ActionsGPT”（从 ActionsGPT 获取帮助），你可以获得原生集成在配置面板中的专用 GPT 的支持。

https://github.com/OpenDocCN/freelearn-dl-zh/tree/master/docs/practical-generative-ai-with-chatgpt---b31559-09-for-true-ep/img/d18d2ea938375aefcd1ac45b37a1624b_289_0.png

图 3：如何从 ActionsGPT 获取支持的示例

这样做之后，你将被引导至你 GPT 的聊天界面：

ActionsGPT

由 ChatGPT 创建

帮助你根据文档、代码示例、cURL 命令或仅对 API 使用方法的描述创建 OpenAPI 规范。

  • 为此 API 创建规范：curl -G https://api.stripe.c...
  • 将此端点添加到规范中：const response = await...
  • 创建一个用于调用 https://api.openai... 端点的规范
  • 这里是文档：https://platform.o...

向 ActionsGPT 发消息

图 4：ActionsGPT 的落地页。

看到我们正在见证“GPT 内部的 GPT”方法，感觉太棒了，你不觉得吗？

除了标准配置页面外，还有另一种选项可以以更具“对话性”的方式构建你的 GPT。事实上，你可以切换到“Create”（创建）标签页，并用自然语言解释你想让你的 GPT 实现什么目标：

https://github.com/OpenDocCN/freelearn-dl-zh/tree/master/docs/practical-generative-ai-with-chatgpt---b31559-09-for-true-ep/img/d18d2ea938375aefcd1ac45b37a1624b_292_0.png

我们将在章的后续章节中看到这两种方法——标准配置和对话式配置。

既然我们已经知道了什么是 GPT，让我们来看看如何创建一个。在接下来的章节中，我们将创建 5 个不同的 GPT：

  • 前四个将专门针对我们之前已经用通用 ChatGPT 涵盖的四个领域——个人生产力、代码开发、营销和研究。其核心思想是比较领域特定 GPT 与通用 ChatGPT 的整体效率和准确性。
  • 第五个将涵盖一个新领域，与艺术创作相关的领域。我们将利用内置的 DALL-E 插件，以及由设计公司开发的其他插件（如 Canvas）。

让我们从通过一个专门的 GPT 来提升我们的个人生产力开始。

个人助手

在这个场景中，我们将构建一个 GPT 来增强我们的健身房锻炼。为了实现这一点，我们将利用内置插件。此外，我们还将添加一些相关文档，以便助手能够基于特定的知识库提供服务。

我的目标是拥有一个助手，它可以根据我的健身抱负、可用时间、性别、年龄、偏好等为我制定健身计划。我还希望助手能对我建议背后的原因提供清晰的解释。

为了实现这一切，我想确保我的助手能够：

  • 向我提问特定的问题，以便为我设计最佳健身方案
  • 就其回答提供相关的信息和来源
  • 考虑我的反馈，但如果它认为自己的想法对我是正确的，它也能坚持自己的观点
  • 如果我的请求不合理或对我的健康有风险，则不满足请求

让我们按照上一节提到的所有配置步骤来看看如何创建 GPT：

  1. Name（名称）： 我将把我的助手命名为 WorkoutGPT。
  2. Description（描述）： 这是我设置的描述：“健身助手，帮助用户根据需求设计健身计划。”
  3. Instructions（指令）： 这里我们开始进入 GPT 的真正核心。这是我提供给 GPT 的指令集：

“你是一个健身 AI 助手，帮助用户创建健身计划。

在生成计划之前，请确保提问以下问题：

  • 健身目标和时间预期
  • 年龄和性别
  • 健身水平
  • 健身的可用时间
  • 为了定义合适的健身计划所需的任何其他元素（例如：设备、潜在受伤等……）

如有需要，请使用提供的文档来丰富你的回答。

如果用户建议了某些与其目标不符的事，请坚持你的假设，并礼貌地解释背后的原因。

如果用户询问了可能对其健康产生风险的问题，请礼貌地建议放缓节奏并采取替代方法，同时解释背后的原因。”

  1. Conversation starters（对话启动词）： 在这里我设置了三个不同训练的示例：

    1. 我想在 6 个月后参加马拉松训练。
    2. 生成一个 30 分钟的无设备高强度间歇训练（HIIT）计划。
    3. 生成一个 45 分钟的哑铃训练计划。

  2. Knowledge（知识）： 这里上传了国家力量与调节协会（NSCA）训练负荷表，这是一个用于帮助运动员和教练确定练习和训练课程适当训练负荷的工具。它看起来如下：

次数 (RM) 1 2 3 4 5 6 7 8 9 10 11 12
%1RM 100% 95% 93% 90% 87% 85% 83% 80% 77% 75% 70%
Load 10 9.5 9.3 9 8.7 8.5 8.3 8 7.7 7.5
20 20 18.4 17.6 16.2 15.3 14.8 16 15.4 13 14
30 30 28.5 27.9 26.7 25.5 24.5 24.9 24 23.1 22.5 21
40 40 37.2 36 34.6 33.4 33.2 32 31.7 30 28
50 50 47.6 46 44.5 43.2 42.5 41.8 48 46 45
60 60 57 55.8 54 52 48 46 38.5 37.1 35
70 70 66.5 63 62 60.7 59.5 56 56 53 52 49
80 80 76 74 72 69.8 68.6 67.4 66 53 52
90 90 85 83 81 79 76 74 72
100 100 95 93 90 87 85 83 80 77 75 70
110 110 104.5 102.2 100 99 96.7 95 93 91
120 120 114 108 104 102 101 99 96 94
130 130 123.5 121 117 114.5 113.1 109 107 104
140 140 133 131 126 124 122 119 117 114

(注：表格数据根据原文进行了对齐处理，保持了数值逻辑)

  1. Knowledge（知识）： 这里上传了国家力量与调节协会（NSCA）训练负荷表，该工具用于帮助运动员和教练确定练习和训练课程的适当训练负荷。它看起来如下：

（此处省略重复表格内容，保持格式一致）

交叉训练/力量训练计划（周五）

    1. 热身：5-10 分钟轻度有氧运动
    1. 腿部：
    • 深蹲：3 组，每组 12 次
    • 箭步蹲：3 组，每组 12 次（每腿）

力量训练示例

热身：5-10 分钟轻度有氧运动

腿部：

  • 深蹲：3 组，每组 12 次（从 1RM 的 60-80% 开始）
  • 箭步蹲：3 组，每腿 12 次
  • 硬拉：3 组，每组 10 次

核心：

  • 平板：3 组，每组 1 分钟
  • 俄罗斯转体：3 组，每组 20 次（每侧）
  • 单车坐起：3 组，每组 20 次

上肢：

  • 俯卧撑：3 组，每组 15 次
  • 哑铃划船：3 组，每组 12 次（每臂）
  • 推举：3 组，每组 12 次

整理： 10 分钟拉伸和柔韧性练习

图 11：WorkoutGPT 生成的力量训练示例。

让我们专注于力量训练。我想更深入地了解如何校准重量。以下插图显示了响应的第一个提取：

我该如何决定力量训练中使用的重量？

要决定力量训练的重量，你可以遵循以下步骤来确定每项运动的负载。目标是找到一个平衡点，既能挑战自己，又能让你以正确的姿势完成动作。

确定力量训练重量的步骤

  1. 热身：每次训练都从一组几乎或不使用重量的轻量热身开始。这为你的肌肉和关节为运动做好准备。

  2. 确定你的 1 次最大重量 (1RM)：

    • 对于每项运动，使用轻松举起 5-10 次的重量进行热身组。
    • 逐渐增加重量并进行 3-5 次的组训练，直到你找到以正确姿势可以进行一次重复的最重重量。
    • 或者，如果你无法安全地测试 1RM，可以使用在线计算器或表格，根据你能够进行多次重复的重量进行估算（例如，以 1RM 的 80% 重量举起 5 次）。

  3. 选择合适的负载：

    • 对于力量训练（3-5 组，每组 2 次），使用 1RM 的 60-80%。

图 12：WorkoutGPT 解释如何在力量训练中确定举起的重量的示例。

在同一个响应中，助手还引用了作为知识库提供的 NSCA 训练负载图：

NSCA 训练负载图

NSCA 训练负载图可以根据你能完成的次数帮助估算训练负载。例如，如果你能举 160 磅 8 次，你可以估计你的 1RM 约为 200 磅（160 磅是 200 磅的 80%）。

力量训练示例

热身：5-10 分钟轻度有氧运动

腿部：

  • 深蹲：3 组，每组 12 次（从 1RM 的 60-80% 开始）
  • 箭步蹲：3 组，每腿 12 次
  • 硬拉：3 组，每组 10 次

核心：

  • 平板：3 组，每 1 分钟
  • 俄罗斯转体：3 组，每侧 20 次
  • 单车坐起：3 组，每组 20 次

上肢：

  • 俯卧撑：3 组，每组 15 次
  • 哑铃划船：3 组，每臂 12 次

https://github.com/OpenDocCN/freelearn-dl-zh/tree/master/docs/practical-generative-ai-with-chatgpt---b31559-09-for-true-ep/img/d18d2ea938375aefcd1ac45b37a1624b_302_0.png

我想挑战一下我的 WorkoutGPT，问它一些对我可能有害的问题。例如，在一个月内没有任何经验的情况下准备马拉松绝对是一个糟糕的想法。让我们看看当我为它提供初始问题的答案列表后，我的助手会怎么想：

  1. 我的马拉松在 3 周后，我想在 3 小时 15 分内完成比赛
  2. 27 岁女性
  3. 初学者健身水平
  4. 我可以每天训练
  5. 没有任何设备
  6. 3 个月前做过 ACL 手术

你的目标是在短短三周内以 3:15 的成绩完成马拉松，结合你最近做过 ACL 手术且处于初学者健身水平，谨慎对待这一目标至关重要。马拉松需要大量的训练，在没有充分准备的情况下尝试这样一个雄心勃勃的目标可能会导致受伤风险。

这里有一种专注于安全增加你的跑步能力和整体健康水平的替代方法。该计划还将包括你膝盖的康复元素：

第一周：基础与恢复

目标：建立基础健身水平并确保膝盖稳定性。

第 1 天：

  • 休息或轻量瑜伽：专注于全身的拉伸和活动性练习，特别是腿部和臀部 ↓

图 14：WorkoutGPT 在考虑到请求相关风险的情况下，委婉提示用户改变其目标和预期的示例。

正如你所见，我的 WorkoutGPT 正在引导我改变比赛策略。虽然它仍然为我提供了一个为期 3 周的跑步训练计划（此处输出被截断），但它的目标不是在 3 小时 15 分内跑完马拉松，而是建立耐力并……（注：从第 304 页开始的 OCR 文本似乎高度碎片化/损坏。我将在保持内容的同时尽可能进行清理。）

正如你所见，我的 WorkoutGPT 正在引导我改变比赛策略。虽然它仍然为我提供了一个为期 3 周的跑步训练计划（此处输出被截断），但它的目标不是在 3 小时 15 分内跑完马拉松，而是建立耐力并……

ChatGPT Action API

版本: 1.0.0


paths:

  /perform-action:

    post:

      operationId: performAction

      summary: 带有给定的请求体执行特定操作

      requestBody:

        required: true

        content:

          application/json:

            schema:

              type: object

            properties:

              action:

                type: string

                description: 要执行的操作

              parameters:

                type: object

                description: 参数的

                properties:

                  userId:

                    type: string

                content:

                  type: string

      required:

        - action

        - parameters

responses:

'200':

description: 操作执行成功的响应

content:

application/json:

schema:

type: object

properties:

success:

type: boolean

message:

type: string

在此示例中，POST 方法的 requestBody 定义了一个架构，并将 action 和 parameters 为必填字段。同时也定义了响应，指定了执行操作后返回的数据结构。

该架构如下所示：

身份验证

API Key

架构


openapi: 3.1.0

info:

  title: GitHub API

  description: 与 GitHub 交互的 API，包括将代码推送到仓库。

  version: 1.0.0

servers:

  - url: https://api.github.com

    description: GitHub API 服务器

paths:

  /Valentina-Alto/GitActions/contents/test:

    put:

      operationId: 在 GitHub 仓库中创建或更新文件

      summary: 使用此端点在仓库中创建新文件或更新现有文件。

      parameters:

        - name: repo

          in: path

          required: true

          description: 仓库的所有者。

          type: string

        - name: path

          in: path

          required: true

https://github.com/OpenDocCN/freelearn-dl-zh/tree/master/docs/practical-generative-ai-with-chatgpt---b31559-09-for-true-ep/img/d18d2ea938375aefcd1ac45b37a1624b_310_0.png

可用操作

名称 方法 路径
updateFileContents PUT /repos/Valentina-Alto/GitActions/contents/test

图 17：GitHub Action 架构配置。

这是我使用的完整架构：


openapi: 3.1.0

info:

  title: GitHub API

  description: 与 GitHub 交互的 API

  version: 1.0.0

servers:

  - url: https://api.github.com

    description: GitHub API 服务器

paths:

  /repos/{owner}/{repository}/contents/{path}:

    put:

      operationId: updateFileContents

      summary: 在 GitHub 中创建或更新文件

      description: 使用此端点创建

      parameters:

        - name: owner

          in: path

          required: true

          description: 仓库的所有者

          schema:

            type: string

        - name: repo

          in: path

          required: true

          description: 仓库的名称

          schema:

            type: string

        - name: path

          in: path

          required: true

          description: 仓库中的文件路径

          schema:

            type: string

      requestBody:

        required: true

        content:

          application/json:

            schema:

              type: object

              properties:

                message:

                  type: string

                  description: 提交消息

                content:

                  type: string

                  description: 新文件内容

                sha:

                  type: string

                  description: 正在处理的文件 SHA

                branch:

                  type: string

                  description: 所在的分支

                committer:

                  type: object

                  properties:

                    name:

                      type: string

                    email:

                      type: string

              required:

                - message

                - content

      responses:

        '200':

          description: 文件更新成功或

        '201':

          description: 文件创建成功。

        '422':

          description: 验证失败或安全限制:

          - bearerAuth: []

components:

  securitySchemes:

    bearerAuth:

      type: http

      scheme: bearer

      bearerFormat: token

schemas: # 此子部分包含架构详情

  ExampleSchema: # 示例对象架构

    type: object

    properties:

      exampleProperty:

        type: string

为了允许 Action 与我的仓库通信，我在 GitHub 个人资料的 Settings > Developer Settings > Personal access token 下创建了一个访问令牌。

你可以按照以下方式测试连接：

使用 updateFileContents 操作调用 api.github.com API

[debug] 正在调用 HTTP 端点

[debug] 收到响应

已与 api.github.com 通信

我成功更新了 "octocat" 拥有 "Hello-World" 仓库中的 README.md 文件，并更新了新的内容更新消息。提交发生在 "main" 分支，消息为 Updating README with new content.。

以下是更新的摘要：

  • 文件路径: README.md
  • 消息: "Updating README with new content."
  • 分支: "main"
  • 提交者: octocat@example.com
  • SHA: [example-hash]

为了允许 Action 与我的仓库通信，我在 GitHub 个人资料的 Settings > Developer Settings > Personal access token 下创建了一个访问令牌。

你可以按照以下方式测试连接：

使用 updateFileContents 操作调用 api.github.com API。

[debug] 正在调用 HTTP 端点
[debug] 正在收到响应
[debug] 已与 api.github.com 通信

我成功更新了 octocat 拥有的 Hello-World 仓库中的 README.md 文件，并附带了新的更新内容消息。提交发生在 main 分支，消息为 Updating README with new content.。

以下是更新的摘要：

  • 文件路径：README.md
  • 消息："Updating README with new content."
  • 分支：main
  • 提交者：octocat@example.com
  • SHA：[example-hash]

图 17：GitHub Action 架构配置。

这是我使用的完整架构：


openapi: 3.1.0

info:

  title: GitHub API

  description: 与 GitHub 交互的 API

  version: 1.0.0

servers:

  - url: https://api.github.com

    description: GitHub API 服务器

paths:

  /repos/{owner}/{repository}/contents/{path}:

    put:

      operationId: updateFileContents

      summary: 在 GitHub 中创建或更新文件

      description: 使用此端点创建

      parameters:
posted @ 2026-09-25 20:40  绝不原创的飞龙  阅读(4)  评论(0)    收藏  举报