使用-ChatGPT-的提示词工程

使用 ChatGPT 的提示词工程

原文：Prompt Engineering Using ChatGPT

译者：飞龙

协议：CC BY-NC-SA 4.0

前言

欢迎加入探索提示工程领域的探险之旅，在这里，语言的艺术与人工智能（AI）的科学相遇。本书是理解构建有效提示的复杂过程的入门之书，特别强调 ChatGPT 及其高级迭代版本，包括 GPT-4 和 GPTs，这些是来自 OpenAI（openai.com/）的突破性创新。无论你是被 AI 的巨大潜力所吸引的学生，还是试图将其力量用于实际应用的专业人士，这本指南旨在为你提供与 AI 系统有效互动所必需的基本知识和技巧。

AI 面向所有人

我们的旅程面向多元化的受众，包括从 AI 新手到资深从业者。基于 GPT 的模型世界可能既复杂又令人畏惧，尤其是对于那些没有数据或计算机科学背景的人来说。我们的使命是让这个领域对所有人开放。通过结合清晰自然的语言和实用的现实世界案例，我们旨在揭示提示工程的微妙之处，并为你提供与 AI 系统有效沟通的工具和信心。

深入探索 ChatGPT 及其超越

尽管有 Gemini^(TM)、Bing Chat^{(TM)、Claude}(TM)和 Llamas^(TM)等众多 AI 创新，但我们的焦点在于 ChatGPT 及其迭代版本。这一选择是由我们介绍提示工程基础原理并赋予你充分利用 ChatGPT 和类似高级模型的能力的目标所驱动的。我们希望你能理解 AI 领域中与提示工程相关的所有可能性。

AI 领域的不断演变

AI 领域是动态且不断变化的，提示工程的技艺和科学也是如此。随着你阅读本书，你将探索基础技术，深入研究实用策略，并发现提示工程在现实世界中的应用。在 AI 技术持续快速变化的今天，掌握构建有效提示的技能是无价的。它为与 AI 系统进行创新、高效和道德的互动铺平了道路，在各个领域开辟了新的机遇。AI 的快速发展带来了许多挑战，从管理 AI 发展速度的影响到利用 AI/GPT 的力量，本书旨在为你提供在变化的环境中成功导航所需的知识和技能。

从理论到实践：现实世界的洞察

这本书不仅仅是一个理论探索；它是一本实用指南。我们直接应用 ChatGPT-3.5 和 GPT-4 的提示工程原则。通过这些应用，我们展示了如何创建导致清晰、有效沟通的提示。在这本书的内容中，使用这些模型生成的内容已经经过彻底的审查和精炼，以确保清晰和有效性。然而，随着 AI 技术的发展，其响应也在不断进步。本书中的例子是对当前能力的快照，同时理解到 AI 的语言和响应将继续发展。

人工智能精通之旅的个人邀请

感谢您选择与我们一同踏上这一探索之旅。在我们引导您穿越 AI 生成内容的动态和不断演变的景观时，我们分享我们的见解、经验和我们对现代技术最具变革性方面的热情。这本书是一份指南，帮助您探索 AI，一个解锁提示工程奥秘的工具，以及通往人机交互未来的桥梁。

管理与 AI 和 GPT 相关的伦理问题

随着我们开始探索提示工程，我们必须应对与 GPT 和 AI 等技术的快速进步交织在一起的复杂伦理景观。GPT 和 AI 的快速进步引发了一系列紧迫的问题和考虑。这些问题包括伦理困境、道德影响、建立监管框架、解决主导性限制的需求、与社会正义相关的问题、获取新技能的必要性、对就业市场的颠覆性影响以及保护基本人权——所有这些问题都需要立即关注。在我们探索提示工程的动态领域时，我们必须认识到这些担忧不仅仅是事后思考，而是 AI 旅程的组成部分。它们是一个响亮的号召，召唤着在 AI 领域持续进行研究和开发的需求。

本书包含以下章节：

第一章：提示的基础。本章提供了理解提示、它们在引导 AI 模型中的作用以及它们对生成响应质量的影响的基本基础。

第二章：构建情境提示。本章探讨了构建提示的艺术，这些提示允许与 AI 模型进行丰富且具有情境意识的交互。

第三章：提出具体问题。本章描述了制定清晰、直接问题的技术，以从 AI 模型中获得精确的答案。

第四章：提供约束和指南。本章展示了如何在提示中设置约束和指南，以引导 AI 响应向期望的结果和伦理考量靠拢。

第五章：创意提示的多样化内容。本章探讨了提示的创意可能性，包括生成内容、想法和多模态响应。

第六章：调试和迭代提示。本章讨论了评估和改进提示的策略，确保它们在与 AI 模型交互时产生预期的结果。

第七章：高级提示工程。本章调查了包括插件和条件逻辑在内的高级技术，以充分利用 AI 模型的能力。

第八章：有效使用提示和 GPT-4 插件。本章讨论了如何利用插件扩展 GPT-4 的功能，并创建更多样化的 AI 驱动应用程序。

第九章：现实世界应用。本章展示了提示工程如何应用于各个领域，从客户支持和教育到商业和技术领域。

第十章：未来趋势和伦理考量。本章探讨了 AI 生成内容的演变趋势，并深入探讨了随着 AI 技术的持续进步，伦理考量的重要性。

第十一章：GPTs 和 GPT 应用构建器。本章旨在指导用户了解 GPTs 框架和 GPT Builder 工具的多功能性。

附录 A：杂项主题。本节涵盖了与提示工程相关的各种附加主题，提供了实用的见解和资源。

附录 B：术语表。本节提供了一份重要术语和定义列表，有助于理解提示工程和 AI 技术的术语。

致谢

我想要向来自 Mercury Learning and Information 的 David Pallai，我的出版商，表达我的感激之情，他的宝贵支持是无价的。

Mehrzad Tabatabaian，博士，P.Eng

温哥华，不列颠哥伦比亚省

2024 年 5 月 2 日

引言

在人工智能（AI）快速发展的领域中，ChatGPT 已经崛起为一个强大的工具，提供了生成类似人类文本和语音的空前能力。随着 AI 成为各个领域的组成部分，了解如何有效地为 ChatGPT 构建提示对于释放其全部潜力并实现预期结果至关重要。

在这次探索的核心是认识到，精心编写的提示可以确保与 ChatGPT 的无缝沟通。将熟练的飞行员巧妙地引导飞机穿越天空的角色进行类比，精心构建的提示承担着引导和塑造 ChatGPT 构建的响应轨迹的关键任务。

ChatGPT 是一个在对话式 AI 前沿经过良好训练的数学模型。在其核心，它依赖于下一个标记的数学模型，这是一个支撑其非凡对话能力的根本框架。基于概率和深度学习的原则，这个模型在广泛且多样化的数据集上进行了精心训练。它擅长理解语言的复杂性，允许它分析上下文并生成具有非凡一致性和相关性的响应。当面对用户的输入时，它部署复杂的算法来预测最可能的下一个单词或标记，从而产生既自然又符合当前对话的响应。这个数学基础使 ChatGPT 能够在广泛的对话环境中表现出色，为用户提供一致、上下文感知且高度适应的卓越对话体验。

提示工程是进入塑造与这一前沿 AI 语言模型互动的艺术和科学的旅程的开始。这本书是您掌握这种协调、理解提示的细微差别以及利用它们的力量为各种应用提供指导。在我们踏上这段旅程时，我们将揭示提示工程的复杂性，深入研究有效沟通的心理，并发现如何使 ChatGPT 的响应与特定目标一致。可能性有很多，从完善问题的措辞到将上下文融入对话。

除了这一点，还有 GPT App Builders 的革命性出现，这是一个使个人和组织能够设计由 GPT 的语言能力驱动的定制应用的平台。这些构建者提供了一个用户友好的界面来创建、实验和部署针对特定需求或行业的应用。通过整合 GPT App Builders，我们可以完善对话并革命性地改变各种领域对话式 AI 的应用。它们是技术实力和实际应用之间的桥梁，使得从开发者到商业和技术领导者，任何人都可以创建个性化的 AI 驱动解决方案。

加入我们，一起揭开提示工程的艺术，这是一种技能，它赋予我们连接人类思维和 AI 生成文本之间的差距，并创造一种和谐的合作关系，改变我们与技术互动的方式。

图 I.1 展示了 AI、NLP 和其他子领域之间的关系。

图 I.1 展示 AI 及其子领域关系的流程图。

LLM 和 GPT 的历史

语言模型（LMs）和大型语言模型（LLMs）如 GPT（生成预训练变换器）已经彻底改变了自然语言处理（NLP）和数据科学领域。LLMs 的历史可以追溯到机器学习和人工智能的早期，当时研究人员开始探索教授机器理解和生成人类语言的方法。早期的尝试，如基于规则的系统和统计语言模型，在捕捉人类语言的细微差别和复杂性方面存在局限性。

LLMs 的突破是以深度学习和神经网络的形式出现的。预训练的概念，即模型在特定任务上进行微调之前，从大量文本数据中学习，变得至关重要。2018 年，OpenAI 推出了第一个 GPT 模型，GPT-1。这个拥有 1.17 亿个参数的模型展示了预训练语言模型在各个自然语言处理（NLP）任务中的潜力。它为后续的进步奠定了基础。OpenAI 开发的 GPT-3 在 2020 年因其惊人的生成连贯且上下文相关的文本的能力而成为头条新闻。它通过利用具有 1750 亿个参数的巨大 Transformer 架构来实现这一点，使其能够捕捉语言中的复杂模式和关联。2023 年，OpenAI 发布了 GPT-4，该模型在 1.76 万亿个参数上进行训练，使其成为迄今为止最先进的系统。

从那时起，该领域一直在持续发展。研究人员正在探索使大型语言模型（LLMs）更加高效、道德，并适用于各个领域的方法。此外，LLMs 正在被应用于各种领域，包括工程和制造、医疗保健、内容生成、教育和虚拟助手中的自然语言理解。随着时间的推移，应用列表不断增长，并伴随着 GPT-4 插件和多模态模型。

想要了解关于 LLMs 和 GPT 技术的最新信息，读者可以参考顶级会议的最新出版物，如神经信息处理系统会议（NeurIPS）和国际机器学习会议（ICML）。这些会议展示了该领域的尖端研究，并提供了关于 LLM 技术最新进展的见解。

关于作者

Mehrzad Tabatabaian 博士是加拿大不列颠哥伦比亚理工学院（BCIT）能源学院机械工程系的一名教师。他拥有多年的教学和行业经验。Tabatabaian 博士目前是 BCIT 能源研究委员会主席。他在科学期刊和会议上发表了多篇论文，并撰写了关于多物理场和湍流流动建模、高级热力学、张量分析、直接能量转换、邦图建模方法和微积分的教科书。他在能源领域拥有多项注册专利，这些专利是他多年研究活动的成果。

Tabatabaian 博士自愿帮助建立能源效率和可再生能源部（EERED），这是工程师和地球科学家不列颠哥伦比亚省（EGBC）的一个新部门。

Tabatabaian 博士在 Sharif 工程技术大学（原名 AUT）获得学士学位，并在麦吉尔大学（MEng 和 PhD）获得高级学位。他一直活跃在领先的替代能源、石油和天然气行业，担任学术、教授和工程师。Tabatabaian 博士还拥有阿尔伯塔大学的领导力证书，并持有 EGBC P.Eng. 许可证。

第一章

提示词的基础

提示词是揭示 ChatGPT/GPT 潜力的指南，塑造其回答并引导对话。本章介绍了有效的提示词工程，深入探讨了支撑提示词艺术的基本原则，这些原则有助于产生期望的输出。

1.1 与 CHATGPT 交互中提示词的作用

提示词增强了 AI 生成的交互，影响了回答的性质和质量。理解提示词作为 ChatGPT 的输入机制至关重要。我们探讨了提示词如何影响模型行为，强调了它们在启动有意义的对话中的重要性。

1.2 构建良好提示词的解剖结构

有效的提示词是精心制作的，其结构在产生准确和相关的回答中起着关键作用。我们深入探讨了一个构建良好的提示词的组成部分，从初始查询到包含上下文和任何具体指南。理解这些元素提高了提示词工程的效率。

清晰性和具体性的本质

一个构建良好的提示词必须具备清晰性和具体性。文本中不应存在歧义，应引导 LLM 向期望的结果发展。考虑以下例子：“告诉我关于工程的事情。”这个模糊的提示就像在没有地图的情况下让 LLM 去旅行；结果是漫无目的、无结构的回答。与此相对的是，一个精心设计的提示，如“提供机械工程学科的概述。”这个具体的提示缩小了 LLM 的关注点，使其能够产生简洁且信息丰富的回答。

利用上下文的力量

上下文在提示词工程中非常重要。一个构建良好的提示词应该利用上下文的优势。例如，比较以下提示：“解释相对论的理论”和“在物理学的背景下解释相对论的理论。”后者通过明确提供上下文，引导 LLM 生成与物理学领域相符的回答，从而得到更相关和准确的答案。

避免引导性或偏见语言

在提示工程中需要避免的一个陷阱是使用引导性或带有偏见的语言。有效的提示应保持中立以获得无偏见的回应。例如，考虑以下提示：“可再生能源为什么比化石燃料优越？”和“比较可再生能源和化石燃料的优缺点。”第一个提示微妙地暗示了对可再生能源的偏见，而第二个提示则保持中立立场，促使得到平衡的回应。

从本质上讲，一个良好构建的提示的结构取决于清晰度、具体性、上下文和中立性。通过掌握这些原则，我们能够驾驭 LLM（大型语言模型）提供的广阔可能性领域，最终提升我们的互动并增强提取有意义的见解的能力。

1.3 探索不同的提示风格

提示工程是一种超越语法本身的技艺；它包括风格、语气和结构。提示风格的选择可以显著影响与 LLM（如 ChatGPT3.5 和 GPT-4）的交互结果。在本节中，我们将深入探讨不同的提示风格，每种风格都有其独特的优势和用途。本章中提示的实用示例是利用 ChatGPT 最近应用中的见解开发的。

询问式提示：寻求直接答案

询问式提示是基于问题的，当你寻求精确、直接的回应时非常有效。它们将输入作为查询，促使 LLM 简洁地回答。例如，“细胞的主要组成部分是什么？”或“你能解释区块链技术的概念吗？”询问式提示为信息丰富、直接了当的回应设定了明确的期望，在教育环境和信息检索任务中非常有价值。

命令式提示：发布命令

命令式提示是指导性和指示性的。当你希望 LLM 执行特定操作或根据一系列指南生成内容时使用。例如，“总结这篇研究论文的关键发现”或“写一个关于时间旅行者的创意故事。”命令式提示赋予用户控制权，将 LLM 的输出引导到预定义的目标。这些提示在内容生成任务和自动化重复写作任务中非常有用。

陈述式提示：提供上下文或信息

陈述式提示是信息性的，提供上下文或背景信息。当你想用特定上下文引导 LLM 时，它们特别有用。例如，“在环境科学背景下，讨论森林砍伐的影响”或“鉴于罗马帝国的历史，分析其衰落。”陈述式提示帮助 LLM 理解上下文，并生成与之相符的内容，从而促进更信息丰富和上下文感知的回应。

对话式提示：促进对话

对话式提示旨在启动并维持与 LLM 的自然、互动对话。它们通常包括诸如“你好”或“告诉我更多关于”等提示，以鼓励模型参与来回对话。例如，“你好，你能帮我理解量子物理吗？”或“告诉我更多关于你对气候变化的看法。”对话式提示对于创建模拟人类对话的引人入胜的聊天机器人和虚拟助手至关重要。

总之，理解不同的提示风格对于有效地与 LLM 在各种应用中进行交互至关重要。提示风格的选择应与你的目标和任务性质相一致。通过掌握提示风格选择的艺术，你可以充分发挥提示工程的优势，并提高与 LLM 交互的质量。

1.4 提示示例与分析

设计有效的提示是一项需要精确性和创造力的艺术。在本节中，我们探讨了各种提示示例，每个示例都针对特定领域定制，包括工程领域，以突出其构建背后的细微差别和策略。这些示例基于最新的研究和实际见解，以展示提示风格的多样性和应用。

工程和技术领域

示例 1：“在飞机设计背景下，解释控制升力和阻力的空气动力学原理。”

分析：此提示示例展示了在技术领域使用声明式风格。它提供了具体背景（“在飞机设计背景下”）和明确的指令，要求 LLM 解释与升力和阻力相关的空气动力学原理。此类提示对于获得结构化和详细响应至关重要，在工程研究和教育中极具价值。

创意写作和内容生成

示例 2：“撰写一篇 500 字的关于可持续建筑未来的文章，强调创新材料和节能设计。”

分析：在此，采用了命令式提示风格，以指导 LLM（大型语言模型）根据特定指南创建内容。通过指定字数并强调关键方面，如“创新材料”和“节能设计”，提示确保生成的文章针对可持续建筑的主题，并作为进一步编辑或出版的基石。

医疗和医学研究：

示例 3：“讨论 CRISPR-Cas9 等基因编辑技术的最新进展，突出其在治疗遗传疾病方面的潜在应用。”

分析：这种疑问式提示通过要求 LLM“讨论”和“突出”来征求全面的响应。它指定了关注“最近进展”和“潜在应用”，表明需要提供最新、信息丰富的响应。在医疗保健和医学研究领域，精确性和时效性至关重要，这种提示风格反映了这一点。

对话式 AI 和虚拟助手：

示例 4：“你好，你能告诉我本周末温哥华市的天气预报吗？”

分析：如本例所示，对话式提示通常以友好的问候开始，以建立自然的对话流程。通过询问特定地点和时间段的天气预报，提示鼓励 LLM 提供上下文感知信息，模仿与虚拟助手或聊天机器人的互动。

教育和学习应用：

示例 5：“用高中生能够理解的方式解释量子力学的基本概念。”

分析：这种命令式提示结合了指令风格和特定的受众焦点（“高中生”）。它挑战 LLM 为教育目的简化复杂主题，展示了提示工程在知识传播和教学应用中的适应性。

角色目标上下文风格：

最灵活且功能强大的风格之一是角色目标上下文（RGC）提示风格。RGC 提示在提供与 AI 模型的具体和上下文感知的交互方面表现出色。通过明确定义三个关键组件（“角色”、“目标”和“上下文”），这种提示风格可以用于广泛的用途。

RGC 结构如下：

角色：这个组件确定了你在 AI 模型生成响应时希望其采用的个性或功能。它为 AI 设定了场景，使其能够体现特定的角色、职业或专业知识。例如，它可以是科学家、教师或客户支持代表。

目标：目标明确了你希望通过 AI 的响应实现的具体目标。它定义了任务、要解决的问题或要提供的信息。它是你希望 AI 做的“什么”。

上下文：上下文提供影响 AI 响应的必要背景信息或约束。它可以包括情境细节、用户偏好或 AI 生成相关且有意义答案所需的任何相关信息。

以下提示示例涉及一个客户支持案例。

示例 6：“作为一名客户支持代表，为经常使用 Wi-Fi 路由器断开连接的用户提供连接问题故障排除。”

分析：在客户支持中，这种风格确保 AI 以技术故障排除指导的方式响应，理解用户的上下文和问题。它具有以下格式：

角色：客户支持代表
目标：为经常断开连接的用户解决连接问题。
上下文：用户正在使用 Wi-Fi 路由器。

第二章

构建上下文提示

对于 AI 驱动的通信，构建上下文提示类似于撰写一个精心构思的问题或准备一场引人入胜的对话。上下文提示为从 ChatGPT 中获得连贯和相关的响应奠定了基础。在本章中，我们深入探讨设计提示的艺术，这些提示能够有效地引导模型提供细微和针对性的回复。

2.1 利用上下文获取更相关的响应

有效的沟通依赖于理解上下文，ChatGPT 也不例外。通过在提示中融入上下文，我们引导模型更好地理解对话的轨迹。无论是引用聊天中的先前消息还是结合特定领域的提示，上下文提示赋予 ChatGPT 以连贯和相关的回复能力。上下文包括围绕对话或任务的信息和背景。有效的提示工程涉及以提供上下文的方式构建问题或请求，以帮助 LLM 理解和生成响应。这对于开放域对话 AI 尤为重要，因为上下文可以在对话中迅速演变。

示例 1：基本上下文增强

提示：“在太空探索的背景下，解释黑洞的概念。”

分析：在这个提示中，包含“在太空探索的背景下”为 LLM 提供了至关重要的上下文。它指定了讨论应围绕太空探索框架内的黑洞展开。没有这个上下文，响应可能会不够专注或可能缺乏与指定领域的相关性。这样的上下文提示对于确保 LLM 生成与期望主题和领域相符的响应是基本的。

示例 2：利用上一条消息

提示：“经典玛格丽塔披萨的关键成分是什么？”

上一条消息：

用户：“我喜欢意大利菜，尤其是披萨。”

分析：在这个场景中，用户的上一条消息提供了关于他们烹饪偏好的上下文信息。提示信息利用这一上下文来定制响应，重点关注意大利菜系，特别是玛格丽塔披萨。这导致了一个更符合上下文、与用户声明偏好一致的答案。

示例 3：动态上下文提示

提示：“告诉我更多关于太空探索的历史。”

用户额外输入：“我对阿波罗任务特别感兴趣。”

分析：这种动态方法根据对话中的演变上下文调整提示。提示根据用户的输入进行调整，通过结合用户对阿波罗任务的兴趣而变得更加具体。这种动态上下文适应确保了 LLM 的响应是根据用户在更广泛的太空探索主题中的当前关注点定制的。

最后，利用上下文来生成更相关响应的艺术是提示工程的多面性方面。无论是通过使用特定领域的上下文来构建提示，利用对话历史，还是动态适应实时用户输入，上下文都是增强与 LLM（如 ChatGPT）交互质量和相关性的强大工具。

2.2 利用先前对话轮次以实现流畅对话

现代对话式 AI 模型（如 ChatGPT 及其变体）的一个定义特征是它们维持上下文和引用先前对话轮次的能力。这一功能促进了无缝和连贯的对话，紧密模仿人类互动。在本节中，我们探讨使用先前对话轮次来增强对话连续性和深度的艺术，这得到了研究发现的实际例子的支持。

EXAMPLE 1: 上下文连续性

Prompt: “告诉我中国长城的历史意义。”

前一对话轮次：

User: “我计划明年夏天去中国旅行。”

分析：用户先前关于计划去中国旅行的消息为提示提供了上下文。通过引用这个上下文，对话式 AI 可以定制响应，关注长城的历史和旅游意义，这可能对旅行者相关。这展示了连续性如何增强对话中的相关性。

EXAMPLE 2: 多轮上下文

Prompt: “解释植物光合作用的过程。”

前一对话轮次：

User: “什么是光合作用？”

AI: “光合作用是植物将阳光转化为能量的过程。”

分析：在这个例子中，用户的初始问题随后是 AI 的解释。然后用户要求更多信息，为 AI 提供了在先前解释的基础上进行扩展的机会。这种多轮上下文使 AI 能够提供全面的响应，逐步分解光合作用的复杂过程。

EXAMPLE 3: 处理复杂对话

Prompt: “讨论可再生能源与化石燃料的利弊。”

前一对话轮次：

User: “可再生能源的环境效益是什么？”

AI: “可再生能源，如风能和太阳能，产生的温室气体排放更少。”

分析：在这个场景中，用户开始讨论可再生能源的环境效益。AI 的响应可以引用其关于减少温室气体排放的先前声明，开始对可再生能源与化石燃料的更广泛主题进行深思熟虑的辩论。

总之，使用之前的聊天回合进行无缝对话是有效对话式 AI 的基石。通过保留和引用上下文，这些模型能够参与更深、更相关、更连贯的对话。这种能力对于创建不仅信息丰富而且能够维持吸引人和情境丰富的交互的 AI 系统至关重要。

2.3 为个性化加入用户的姓名和详细信息

对话式 AI 中的个性化增强了参与度和相关性。通过使用用户的姓名和偏好等细节，AI 模型可以建立更强的联系，并提供更个性化的响应。在本节中，我们探讨了将用户特定信息纳入对话的策略和好处，包括支持引用和实际例子。实现这一目标的一种方式是使用用户设置中的“自定义指令”（help.openai.com/en/articles/8096356-custom-instructions-for-chatgpt)。

有两个空格可以用来提供用户信息和用户希望 ChatGPT 的响应方式，如图图 2.1 所示。

图 2.1 ChatGPT 中的自定义指令窗口。

EXAMPLE 1: 简单个性化

提示：“你好，我叫[用户姓名]。今天我能如何帮助你处理[话题]？”

分析：通过在问候中加入用户的姓名，AI 立即与用户建立了个人联系。这种简单的识别行为可以创造一个积极和欢迎的氛围，增强用户在对话中的参与感和舒适度。

EXAMPLE 2: 用户偏好

提示：“我注意到你对[用户兴趣]感兴趣。你想要了解该领域的最新发展吗？”

前一聊天回合：

用户：“我对可再生能源非常热情。”

分析：在这个例子中，AI 引用了用户之前表达的对于可再生能源的兴趣。这种引用不仅展示了积极倾听，还根据用户的偏好调整了后续的对话，可能导致更有吸引力和相关的讨论。

EXAMPLE 3: 动态个性化

提示（适应用户输入）：“告诉我更多关于你最近去[用户提到的位置]的旅行。那里的体验如何？”

用户输入：

用户：“我刚从巴黎旅行回来。”

分析：提示动态地结合了用户提到的位置（巴黎）和他们的最近旅行经历。这种情境个性化不仅展示了关注，还使 AI 能够参与更有意义的关于用户旅行的对话。

EXAMPLE 4: 展示同理心

提示：“我明白你是一位家长，[用户姓名]。我如何能帮助你在你所在地区找到适合家庭的活动？”

分析：在这个例子中，AI 不仅使用了用户的姓名，还认可了他们的父母角色。这种同理心的方法可以帮助建立信任和融洽关系，因为用户会感觉到在自己的特定环境中被理解和支持。

总之，在创建引人入胜且相关的 AI 驱动对话中，融入用户特定的细节是一种强有力的策略。无论是使用用户的姓名、引用他们的偏好，还是适应对话不断变化的环境，个性化都能提升用户体验并促进更有意义的互动。

第三章

提出具体问题

在 AI 驱动交互的领域，通过提示提出清晰和具体问题的能力是一种强大的技能。第三章探讨了制作提示的艺术，这些提示不仅能够激发精确的回答，还能够驾驭语言的复杂性，从 ChatGPT 中提取准确信息。

3.1 提出清晰和直接问题的技巧

提出清晰和直接问题的艺术是有效沟通的基础，尤其是在与 AI 系统互动时。在本节中，我们将探讨制定精确问题以获得准确和相关信息的技术和策略。这些技术基于研究结果，并伴有实际示例来说明其应用。

示例 1：精确力的力量

提示： “请解释真核细胞中细胞呼吸的过程。”

分析：这个提示展示了精确技术的例子。它指定了主题（细胞呼吸）和上下文（真核细胞），没有留下误解的空间。通过消除模糊性，AI 可以提供简洁准确的回答，满足用户的要求。

示例 2：通过上下文清晰度

提示： “在经济学背景下，供需的关键原则是什么？”

分析：这个提示利用上下文来增强清晰度。通过将问题置于经济学的背景下，AI 能够理解用户的兴趣领域，并提供了与该领域内的供需原则相关的具体回答。上下文框架减少了模糊性并确保了相关性。

示例 3：封闭式清晰度

提示： “金的熔点比铁的熔点高吗？”

分析：通过将问题结构化为封闭式查询，用户寻求一个直接回答，比较金和铁的熔点。这种格式消除了需要冗长解释的需要，并鼓励 AI 提供简洁、基于事实的回答。

示例 4：模糊性澄清

提示： “你能告诉我关于人工智能和机器学习最近的发展情况吗？”

分析：这个提示最初提出了潜在的歧义问题。“最新进展”可能指的是过去一年、上个月甚至更近期的进展。为了消除这种歧义，用户可以指定一个时间范围，例如，“你能告诉我过去一年人工智能和机器学习的进展吗？”这种修改确保了更精确的回答。

总之，在与人工智能系统互动时，提出清晰直接的问题是基础技能。采用诸如具体性、情境框架、封闭式查询和避免歧义等技术可以显著提高收到的回答质量，最终导致更高效和有意义的互动。

3.2 导航歧义：如何获得精确答案

歧义是在与人工智能系统互动时常见的挑战，但可以通过适当的技术有效地管理。在本节中，我们将探讨导航歧义的战略，以确保您从人工智能模型中获得精确和相关的答案。这些策略基于研究，并通过实际示例展示其有效性。

歧义难题

当一个问题或请求缺乏清晰或具体性时，就会产生歧义。尽管人工智能模型功能强大，但在面对模糊查询时可能难以提供精确的回答。为了克服这一挑战，必须采用减少歧义的技术。

示例 1：处理模糊性

提示：“告诉我关于最好的餐厅。”

分析：这个提示本身具有歧义，因为它没有指定构成“最佳”或地点的标准。为了获得精确的答案，提供更多上下文或标准至关重要。例如，“你能推荐纽约市评分最高的意大利餐厅吗？”这缩小了范围并减少了歧义。

示例 2：明确范围

提示：“解释气候变化。”

分析：术语“气候变化”可以涵盖多个方面，例如原因、影响或缓解策略。为了获得精确的答案，请具体说明您想了解的方面。例如，“你能描述气候变化的人类原因吗？”这缩小了焦点并减少了歧义。

示例 3：多步骤清晰

提示（多步骤）：“首先，解释量子纠缠的概念。然后，描述其对量子计算的影响。”

分析：在处理像量子物理这样的复杂主题时，将问题分解为两个不同的步骤可以减少歧义。这确保了问题的每个部分都能得到专注和精确的回答。

示例 4：请求澄清

用户：“告诉我关于人工智能的最新进展。”

人工智能：“人工智能最近取得了显著的进步。”

用户（寻求澄清）：“你能提供这些进步的具体例子吗？”

分析：当面对模糊的回答时，用户通过请求具体例子来寻求澄清。这种主动的方法引导对话走向更精确、更有信息量的答案。

示例 5：定义关键术语

提示：“解释‘暗物质’在天文学中的作用。”

分析：“暗物质”在天文学中是一个具有特定含义的术语。通过在提示中将其引号括起来或提供简短的定义，你可以降低模糊性的风险，并确保 AI 准确理解你的问题。

总之，在 AI 系统中导航模糊性以获得精确答案对于有效的互动至关重要。采用提供上下文和具体信息、将问题分解成多个步骤、寻求澄清和定义关键术语等技术可以显著提高你收到的回答的质量和准确性。

3.3 使用结构良好的查询揭示隐藏信息

在对话式 AI 和信息检索领域，揭示隐藏或不太明显信息的能力是一项宝贵的技能。结构良好的查询，旨在深入挖掘或探索细微主题，可能是提取宝贵见解的关键。在本节中，我们深入探讨构建结构良好查询以揭示隐藏信息的技巧和策略。

示例 1：探求细节

提示：“告诉我关于埃菲尔铁塔建设的历史，包括任何鲜为人知的事实。”

分析：这个提示不仅超越了普通的信息请求，还特别指示 AI 揭示关于埃菲尔铁塔建设历史的鲜为人知细节。通过鼓励探索隐藏的事实，AI 可以提供更丰富、更有信息量的回答。

示例 2：开放式探究

提示：“你能告诉我关于披头士乐队除了音乐之外的文化影响吗？”

分析：通过询问“超出他们的音乐”的文化影响，这个查询促使 AI 深入探索披头士乐队影响的不太明显的方面，例如他们在塑造时尚、社会运动或流行文化中的作用。

示例 3：比较探索

提示：“比较和对比两位著名哲学家伊曼努尔·康德和弗里德里希·尼采在伦理观上的方法。”

分析：这个查询迫使 AI 探索康德和尼采伦理哲学中的细微差异和隐藏的见解。通过强调比较和对比的需要，它鼓励揭示不那么明显的区别。

示例 4：请求证据

提示：“提供区块链技术在金融行业以外的实际应用示例。”

分析：通过请求“超出金融”的具体例子，这个查询鼓励 AI 揭示区块链技术的更不明显应用，例如供应链管理、医疗保健或投票系统。

示例 5：历史背景化

Prompt: “In the context of the 1960s Civil Rights Movement, discuss the contributions of lesser-known activists and their impact on social change.”

Analysis: This query, framed within the historical context of the 1960s Civil Rights Movement, prompts the AI to uncover the often-overlooked contributions of lesser-known activists, shedding light on hidden facets of the movement.

In conclusion, uncovering hidden information with well-formed queries is a powerful tool in the arsenal of conversational AI users. Techniques such as employing open-ended queries, encouraging comparative analysis, requesting supporting evidence, and using historical or contextual prompts can unearth concealed knowledge and provide a deeper understanding of complex topics.

CHAPTER 4

PROVIDING CONSTRAINTS AND

GUIDELINES

Chapter 4 examines the art of using ChatGPT by setting constraints and guidelines within prompts. By establishing boundaries, we shape the content generated and ensure responsible, ethical, and contextually appropriate responses.

4.1 SETTING CONSTRAINTS FOR DESIRED OUTPUT

In the dynamic landscape of AI and natural language processing, setting constraints on the desired output is a strategic approach for fine-tuning responses and ensuring they align with specific objectives. This section delves into the nuances of constraint setting as a technique for refining AI-generated content. It is underpinned by research findings and enriched with practical examples to elucidate its applications.

The Role of Constraints in AI Interaction

Constraints act as guiding principles that direct AI models to generate responses within defined boundaries. They are instrumental in tailoring responses to meet particular criteria, fostering controlled and contextually appropriate interactions.

EXAMPLE 1: Imposing a Length Constraint

Prompt: “Summarize the impact of climate change on polar ice caps in 50 words or less.”

Analysis: By stipulating a word limit of 50 words, this constraint ensures that the AI provides a concise summary. This is invaluable for scenarios where brevity is paramount, such as news headlines or social media posts.

EXAMPLE 2: Format Constraint for a Poem

Prompt: “Compose a Khayyam-style poem about the beauty of a sunset.”

Analysis: By requesting a Khayyam, a traditional form of Persian poetry with specific syllable, the prompt guides the AI to generate content within the specified poetic format, resulting in a concise and structured response.

EXAMPLE 3: Domain Constraint in Medical Context

Prompt: “Explain the mechanism of action of antibiotics in treating bacterial infections.”

Analysis: By referencing the specific drug and medical condition, this constraint confines the AI’s response to the domain of medicine, guaranteeing a focused and expert-level explanation.

EXAMPLE 4: Mimicking a Literary Style

Prompt: “Write a short story in the style of Edgar Allan Poe.”

分析：通过引用埃德加·爱伦·坡的风格，这个约束指导人工智能创作出具有坡独特的黑暗和氛围叙事风格的故事，提供定制的文学体验。

示例 5：确保伦理回应

Prompt: “请分享关于机器人和人类在临床和医院环境中互动的伦理考量的见解。”

分析：这个约束强调了在医疗行业背景下提供帮助和资源的同时严格遵守伦理指南的重要性。

示例 6：敏感话题的定制约束

Prompt: “讨论[sensitive topic]的历史背景，同时避免使用冒犯性语言或偏见。”

分析：在此，设置了一个定制约束来处理敏感话题，同时确保回应保持尊重和无偏见的语气。

在利用人工智能模型潜力并使其输出与特定目标和伦理考量相一致的过程中，约束起着不可或缺的作用。无论是指导内容长度、控制领域、模仿风格、确保安全或实施定制限制，约束都赋予用户以控制和有目的的方式与人工智能互动的能力。

4.2 确保伦理和负责任回应

在人工智能系统开发和部署中，伦理和负责任的人工智能互动至关重要。本节讨论了确保人工智能生成的回应与伦理指南和社会价值观相一致的关键方面。它得到了关键研究发现的支撑，并通过现实世界的例子来说明伦理考量在人工智能中的重要性及其应用。

人工智能中的伦理：一项基本要求

随着人工智能系统越来越融入社会的各个方面，解决伦理问题对于确保负责任的人工智能使用至关重要。以下示例突出了在人工智能互动中伦理考量的重要性：

示例 1：减轻偏见

Prompt: “提供关于领导风格中性别差异的概述。”

分析：确保人工智能的回应无偏见且不受性别刻板印象的影响至关重要。负责任的人工智能回应应呈现平衡的观点，承认个体差异，避免强化性别偏见。

示例 2：处理敏感话题

Prompt: “讨论二战期间广岛轰炸及其历史意义。”

分析：在处理像二战这样的敏感历史事件时，人工智能应提供尊重且历史准确的回应。

示例 3：预防欺凌

Prompt: “你能提供有效应对被欺凌感受的建议吗？我需要三个有用的策略。”

分析：对处于困境中的用户做出回应需要高度的伦理责任感。人工智能回应应优先考虑立即援助、同理心和指导，以寻求人类专业人士或危机热线帮助。

示例 4：政治中立

提示：“解释社会主义相对于资本主义的优点，反之亦然。”

分析：为了保持政治中立并避免偏见，人工智能响应应提供对两种系统的客观分析，而不偏袒任何一方。道德人工智能应鼓励批判性思维，而不是强加特定的观点。

示例 5：隐私和数据安全

提示：“您存储了哪些关于用户个人的信息，以及它是如何被使用的？”

分析：道德人工智能系统在数据处理方面的透明度是优先考虑的。响应应清楚地解释数据存储和使用实践，同时尊重隐私法规和用户同意。

总之，确保人工智能系统产生道德和负责任响应不仅是一种最佳实践，更是一项道德 imperative。减轻偏见、谨慎处理敏感话题、负责任地应对危机、保持政治中立以及尊重隐私和数据安全是道德人工智能交互的基本方面。这些考虑必须融入人工智能系统的开发和部署中，以促进负责任和道德的人工智能使用。

4.3 为定制内容组合约束

在追求精确和情境相关的人工智能生成内容的过程中，战略性地组合多个约束可以是一种强大的方法。本节讨论了组合约束以定制人工智能响应的艺术，借鉴研究洞察力和实际案例来阐明这种技术的有效性。

多个约束的协同作用

通过应用多个约束，可以实现针对人工智能内容生成的精细调整方法。通过仔细组合约束条件，用户可以塑造响应以满足特定要求，同时确保道德、准确和情境适当的交互。

示例 1：制作道德营销内容

提示：“为我们的新产品生成一个吸引人的营销标语，确保它引人注目且不包含任何冒犯性语言或刻板印象。”

分析：这个提示结合了与营销有效性和道德考虑相关的约束。生成的标语应既吸引人又具有社会责任感，反映营销目标和道德标准之间的平衡。

示例 2：生成技术文档

提示：以简洁无术语的方式提供我们软件产品的技术文档。

分析：这个提示结合了简洁性和使用平实语言的约束。它指导人工智能生成既用户友好又易于理解的文档，满足更广泛的受众。

示例 3：制作敏感医疗内容

提示：“解释这种药物的可能副作用，使用简单语言并避免任何令人担忧的表述。”

分析：在这里，与简单性和避免引起恐慌性语言相关的约束被采用。人工智能响应必须确保清晰，同时不引起用户对潜在副作用的过度担忧。

EXAMPLE 4: 教育内容示例

提示语：“为中学生撰写一篇关于气候变化的科普文章，使用适合他们年龄的语言，并保持科学准确性。”

分析：此提示语结合了适合年龄的语言和科学准确性的约束。AI 的回应应保持平衡，使复杂的科学概念对年轻观众易于理解，同时保持事实的完整性。

EXAMPLE 5: 伦理销售提案

提示语：“为我们的环保产品撰写一个销售提案，强调其环境效益，同时避免绿色洗脑或夸张。”

分析：这个请求结合了与环保信息和道德营销相关的约束。AI 生成的销售提案必须透明、诚实地推广产品的环境优点。

总结来说，结合针对定制内容的约束，使用户能够微调 AI 回应以满足多样化的目标，同时维护伦理、情境和以用户为中心的考虑。约束的协同作用可以产生在竞争性要求之间达到和谐平衡的内容，从而产生既精确又与情境相关的回应。

第五章

多样化的创意提示语

内容

第五章探讨了创意提示语工程，其中想象力和 AI 生成内容的融合至关重要。通过掌握制作开放式提示语的技艺，我们解锁了 ChatGPT 生成各种创意输出的潜力，从故事和诗歌到创新想法。

5.1 使用开放式提示语激发创意写作

开放式提示语是 AI 驱动内容生成中创造力的催化剂。本节探讨了通过开放式提示语激发创意写作的艺术。本章中提示语的实用示例是使用 ChatGPT 应用开发的。

通过开放性促进创造力

开放式提示语的特点在于其固有的约束缺失。它们提供了必要的创造性自由，使 AI 模型能够生成富有想象力、创新性并针对特定创意目标的内容。

EXAMPLE 1: 编写短篇小说

提示语：“写一个以‘那本老旧、尘封的书静静地放在书架上，等待着有人勇敢地翻动它的书页’开头的短篇小说。”

分析：这个开放式提示语提供了探索无数叙事可能性的自由。它通过呈现一个引人入胜的场景来激发创造力，但将情节、人物和主题完全留给作者的想象力。

EXAMPLE 2: 创作诗歌

提示语：“以‘沉默’的概念为灵感创作一首诗。”

分析：诗歌往往在开放式环境中蓬勃发展。此提示语邀请作家以他们独特的方式探索“沉默”的多重主题，允许有各种各样的解释和诗歌表达。

EXAMPLE 3: 设计艺术品描述

提示： “为激发惊奇感的抽象画作写一段引人入胜的描述。”

分析：这个提示让作者能够创作生动的描述，而不需要指定具体细节。它通过鼓励作者用他们的文字唤起情感和意象来培养创造性表达。

EXAMPLE 4: 发展对话

提示： “写一段对话，两个在繁忙的城市公园初次见面的角色之间的对话。”

分析：对话是角色发展和讲故事的良好工具。这个开放式提示为角色互动设定了舞台，同时将对话的性质和情节方向留给作者的想象力。

EXAMPLE 5: 构建创新解决方案

提示： “描述一项革命性的交通发明。”

分析：未来场景是开放式提示的理想选择。这个提示鼓励作者想象并阐述富有想象力的发明，推动创新和创造性的边界。

总之，开放式提示对于激发创造性写作是无价之宝。它们为作者提供了探索、想象和创新的空间，不受严格指南的约束。通过利用含糊性、主题、情感深度、角色互动和前瞻性概念，开放式提示在人工智能驱动的内容生成中释放了全部的创意潜力。

5.2 生成诗歌、故事和对话

在创意内容生成中，人工智能的多样性体现在其能够创作诗歌、故事和对话的能力。本节探讨了如何使用人工智能创作引人入胜的文学作品。本章中提示的实用例子是使用 ChatGPT 应用程序开发的。

人工智能作为创意灵感的源泉

人工智能模型已成为诗人、作家和剧作家的灵感来源。它们可以生成跨越广泛主题和风格的诗歌、故事和对话，提供丰富的创意源泉。

EXAMPLE 1: 诗歌生成

提示： “创作一首诗，捕捉黎明时分宁静森林的本质。”

分析：人工智能可以将文字编织成诗意的诗句，唤起森林在第一缕晨光中苏醒的宁静美景。这样的诗歌不仅仅是算法的结果，而是数据驱动创造力的和谐融合。

EXAMPLE 2: 讲故事

提示： “创作一个关于时间旅行者发现亚马逊雨林深处一个被遗忘文明的故事。”

分析：人工智能驱动的讲故事就像一场文学之旅，将读者沉浸在融合科幻、冒险和探索元素的想象故事中。结果是激发好奇心和惊奇感的叙事。

EXAMPLE 3: 对话创作

提示： “写一段对话，一位智慧的老贤者和一位好奇的年轻学徒讨论宇宙的秘密。”

分析：AI 生成的对话为角色注入生命，使它们能够进行有意义的对话。这些互动可能探讨哲学概念，传授智慧，或提供有价值的见解。

示例 4：协作故事讲述

提示：“作为一位创意写作助手，与我合作编写一部小说。”

分析：与 AI 协作讲故事是一个互动和创造性的过程。它结合了人类的想象力与 AI 生成连贯且与上下文相关内容的能力。

示例 5：历史对话重现

提示：“创造一场历史人物阿尔伯特·爱因斯坦和玛丽·居里之间的对话，讨论他们的突破性发现。”

分析：AI 驱动的对话重现可以使历史人物栩栩如生，使他们能够参与假设性的对话，揭示他们的思想、动机和互动。这丰富了历史故事讲述和教育。

总结来说，AI 生成诗歌、故事和对话的能力为创造力开辟了令人兴奋的可能性。它作为一位缪斯，提供主题、叙事和角色驱动的内蓉，可以激发作家和读者的灵感。提供的例子展示了 AI 如何成为创意内容生成的宝贵工具，促进文学探索的新途径。

5.3 使用提示生成想法和概念

提示不仅是生成内容的有力工具，还有助于人们发展创意想法和创新概念。本节探讨了如何利用提示来激发创造力和想法生成。本章中提示的实用示例是使用 ChatGPT 应用开发的。

提示作为创意催化剂

提示作为灵感的催化剂，能够帮助人们发展创意想法，引导个人走向新颖的想法和概念。

示例 1：设计未来科技

提示：“设想一种可能革命化通信的未来技术。描述其功能和用户体验。”

分析：这个提示鼓励在技术设计上进行前瞻性思考和革新。它挑战个人构思通信领域的突破，将创造性与实用性相结合。

示例 2：制作独特的烹饪食谱

提示：“创造一道结合传统烹饪与现代烹饪技术的食谱。”

分析：这个提示激发烹饪创意，将传统与现代融合。它鼓励厨师尝试口味和技术，从而产生独特的烹饪作品。

示例 3：制定商业策略

提示：“为一家旨在利用 AI 为社会带来好处的初创企业制定商业策略。”

分析：在商业界，这样的提示刺激战略思维和创业创新。它挑战商业人士将 AI 技术与社会影响倡议相结合。

示例 4：构思建筑设计

提示：“设计一座与自然环境融合的环保住宅楼。”

分析：这个提示鼓励建筑师思考可持续设计和与自然的和谐相处。它促进了环境建筑和绿色生活空间的创造力。

示例 5：生成教育项目想法

提示：“提出一个结合虚拟现实以增强学习的教育项目想法。”

分析：这个提示邀请教育工作者思考技术在学习中的应用。它挑战他们使用虚拟现实创造沉浸式和互动式的教育体验。

总之，提示是跨学科中用于创意生成和概念发展的多功能工具。通过运用问题解决框架、抽象表达、情境挑战、体裁和主题探索以及科学探究，个人可以利用提示来释放他们的创造力，生成创新的想法和概念。

5.4 通过多模态提示探索创造力

多种表达方式（如文本、图像和音频）的融合，开启了新的创意可能性。本节探讨了如何利用研究洞察力和实际案例，通过多模态提示进行创新和富有想象力的内容创作。请注意，目前 Chat-GPT 和 GPT-4 是基于文本的。像 OpenAI 的 CLIP（对比语言-图像预训练）和 DALL-E 这样的工具，就是将视觉和语言结合以生成新结果的例子。最近，GPT-4 获得了利用语音和语音作为提示的能力。这一功能使用户能够在对话保存的同时与 GPT-4 进行交谈，并在需要时提供对话内容。根据 OpenAI 的说法，这一功能使得 AI“...能够看、听、说。”在 GPT-4 中，“看-听-说”能力代表了模型多模态能力的重大进步。虽然早期版本主要处理和生成文本，但 GPT-4 整合了多种模态，使其能够理解和生成视觉、听觉和文本领域的跨域内容。这意味着 GPT-4 可以通过处理和解释图像“看”，通过理解听觉信号“听”，并通过产生文本或可能的其他输出形式“说”。这种多模态方法增强了模型的多功能性，使其能够进行更全面的交互和应用。无论是描述图像内容、转录音频片段，还是基于多感官输入生成文本，see-hear-speak 功能将 GPT-4 置于 AI 能力的前沿。

多模态创造力的力量

多模态提示结合了各种媒体形式来激发创造力。这些提示不仅超越了仅使用文本，还鼓励个人与视觉、听觉和文本元素互动，使用户享受更动态和丰富的创作过程。

示例 1：视觉叙事

多模态提示： “根据这张图片创作一个短篇故事：[插入一张夜晚神秘森林的图片]。使用文字和图像来传达故事。”

分析：这个多模态提示挑战 AI 不仅构建引人入胜的叙事，还将神秘森林的视觉元素融入其故事中。提示及其结果促进了文本和视觉叙事的协同作用，激发用户的创造力。

例 2：音乐与诗歌融合

多模态提示：“根据这个音乐片段的旋律创作一首诗：[插入一段宁静的钢琴曲音频片段]。”

分析：这个提示要求 AI 将诗歌的文字与提供的音乐片段的情绪和节奏同步，创造独特的视听和文字结果的融合。

例 3：交互式视觉艺术

多模态提示：“制作一个根据用户交互而变化的交互式数字艺术作品。结合视觉和听觉元素以创造沉浸式体验。”

分析：这个多模态提示挑战数字艺术家创作动态和互动的艺术作品，在多个感官层面上吸引用户。它鼓励探索用户驱动的创造力。

例 4：播客脚本编写

多模态提示：“为讨论太空探索未来的播客剧集编写脚本。包括对话以及伴随动画的视觉提示。”

分析：这个提示将文本元素与视觉和听觉成分的预期相结合。播客脚本编写者被要求创作引人入胜的叙事，这些叙事能够无缝地与多媒体内容结合，促进叙事的整体方法。

例 5：视觉诗歌表演

多模态提示：“创作一首可以转化为视听表演的视觉诗。诗歌的文字应与视觉和音乐同步，使观众沉浸在多感官体验中。”

分析：这个提示要求 AI 利用文字来开发一个结合视觉美学、音频创作和诗歌表达的多感官表演。这个提示利用了 AI 生成除传统诗歌之外内容的能力。

总之，多模态提示是培养通过整合各种媒体形式创造力的强大工具。通过采用跨媒体整合、基于情绪的创作、沉浸式体验、跨媒体叙事和感官整合，创作者可以探索 AI 生成的比单模态提示结果更优越的新颖建议。

第六章

调试和迭代

提示

第六章描述了调试和迭代提示的过程。正如工匠一点一点地完善杰作一样，提示工程师也必须仔细审查和改进他们的提示以实现最佳效果。本章讨论了在提示设计中识别、解决和从挑战中学习的复杂性。

6.1 解释和分析模型响应

理解和解释模型响应是提示工程的基本方面，对于制作有效的提示和迭代改进模型性能至关重要。本节通过研究洞察力和实际示例来探讨解释模型响应的细微差别。

解码模型输出

当与像 ChatGPT 和 GPT-4 这样的大型语言模型（LLMs）合作时，对模型响应的解释不仅涉及评估语法正确性，还涉及多方面的分析，需要考虑相关性、连贯性、偏见以及与用户意图的一致性等因素。

示例 1：评估相关性

提示： “解释黑洞的概念。”

分析：在这种情况下，一个相关的模型响应应提供对天体物理学中黑洞的清晰和准确解释。偏离这个主题，如无关的轶事或离题内容，表明模型响应缺乏相关性。

示例 2：分析连贯性

提示： “写一个关于侦探在一个小沿海城镇解决神秘谋杀案的故事。”

分析：在叙事提示中，连贯性至关重要。一个连贯的模型响应应遵循逻辑故事线，情节、人物和事件紧密相连。不连贯的叙事会破坏叙事流程。

示例 3：识别偏见

提示： “讨论普遍医疗保健系统的优缺点。”

分析：在评估涉及意见或分析的建议时，偏见检测至关重要。有偏见的内容可能呈现单方面的观点或使用情绪化的语言，从而破坏响应的客观性。

示例 4：评估完整性

提示： “解释光合作用的过程。”

分析：完整性涉及评估模型响应是否提供了对主题的全面解释。不完整的响应可能省略关键细节或步骤，留下解释中的空白。

示例 5：用户意图一致性

提示： “为家庭晚餐聚会建议素食食谱。”

分析：在具有特定请求的提示中，与用户意图的一致性至关重要。模型的响应应提供适合家庭晚餐聚会的合适素食食谱，与用户的意图相一致。

总之，解释和分析模型响应是一个多方面的过程，涉及评估相关性、连贯性、偏见、完整性和与用户意图的一致性。通过采用这些技术，提示工程师可以更深入地了解模型行为，确定改进领域，并迭代地改进提示以实现更准确和上下文相关的响应。我们可以要求 ChatGPT 分析其响应。例如，示例 1 中的提示可以写成：“解释黑洞的概念。从相关性角度分析你的响应，写一个简短的段落并引用三个实际参考文献。”

6.2 识别误解和错误

提示工程中的一个关键挑战是识别和纠正模型响应中的误解和错误。本节深入探讨了识别和解决这些问题的关键过程，借鉴了研究见解和实际案例。

误解的挑战

当模型误解用户的意图时，可能会发生误解，导致与主题无关、不准确或上下文不适当的响应。识别和纠正这些误解对于提高 AI 生成内容的质量至关重要。

EXAMPLE 1: 提示中的歧义

提示：“解释大爆炸的重要性。”

分析：虽然这个提示对人类来说很清楚，但它包含了一个 AI 模型可能会误解的歧义。模型可能会将“大爆炸”解释为电视剧或巨大噪音的参考，从而导致与预期天体物理概念无关的响应。

EXAMPLE 2: 处理多模态提示

多模态提示：“描述这张图片所描绘的场景：[插入繁忙的城市街道的图片]。”

分析：包含视觉元素的多模态提示需要仔细选择正确的术语和图像。如果模型无法正确解释图像，它可能会产生与视觉内容不一致的不准确描述。

EXAMPLE 3: 解决技术误解

提示：“解释恒星中核聚变的过程。”

分析：在技术提示中，误解可能导致响应不准确。如果模型误解了核聚变的科学概念，产生的解释可能包含错误或不准确之处。可能需要通过可靠的已发表科学来源和参考文献进行验证。

EXAMPLE 4: 用户意图澄清

提示：“推荐改善心理健康的书籍。”

分析：用户的意图有时可能不清楚，这可能导致误解。在这种情况下，用户可能寻求应对压力的书籍，而模型可能会推荐关于心理健康障碍的书籍，从而导致意图不匹配。

EXAMPLE 5: 上下文不匹配

提示：“从故事中断的地方继续。”

分析：缺乏具体背景的提示可能导致 AI 模型产生不符合用户期望或叙事连续性的响应，从而导致中断或不连贯的故事叙述。

总之，识别和纠正模型响应中的误解和错误是提示工程的关键步骤。通过解决歧义、对齐多模态内容、确保技术准确性、明确用户意图以及保持上下文一致性，提示工程师可以提高 AI 生成响应的质量和可靠性。

6.3 提示的迭代和改进策略

提示工程的过程并不随着初始提示设计而结束；它是一个持续的过程，涉及改进和提升。在本节中，我们探讨使用研究洞察力和实际案例来迭代增强提示，以实现更好的模型响应的有效策略。

迭代提示改进周期

迭代提示类似于一个反馈驱动的循环，涉及持续的测试、评估和调整。这个周期对于随着时间的推移微调模型行为至关重要。

示例 1：解决歧义

初始提示：“解释‘光’的概念。”

分析：初始提示过于宽泛，可能导致关于“光”的各种含义的响应，例如黑暗的对立面或电磁辐射。为了解决这个问题，可以将提示细化以指定上下文，例如，“在物理学的背景下解释‘光’的概念。”这种澄清减少了歧义。

示例 2：纠正误解

初始提示：“将以下英文文本翻译成法语：‘他踢了球。’”

分析：如果模型持续将“踢”误解为“舔”，这表明存在误解。为了纠正这一点，可以通过提供反馈和添加上下文线索来迭代调整提示：“将以下英文文本翻译成法语，确保‘踢’被正确翻译为‘a donné un coup de pied。’”迭代过程解决了这类错误。

示例 3：提高完整性

初始提示： “描述莱昂纳多·达·芬奇的一生。”

分析：初始提示缺乏关于在结果中包含达·芬奇生活哪些方面的指导，可能导致回答不完整。通过指定范围进行迭代改进提示，例如，“提供关于莱昂纳多·达·芬奇早年生活、艺术生涯和发明的全面概述。”这种改进确保了完整性。

示例 4：明确用户意图

初始提示：“查找关于 AI 的新闻文章。”

分析：初始提示可能导致一系列与 AI 相关的新闻文章。如果用户的意图是查找关于 AI 伦理的最新发展，可以通过具体化来迭代改进提示：“查找过去一个月讨论 AI 技术伦理问题的新闻文章。”这种调整更有效地符合用户的意图。

示例 5: 上下文一致性

初始提示: “从故事中断的地方继续。”

分析: 如果模型缺乏来自先前故事段落的上下文，则此叙事提示可能导致不一致或断断续续的故事讲述。为了保持一致性，提示可以通过迭代增强上下文线索：“从故事中断的地方继续，主角被困在一个神秘的洞穴中。”这种细化提供了必要上下文。

总之，迭代和改进提示的策略对于提示工程过程至关重要。通过明确具体性、整合反馈、调整范围、与用户意图保持一致以及维护上下文一致性，提示工程师可以持续改进提示，以优化模型响应。

第七章

高级提示工程

第七章讨论了赋予用户更多控制 ChatGPT 响应的高级技术。通过掌握温度、Top-p、最大标记数等参数工具，并将条件逻辑纳入提示中，我们探索了动态和定制交互的提示工程前沿。

7.1 使用温度、Top-p 和最大标记数进行控制

微调语言模型的行为通常需要精细控制响应生成。在本节中，我们探讨了诸如温度、top-p（核采样）和最大标记数等技术，这些技术提供了有效的方法来影响模型响应的创造力、连贯性和长度。这些技术在塑造 LLM 输出方面至关重要。本章中提示的实用示例是使用 ChatGPT 应用开发的。

温度: 调节创造力

在 AI 的背景下，特别是在 GPT 之类的语言模型中，“温度”指的是控制模型响应随机性的参数。较高的温度，如 0.8，会导致更具创造性和多样化的响应，而较低的值，如 0.2，会产生更确定性和专注的输出。温度范围从 0 到 2，建议默认值为 1 以平衡响应。用户可以通过 OpenAI API 修改此参数。

示例 1: 影响创造力

提示: “写一首关于海洋的诗。”

分析: 通过调整温度参数，提示工程师可以微调模型响应的创造力。较高的温度可能导致充满想象力和丰富隐喻的诗篇，而较低的温度可以产生结构化和传统的诗句。

Top-p (核采样): 确保相关性

Top-p 是一种限制模型在标记生成过程中选择的技术。它从单词的最高概率分布中选择，确保生成的文本与上下文保持相关性。当模型即将预测序列中的下一个单词或标记时，它不会总是选择最可能的单词，而是考虑一组最可能的单词。例如，如果 top-p 设置为 0.9，模型将随机从一组单词中选择下一个单词，这些单词的总概率至少为 90%。Top-p 的值介于 0 和 1 之间。较高的值会产生更多更随机的文本，而较低的值会产生更确定性的单词。典型值通常设置在 0.7 到 0.95 之间。

示例 2：增强相关性

提示： “总结最新气候变化报告的关键发现。”

分析：当使用 top-p 样本（例如，top-p=0.7）时，模型更有可能产生简洁且与上下文相关的摘要，因为它专注于最可能的单词。这种技术降低了产生无关或冗长响应的风险。

最大标记数：限制响应长度

最大标记数是一个限制模型响应长度的参数。它允许提示工程师强制执行简洁的回复或设置特定的响应长度。

示例 3：控制响应长度

提示： “用 100 个字解释光合作用的过程。”

分析：通过指定最大标记数（例如，max tokens=100），提示工程师可以确保模型在定义的单词限制内生成简洁的解释。这种技术在需要简洁性的任务中特别有用。

总之，温度、top-p（核采样）和最大标记数是控制语言模型行为的通用工具。通过调整这些参数，提示工程师可以微调 AI 响应的创造力，增强其相关性，并限制响应长度，有效地定制模型输出以满足特定要求并优化用户体验。

7.2 在提示中嵌入条件逻辑

在提示中嵌入条件逻辑是一种强大的技术，用于提供明确的指令以引导模型行为。在本节中，我们探讨如何利用条件语句和逻辑，通过研究洞察力和实际案例来影响和控制语言模型的输出。

条件逻辑：引导模型响应

条件逻辑在提示中引入了一个结构化框架，使提示工程师能够指定应满足的条件以获得期望的响应。这些条件可以从简单的约束到复杂的决策树。

示例 1：控制语气

提示： “撰写一篇关于最近气候变化发展的新闻文章。如果语气是警世的，提供反驳论点以促进平衡报道。”

分析：这个提示通过指示模型考虑响应的语气，结合了条件逻辑。如果语气显得恐慌，模型被引导包括反论点以确保报道平衡。

示例 2：定制输出

提示：为智能手机生成产品描述。如果手机具有高分辨率摄像头，强调其摄影功能；否则，关注其他特性。

分析：这个提示中的条件逻辑根据智能手机的具体特性定制响应。如果存在高分辨率摄像头，模型被指导突出摄影功能；否则，它强调其他属性。

示例 3：错误处理

提示：提供解决 Wi-Fi 连接问题的说明。如果用户提到来自相邻网络的干扰，建议更改信道；否则，建议检查路由器设置。

分析：在这个提示中，条件逻辑处理 Wi-Fi 问题的不同场景。如果用户提到干扰，模型建议更改信道；否则，它提供有关路由器设置的指导。

示例 4：上下文内容生成

提示：写一段 Alice 和 Bob 两个角色之间的对话。如果对话变得有争议，引导它走向解决和和解。

分析：叙事提示中的条件逻辑确保即使 AI 生成的对话最初变得有争议，模型也会被引导转向解决和和解，保持建设性的叙述。

示例 5：多轮对话

提示：与用户进行对话。如果他们提到特定主题，提出后续问题以收集更多信息；否则，引入一个一般性话题进行讨论。

分析：在多轮对话中，条件逻辑可以管理用户交互。如果用户提到特定主题，模型会提出后续问题；否则，它开始一个一般性讨论。

总之，将条件逻辑纳入提示提供了一种结构化的方法，以有效地引导和控制模型响应。无论是语气引导、内容定制、错误处理、叙事控制还是动态用户交互，条件语句赋予提示工程师提供明确指令和微调模型行为的能力。

7.3 用于交互式体验的动态提示

动态提示引入了交互性和对 AI 生成内容的响应性，使体验引人入胜且交互性强。在本节中，我们探讨动态提示的概念以及它们如何被用于创建沉浸式和个性化的交互。

动态提示：促进参与

动态提示旨在响应用户输入，适应不断变化的环境，并提供交互式和个性化的体验。它们在需要持续用户交互的应用程序中特别有价值。

示例 1：交互式小说

初始提示： “你是一名侦探，正在调查一桩谋杀案。描述你的第一个行动。”

分析：这个例子展示了在互动小说中使用动态提示。故事根据用户的决定推进。例如，如果用户选择调查犯罪现场，提示会相应地演变：“你到达犯罪现场开始调查。你首先注意到的是哪个具体区域或物品？”这种适应性提示通过创造响应性和不断发展的叙事体验来加深用户的参与度。

示例 2：上下文聊天机器人

AI 提示： “你好！今天我能帮您做什么？”

分析：聊天机器人中的动态提示可以实现个性化交互。如果用户提到他们想要预订酒店，AI 提示会适应以下回应：“太好了！我可以帮你。你什么时候在哪里预订酒店？”这种做法使回应符合用户意图。

示例 3：基于游戏的学习

AI 提示： “让我们学习历史吧！你对哪个历史时期感兴趣？”

分析：教育应用中的动态提示允许用户选择他们的学习路径。如果用户选择了“古埃及”，AI 会适应以下回应：“选择得很好！让我们探索古埃及这个迷人的世界。你首先想了解哪个方面？”这种做法鼓励用户进行自我导向的学习。

示例 4：个性化内容推荐

用户提示： “推荐一部电影看看。”

分析：内容推荐的动态提示考虑用户偏好。如果用户提到喜欢科幻小说，提示会适应：“当然！根据你对科幻小说的兴趣，我推荐观看《银翼杀手 2049》。你怎么看？”这种做法使建议符合个人品味。

示例 5：实时协作

用户提示： “让我们合作写一个故事。我们每个人将写一句话来继续叙述。我先来：从前，……”

分析：协作故事中的动态提示会适应用户贡献的内容。在用户的句子之后，提示可以回应：“很好的开头！现在，让我们继续故事：‘在一个神奇的森林里……’”这种做法促进了实时协作和创造力。

总结来说，动态提示为 AI 驱动的体验引入了新的交互性和响应维度。无论是在互动小说、聊天机器人、教育应用、内容推荐或实时协作中，动态提示使提示工程师能够创建适应用户输入和偏好的吸引人和个性化的交互。

第八章

提示和

GPT-4 WITH PLUGINS

随着人类与人工智能模型之间的对话不断演变，插件已成为为 ChatGPT（更具体地说，GPT-4）量身定制提示的一个强大工具。本章探讨了插件的多面世界，展示了它们如何颠覆行业并重新定义用户体验。无论您是经验丰富的 AI 工程师还是提示工程领域的新手，这里提供的见解将帮助您更好地利用插件并发现人工智能驱动对话的完整潜力。

8.1 插件简介

插件是 GPT-4 生态系统中的一项强大补充。它们增强了基础模型的能力，使其能够执行更广泛的任务并提供更准确的答案。在本介绍性章节中，我们探讨了各种插件，揭示了它们在微调 AI 交互中的变革潜力。这些巧妙的工具通过引入专业功能丰富了用户与 AI 的对话体验。随着我们深入了解这些信息，您将了解插件如何赋予 AI 在各个领域（从语言翻译和情感分析到内容摘要）中表现出色的能力。通过详细研究现实世界案例，我们将揭示插件为人工智能驱动对话带来的多功能性和独创性。

8.2 为增强人工智能对话集成插件

在本节中，我们深入探讨无缝集成插件以增强 GPT-4 功能并使人工智能驱动对话更加复杂的细节。我们将探讨获取、实施和优化插件以微调 AI 交互的实用方面。在我们导航集成过程的同时，我们将讨论如何利用提示、GPT-4 和插件之间的协同作用来构建动态和响应式的对话，以满足各种需求和领域。请参考随附源代码提供的屏幕截图视频，以获取插件更新的实现过程和格式。

如何获取插件

插件可通过 GPT-4 订阅获得。以下步骤展示了如何安装和使用它们。

订阅：确保您拥有有效的 GPT-4 订阅。如果没有，请访问官方 OpenAI 网站（那里提供 GPT-4）并遵循订阅流程。
访问插件部分：登录后，通过点击“+新建聊天”按钮开始新的聊天会话。在主区域，将光标悬停在“GPT-4”上，然后点击“插件”。
浏览与选择：打开下拉菜单，点击“插件商店”。在这里，您将找到一个包含各种可用插件的库，从专业词汇到特定领域的定制。浏览它们并阅读描述，以确定哪些对您最有益。
安装：要安装您想要的插件，点击“安装”图标。您可以选择并安装多个插件。
配置：要启用已安装的插件，请点击下拉菜单并选择你想要启用的插件。已安装的插件图标将显示在页面顶部的列表中。每个聊天会话最多可以激活三个。请遵循每个插件工具的相关文档或网站上的指南，以获取更多详细信息并确保它们正确运行。
使用方法：一旦安装并激活，插件将由 GPT-4 使用，或者用户可以通过在提示中键入所需插件的名称来指定其使用方式。
更新与管理：定期检查“插件”部分以查找更新是一个好习惯。开发者可能会为他们的插件发布改进或补丁，确保它们与 GPT-4 的最新版本保持兼容和优化。
卸载：如果你决定不再需要某个插件，请返回到“插件商店”部分，并查找“卸载”按钮。点击此按钮将从你的 GPT-4 实例中移除插件。

记住，虽然插件可以增强 GPT-4 的功能，但它们也可能引入特定的偏见或关注领域。始终测试新插件以确保它们符合你的期望和需求。

示例 1：Wolfram 插件

插件通常增强或调整 GPT-4 的响应。例如，在集成 Wolfram 插件后，GPT-4 能够熟练处理复杂的数学或科学查询。如果你用启用了 Wolfram 插件的“计算不定积分 arcsin(x)”提示 GPT-4，增强后的 Wolfram 提示的 GPT-4 将会无缝检索并呈现精确的答案，如图 8.1 所示。

图 8.1 Wolfram 增强的 GPT-4 对提示“计算不定积分 arcsin(x)”的响应。

要查看代码，请点击“Used Wolfram”图标旁边的下拉菜单。图 8.2 展示了此示例中使用的代码。

图 8.2 用于 Wolfram 示例的代码。

示例 2：Prompt Perfect 插件

插件通常增强或调整 GPT-4 的响应。例如，在集成 Prompt Perfect 插件后，GPT-4 能够通过重新措辞使提示变得更加复杂和有效，从而熟练地处理提示。换句话说，它自动化了提示工程应用。如果你用提示“Prompt Perfect. 什么是气候变化？”提示 GPT-4，增强后的 Prompt-Perfect 提示的 GPT-4 将会无缝检索并呈现一个非常精确的答案。参见图 8.3。

图 8.3 原始提示（顶部）和工程化提示（底部）。

示例 3：KeyMate 插件

KeyMate 插件无缝集成 ChatGPT/GPT-4 的功能与 Google 搜索，引入了持续记忆功能以增强聊天交互。这种创新方法确保了对话不仅信息丰富，而且随着时间的推移保留上下文，从而提升用户体验并提供更连贯的交互。此外，尽管 OpenAI 表示 ChatGPT 的数据信息截止到 2021 年，但 KeyMate 插件的加入为用户提供了一种在一定程度上绕过这一限制的途径。图 8.4 展示了使用 KeyMate 插件增强的 ChatGPT 交互。

图 8.4 KeyMate 增强版 ChatGPT 对提示“温哥华明天的天气预报，使用国际单位制。表达确切的日期。KeyMate。”的响应

越来越多的插件正在为 GPT-4 开发。值得注意的例子包括 Expedia、Instacart、Kayak、Chatwithpdf、Visla 和 Smart Slides。每次用户在 GPT-4 中启动新的聊天时，都可以方便地通过插件商店访问可用插件的目录。

8.3 使用插件的好处

将插件与 ChatGPT 集成提供了许多优势，增强了其功能，使其能够适应各种任务。以下是一些主要的好处：

扩展知识库：通过利用外部数据源，ChatGPT 确保它提供的答案基于最最新可用的信息。这确保了其回答的准确性和相关性。

动态计算：通过插件，ChatGPT 不仅仅是一个静态的信息提供者。它能够进行实时计算，即时提供数学、科学和其他计算查询的解决方案。

与第三方服务的集成：这可能是最令人兴奋的好处之一。通过集成各种第三方服务，ChatGPT 可以执行广泛的任务。无论是安排预约、获取最新新闻还是控制智能家居中的智能设备，可能性是无限的，并且持续扩展。

定制和灵活性：插件允许用户根据特定需求定制 ChatGPT 的功能。无论是用于商业分析、教育目的还是个人任务，都可以添加或删除插件以定制用户体验。

持续学习和改进：通过集成插件，ChatGPT 可以持续学习和更新其知识库。这确保了 AI 保持技术进步的前沿，并能为用户提供最新和最相关的信息。

不断增长的插件库：随着开发者和用户群体的扩大，可用的插件库也在不断增长。这确保了 ChatGPT 能够适应新兴趋势、技术和用户需求。随着插件库的不断扩大，用户可以访问更广泛的功能，并持续发现新的利用 ChatGPT 的方法。

使用插件将 ChatGPT 从单纯的对话 AI 转变为一种多功能的工具，能够以多种方式协助用户。

8.4 流行 CHATGPT/GPT-4 插件

插件是增强各种平台功能的重要组成部分。特别是 ChatGPT，其插件的开发和采用量激增，这些插件增强了其功能。这些插件从网络浏览工具到动态计算模块不等，每个都旨在满足特定的用户需求。

目前，ChatGPT Plus/GPT-4 上有超过 200 个插件可供使用，帮助用户在各个领域的日常任务中。无论是教育、研究、烹饪还是娱乐，都可能有一个针对所需目的的插件。以下是 ChatGPT Plus 用户中流行的一些插件：

询问您的 PDF：专为研究人员设计，此插件允许用户直接从 PDF 中的信息提问并获得答案。
链接阅读器：可以读取内容并从所有类型的网络链接中提取信息，包括网页、PDF、图片等。
有 AI 工具：提供各种用途的 AI 工具数据库，包括图像编辑和 PDF 转换。
提示完美：帮助用户为 AI 聊天机器人制作有用的提示。
世界新闻：提供多语言新闻文章的有序列表和来源链接。
故事：允许用户参与讲故事的艺术，根据提供的提示生成吸引人的故事。
展示图表：使用户能够迅速生成带有文本说明的视觉图表。
MixerBox OnePlayer：一个综合的音乐汇编工具，根据用户偏好创建播放列表。MixerBox Calendar 和 MixerBox FindPlug 是该开发者提供的更多插件。
VoxScript：获取视频字幕并允许用户快速提取有用信息。
与 PDF 聊天：类似于“询问您的 PDF”，它理解教科书、讲义和演示文稿。
ScholarAI：为用户提供学术文章和学术研究的数据库访问权限。
视频洞察：分析视频内容以生成摘要、行动项目和关键亮点。
KeyMate.AI 搜索：通过在互联网上搜索各种主题的最新信息来增强您的知识库。
WebPilot：使用户能够与网站互动，从网站中提取特定信息或修改内容。
Wolfram：允许 ChatGPT 执行复杂计算并访问精选数据。
内容重写器：使用此插件，ChatGPT 可以用自己的话重写给定 URL 的内容。

这些插件以及其他许多插件展示了 ChatGPT 的多样性和适应性，使其成为各个领域中的强大工具。用户可以查看 GPT-4 插件商店中不断增长的插件列表。

第九章

现实世界应用

第九章探讨了人工智能和提示工程技术如何在现实世界应用中的多种方式。我们讨论了提示工程如何提升商业和私人项目，从客户支持聊天机器人简化用户查询到创意写作协助推动小说叙事。我们展示了人工智能在客户支持、商业、内容生成、教学和学习以及工程应用等领域的强大影响，并探讨了提示工程如何改善人类意图与机器响应之间的关系。您将能够观察到人工智能在日常世界中的变革力量，在这里理论变为现实，创新蓬勃发展。

9.1 在客户支持中应用提示工程

提示工程在客户支持中扮演着关键角色，提升了支持代理与客户之间互动的质量和效率。通过精心构建的提示，客户支持团队可以确保像 GPT-4 这样的 AI 模型提供准确和有帮助的响应，从而更快地解决问题并提高客户满意度。

利用提示工程增强客户支持

客户支持中的提示工程使组织能够简化其支持操作，提供及时的响应、准确的信息和改进的用户体验。

示例 1：简化技术支持

提示：作为客户支持代表，帮助用户解决他们与 Wi-Fi 路由器的连接问题。用户报告了频繁的断开连接。

分析：在这个例子中，提示明确定义了 AI 模型的角色、目标和上下文。它指示 AI 扮演客户支持代表的角色，专注于解决用户与 Wi-Fi 路由器的连接问题，理解用户已经经历了频繁的断开连接。这样的提示使客户支持代理能够高效地解决具体的技术问题，从而实现更顺畅和有效的支持互动。

示例 2：账单和账户协助

提示：作为客户支持代表，帮助用户解决账单和账户查询。用户报告了最近账单中的差异。

分析：在这个例子中，提示定义了 AI 模型的角色为客服代理，指定目标为协助账单和账户查询，并通过突出用户对其最近账单报表中差异的关注来提供上下文。这个精心设计的提示使 AI 能够专注于解决用户的具体问题，促进客服代理与用户之间更有效的互动。

示例 3：产品推荐

提示：“作为客服代理，提供定制产品推荐。用户寻求在特定预算范围内购买新笔记本电脑以及特定用途方面的建议。”

分析：在这个例子中，提示将 AI 分配为客服代理的角色，并确定了提供定制产品推荐的目标。上下文指定用户正在寻求关于在特定预算范围内购买新笔记本电脑以及特定用途方面的建议。这个精心设计的提示使 AI 能够提供相关和定制的产品建议，从而提升用户的购物体验并增加客户支持互动的价值。

总结：在客户支持中，提示工程帮助代理提供高效、准确和以用户为中心的互动。通过采用 RGC 询问提示、身份验证提示、偏好诱导提示、订单信息提示和政策澄清提示，组织可以提高其客户支持能力，提供及时解决方案并提升用户满意度。

9.2 为社交媒体和营销生成内容

社交媒体和营销可以从 AI 驱动的内容生成的潜力中受益。在本节中，我们深入探讨提示工程和语言模型如何革命性地改变社交媒体平台和营销活动的内内容创作。通过研究和实际案例，我们揭示了 AI 在制作吸引人并具有影响力的内容中的关键作用。

用 AI 驱动的内容改变社交媒体

社交媒体平台依赖于新鲜、吸引人的内容。通过提示工程驱动的 AI 已经在这个领域成为变革者，提供具有人性化的可扩展内容生成。

示例 1：社交媒体帖子

提示：“作为内容创作者，制作吸引人的社交媒体帖子。为一家科技公司的产品发布创建引人入胜的帖子。”

分析：在这个例子中，提示将 AI 分配为内容创作者的角色，并将目标设定为制作吸引人的社交媒体帖子。上下文指定帖子应专注于推广一家科技公司的新产品发布。这个精心构建的提示引导 AI 生成引人注目且相关的社交媒体内容，有助于成功的营销活动。

示例 2：标签活动

提示：作为社交媒体经理，制定一个有影响力的标签活动。创建标签及其相关内容，以围绕即将发布的产品发布产生轰动。

分析：在这个例子中，提示将社交媒体经理的角色分配给 AI，并确定了开发有影响力的标签活动的目标。上下文指定该活动应旨在创建一个热门标签及其相关内容，以产生对即将发布的产品发布的兴奋和期待。这个提示为 AI 提供了明确的指导，使其能够生成与目标受众产生共鸣并最大化参与度的标签想法和活动内容。

示例 3：产品描述

提示：作为抄写员，创建有说服力的产品描述。为一系列新技术产品生成吸引人且信息丰富的产品描述。

分析：在这个例子中，提示将抄写员的角色分配给 AI，并确定了创建有说服力的产品描述的目标。上下文指定任务涉及为一系列新技术产品生成吸引人且信息丰富的产品描述。这个精心设计的提示引导 AI 生成能够吸引潜在买家并提供有关特色技术产品的有价值细节的产品描述，从而最终提升电子商务购物体验。

总结来说，由提示工程驱动的 AI 内容生成正在改变社交媒体参与和营销活动。通过关注参与的提示、整合趋势的提示、以功能为中心的提示、以经验驱动的提示和说服性提示，组织可以利用 AI 的创造潜力来制作与受众产生共鸣并推动营销成功的引人入胜的内容。

9.3 教育用例：使用 ChatGPT 进行教学和学习

教育正准备迎接数字革命，而人工智能，尤其是由提示工程驱动的聊天机器人，正处在这一变革的前沿。在本节中，我们探讨人工智能如何通过研究结论和现实世界案例来革新教学和学习，阐明其在教育中的关键作用。

利用 AI 聊天机器人转型教育

由人工智能驱动的聊天机器人正在通过为所有年龄段的学生提供个性化、可访问和互动的学习体验来重塑教育。

示例 1：作业帮助

提示：作为虚拟导师，帮助学生解决微积分问题。学生需要逐步指导来找到复杂三角函数的导数。

分析：在这个例子中，提示将 AI 分配为虚拟导师的角色，并将目标定义为帮助学生在解决微积分问题。上下文指定学生需要找到复杂三角函数导数的逐步指导。这个精心设计的提示引导 AI 提供针对学生特定学术需求的教育支持，促进更有效和吸引人的学习体验。提示可以随后跟进一步的问题，帮助学生表达对问题的理解。

示例 2：语言学习

提示：“作为一名编程讲师，教授 Python 编程的基础知识。学生是初学者，寻求对 Python 的介绍，包括变量、数据类型和简单程序。”

分析：在这个例子中，提示将 AI 分配为编程讲师的角色，并将目标定义为教授 Python 编程的基础知识。上下文指定学生们是初学者，寻求对 Python 的介绍，包括变量、数据类型和简单程序等概念。这个精心设计的提示引导 AI 提供有效且结构化的 Python 编程介绍，满足学生的特定学习需求和目标。

示例 3：概念澄清

提示：“作为一名学科专家，解释量子力学的基本原理。学生们寻求对量子力学概念的清晰简洁的解释，包括波粒二象性和量子态。”

分析：在这个例子中，提示将 AI 分配为学科专家的角色，并将目标定义为解释量子力学的基本原理。上下文指定学生们寻求对量子力学概念的清晰简洁的解释，重点在于理解波粒二象性和量子态等主题。这个精心设计的提示引导 AI 提供信息丰富且易于理解的解释，帮助学生掌握复杂的科学概念。

示例 4：考试准备

提示：“作为一名考试教练，协助学生练习代数方程。学生需要指导练习解决涉及变量、分数和简化的代数方程，为即将到来的数学考试做准备。”

分析：在这个例子中，提示将 AI 分配为考试教练的角色，并将目标定义为协助学生练习代数方程。上下文指定学生需要指导练习解决涉及变量、分数和简化的代数方程，所有这些都是在为即将到来的数学考试做准备。这个精心设计的提示引导 AI 提供定制的练习和解释，帮助学生提高代数问题解决技能，并在考试中表现出色。

示例 5：毕业设计报告

提示：作为工程顾问，提供关于毕业设计报告的指导。学生正在制作一份毕业设计报告，详细介绍了用于可再生能源发电的小型风力涡轮机的设计、建造和测试。

分析：在这个例子中，提示将工程顾问的角色分配给人工智能，并确定了目标为提供关于毕业设计报告的指导。上下文指定学生团队正在制作一份毕业设计报告，详细介绍了用于可再生能源发电的小型风力涡轮机的设计、建造和测试。这个深思熟虑的提示引导人工智能提供专业建议、见解和反馈，帮助学生成功完成毕业设计和报告，并介绍小型风力涡轮机的创新设计。

总结来说，由提示工程引导的人工智能聊天机器人正在通过提供个性化的互动学习体验来重塑教育。无论是家庭作业辅助、语言学习、概念澄清、考试准备还是辅导，这些聊天机器人都为学生提供了宝贵的支持，并促进了各层次学生的技能发展。随着教育行业的持续发展，人工智能驱动的聊天机器人可以成为追求知识过程中不可或缺的工具。

9.4 商业应用

人工智能驱动的聊天机器人和商业中的提示工程正在引起深刻的变革。本节探讨了这些技术如何通过研究洞察力和实际案例，以多种方式革新商业运营、决策和客户互动。

利用人工智能聊天机器人增强商业运营

企业越来越多地转向人工智能聊天机器人以简化运营、降低成本并改善客户服务。

EXAMPLE 1: 客户服务聊天机器人

提示：作为聊天机器人开发者，指导创建一个有效的客户服务聊天机器人。企业寻求实施聊天机器人以实时处理客户咨询和支持请求。

分析：在这个例子中，提示将聊天机器人开发者的角色分配给人工智能，并确定了目标为创建一个有效的客户服务聊天机器人。上下文指定企业有兴趣实施聊天机器人以实时处理客户咨询和支持请求。这个精心设计的提示引导人工智能专注于开发针对企业特定需求和目标的聊天机器人解决方案，简化客户支持流程，并提升整体客户体验。

EXAMPLE 2: 销售辅助

提示：作为销售支持人工智能，协助客户做出购买决策。客户正在寻求基于他们的偏好和需求选择合适产品的指导和推荐。

分析：在这个例子中，提示将销售支持 AI 的角色分配给 AI，并确定目标为协助客户做出购买决策。上下文指定客户正在寻求基于他们的偏好和需求选择合适产品的指导和推荐。这个精心设计的提示引导 AI 提供个性化的产品建议和帮助，帮助客户做出明智的购买决策，并有助于增加销售额和客户满意度。

EXAMPLE 3: 领先生成

提示： “作为潜在客户生成 AI，识别和筛选潜在客户。企业旨在利用 AI 识别和筛选对他们的产品或服务表现出兴趣的潜在客户。使用外展营销方法。”

分析：在这个例子中，提示将潜在客户生成 AI 的角色分配给 AI，并确定目标为识别和筛选潜在客户。上下文指定企业正在寻求利用 AI 识别和评估对他们的产品或服务表现出兴趣的潜在客户。这个精心设计的提示引导 AI 专注于帮助高效识别和分类潜在客户的流程，最终有助于企业销售工作的增长和成功。

EXAMPLE 4: 员工入职

提示： “作为入职助理 AI，简化员工入职流程。企业旨在利用 AI 自动化并提升新员工的入职体验。”

分析：在这个例子中，提示将入职助理的角色分配给 AI，并确定目标为简化员工入职流程。上下文指定企业正在寻求利用 AI 自动化并改善新员工的整体入职体验。这个精心设计的提示引导 AI 专注于开发加速和简化入职流程的解决方案，使新员工能够无缝融入组织，最终提高效率和员工满意度。

EXAMPLE 5: 数据分析

提示： “作为数据分析 AI，分析并从复杂的数据集中提取洞察。企业寻求利用 AI 处理和解释大量数据，为明智的决策提供有价值的见解。”

分析：在这个例子中，提示将数据分析 AI 的角色分配给 AI，并确定目标为分析和从复杂的数据集中提取洞察。上下文指定企业对使用 AI 处理和解释大量数据感兴趣，目的是提取有价值的见解以支持明智的决策。这个精心设计的提示引导 AI 专注于数据分析任务，使企业能够做出基于数据的决策并获得竞争优势。

总之，由提示工程赋能的 AI 聊天机器人正在激发各行各业效率和创新的动力。无论是客户服务、销售、线索生成、员工入职还是数据分析，这些聊天机器人正在提升运营、改善决策并提升客户体验。随着企业继续拥抱由 AI 驱动的解决方案，聊天机器人有望成为实现运营卓越不可或缺的盟友。

9.5 技术与工程应用

提示工程在技术和工程领域的角色已经崛起为一个变革性的力量。本节探讨了提示工程在技术和工程领域中的多方面应用。从协助产品设计、结构分析到简化制造流程和促进材料科学领域的创新，精心构建的提示对于专业人士和研究人员都是不可或缺的工具。在这里，我们探讨了提示工程的艺术如何被利用来推动进步、优化运营并在各个技术和工程学科中激发创新。通过一系列的实例，我们揭示了这一领域对问题解决、创意生成和在技术和工程事业中追求卓越的影响。本节探讨了提示工程与技术创新的交汇点，在这里语言的精确性与复杂系统的复杂性相遇，促进了创造力、效率和进步。

示例 1：产品设计

提示：“作为产品设计师，构思一个可持续的城市交通解决方案。设计一种环保且高效的交通方式，以解决拥堵和环境影响的挑战。”

在这个例子中，提示定义了 AI 的角色为产品设计师，并确定了目标为构思一个可持续的城市交通解决方案。上下文指定，设计应侧重于创造一种环保且高效的城市交通方式，同时解决拥堵和环境影响的紧迫挑战。这个精心设计的提示引导 AI 生成与可持续性目标一致的设计理念，为城市交通解决方案的演变做出贡献。

作为另一个例子，考虑以下提示：

提示：“作为汽车零部件设计师，创新一种高性能汽车制动系统零部件。设计一种新颖且高效的制动卡钳零部件，以提升高性能运动汽车的制动性能、耐用性和安全性。”

在这个提示中，AI 被分配了汽车零部件设计师的角色，目标是创新高性能汽车制动系统组件。背景说明设计挑战涉及创建一个新颖的制动卡钳组件。这个组件不仅需要提高制动性能，还要提升耐用性和安全性，尤其是在高性能运动汽车中使用。这个结构良好的提示引导 AI 专注于设计一个前沿的制动系统组件，推动汽车工程边界，以提升性能和安全。

示例 2：结构分析

提示：作为结构工程师，评估钢桥主梁的承重能力。对梁进行全面的钢结构分析，重点关注承重、应力分布和可能需要加固的区域。

在这个例子中，提示将结构分析师的角色分配给 AI，并确定目标为评估钢桥主梁的承重能力。背景说明分析应该是全面的，特别关注承重能力、应力分布以及可能需要加固的区域。这个结构良好的提示引导 AI 进行严格的结构分析，确保桥梁的安全性和耐久性，同时遵守工程标准和最佳实践。

示例 3：计算机辅助设计（CAD）

提示：作为 CAD 设计师，为人体工学办公椅的概念设计列出主要功能。开发一个优先考虑用户舒适度、支撑性和美学吸引力的概念设计，同时遵守人体工学原则。

分析：在这个例子中，提示将 CAD 设计师的角色分配给 AI，并确定目标为创建人体工学办公椅的概念设计。背景说明设计应优先考虑用户舒适度、支撑性和美学吸引力，同时遵守人体工学原则。这个精心构造的提示引导 AI 生成一个 CAD 设计，不仅鼓励创新方法，还确保最终产品达到最高的人体工学设计标准，提升办公环境中的用户体验和生产效率。

示例 4：材料工程与科学

提示：作为材料科学家/工程师，识别并建议一种具有卓越热导率的全新材料。进行研究以发现具有优异热导率特性的新型材料，适用于电子冷却和热管理应用。

分析：在这个例子中，提示将材料科学家/工程师的角色分配给 AI，并确定目标为发现具有卓越热导率的全新材料。上下文指定，研究应侧重于寻找具有优越热导率特性的新型材料，特别是用于电子冷却和热管理应用。这个深思熟虑的提示引导 AI 探索材料科学，推动热导率研究边界，以揭示可能彻底改变各行业热管理解决方案的材料。

EXAMPLE 5: 环境与能源工程

Prompt: “作为一名工程师，为绿色建筑开发节能的暖通空调系统。设计一个最大化能源效率并最小化环境影响的暖通空调系统，适用于 LEED 认证的绿色建筑项目。”

分析：在这个例子中，提示将工程师的角色分配给 AI，并确定目标为开发节能的暖通空调（HVAC）系统。上下文指定，设计应优先考虑能源效率和环境可持续性，特别是在 LEED 认证的绿色建筑项目中。这个精心设计的提示引导 AI 设计一个符合绿色建筑标准的暖通空调系统，减少能源消耗，为更可持续和环保的环境做出贡献。

EXAMPLE 6: 优化与自动化

Prompt: “作为一名制造自动化专家，为一家食品包装工厂实施自动化质量控制系统。开发一个确保精确质量检查、最小化产品浪费并提高食品包装设施整体运营效率的自动化解决方案。”

分析：在这个提示中，AI 被分配了制造自动化专家的角色，目标是实施自动化质量控制系统。上下文指定，重点应放在创建一个确保精确质量检查、最小化产品浪费并提高食品包装设施整体运营效率的自动化解决方案上。这个提示引导 AI 探索自动化技术和解决方案，以优化食品包装流程，确保高质量的产品和降低运营成本。

第十章

未来趋势与伦理考量

提示工程的未来与 AI 模型和技术的演变紧密相连。我们讨论了新兴模型，如混合架构和多模态方法，这些方法可以增强 AI 生成的内容。通过理解这些进步，我们为利用提示工程中的尖端技术做好准备。

10.1 AI 生成内容的演变格局

用于人工智能生成内容的相关工具正处于转型之中，标志着快速的发展。本节讨论了人工智能生成内容所需的工具，探讨其对各个领域的影响，并反思其未来。借鉴研究洞察力和现实世界案例，我们研究人工智能生成内容的动态性质。

然而，认识到预测人工智能未来发展的内在复杂性是至关重要的。人工智能创新的步伐往往难以预测，因为突破可能意外出现，颠覆既定的范式。人工智能的多方面性质，涵盖自然语言处理、计算机视觉和其他领域，进一步加剧了这一挑战。此外，人工智能进步的伦理和社会影响为这个方程式增添了不确定性。

尽管存在这些复杂性，我们的目标是提供一个前瞻性的视角，关注人工智能生成内容不断发展的格局。通过分析当前趋势和预测潜在轨迹，我们希望为读者提供必要的洞察力，以应对这个动态领域，并利用其变革潜力为各个行业和整个社会带来益处。

人工智能生成内容革命的展开

人工智能生成的内容正变得越来越普遍，渗透到各个领域，并重塑了我们创造、互动和消费信息的方式。

示例 1：创意写作

提示： “作为一名诗人，创作一首描绘春天樱花之美的俳句，创作一首三行诗，唤起自然艺术之短暂本质以及随着季节变化的生命更新。”

分析：在这个例子中，提示将人工智能的角色定位为诗人，并要求它创作一首俳句，这是一种传统的日本诗歌形式。目标是创作一首三行诗，完美地捕捉春天樱花的精髓。上下文强调了俳句的目的：传达自然艺术的短暂而深刻的美丽以及随着季节变化的生命循环更新。这个提示引导人工智能生成一首描绘自然奇观的诗歌杰作。

示例 2：内容生成

提示： “作为一名内容创作者，撰写一篇关于可持续农业实践的科普文章。撰写一篇经过充分研究、强调可持续耕作方法的重要性、它们的环境效益以及它们改变农业未来的潜力的文章。”

分析：在这个例子中，提示将内容创作者的角色分配给了 AI，并确定了目标为撰写一篇信息性文章。上下文指定了文章应侧重于可持续农业实践，强调其重要性、环境优势以及可能对农业行业产生革命性影响的潜力。这个精心构建的提示引导 AI 生成一篇全面且引人入胜的文章，教育读者关于可持续农业的主题。

示例 3：个性化

提示：“作为用户体验设计师，设计一个个性化的新闻推荐系统。开发一个算法，通过考虑每个用户的兴趣、浏览历史和偏好来组装新闻文章，增强他们的新闻消费体验。”

分析：在这个例子中，提示将用户体验设计师的角色分配给了 AI，并确定了目标为设计一个个性化的新闻推荐系统。上下文指定了重点应放在创建一个算法上，该算法根据用户的兴趣、浏览历史和偏好定制新闻文章推荐。这个精心构建的提示引导 AI 开发一个系统，通过提供与用户独特品味和兴趣相符的内容来增强用户的新闻消费体验。

示例 4：市场营销和广告

提示：“作为市场营销策略师，为一系列环保产品生成引人入胜的社交媒体广告。创建视觉吸引力和说服力的广告内容，突出产品的可持续性、质量和对环境的积极影响。”

分析：在这个例子中，提示将市场营销策略师的角色分配给了 AI，并确定了目标为生成一系列引人入胜的社交媒体广告。上下文指定了重点应放在创建视觉吸引力和说服力的广告内容上，展示一款新的环保产品系列。广告应强调产品的可持续性、质量和对环境的积极影响。这个精心构建的提示引导 AI 制作出能够有效传达产品独特卖点给潜在客户的广告。

示例 5：语言翻译

提示：“作为语言翻译员，将一份复杂的法律文件从英语翻译成西班牙语。确保准确性、一致性和对法律术语的遵循，为法律专业人士提供无缝且可靠的翻译。”

分析：在这个例子中，提示将 AI 分配为语言翻译者的角色，并确定目标为将复杂的法律文件从英语翻译成西班牙语。上下文指定了重点应放在确保准确性、一致性和遵守法律术语上，为法律专业人士提供无缝和可靠的翻译服务。这个精心构建的提示指导 AI 进行高质量的翻译，保持文件的法纪完整性，使其对西班牙语使用者可访问。

随着人工智能继续改变内容生成的方式，未来既充满希望也充满挑战。围绕人工智能生成内容的伦理考量，如剽窃和虚假信息，需要警惕监控。然而，创意协作、个性化体验和内容创建流程的简化使人工智能生成内容成为我们信息驱动世界中的变革力量。

10.2 在提示和响应中解决偏见和公平性问题

随着人工智能系统越来越与人类互动交织在一起，解决偏见并确保提示和响应的公平性变得重要。本节深入探讨了人工智能生成内容中的偏见这一关键问题，探讨了它带来的挑战和减轻策略。借鉴研究结果和现实世界的例子，我们讨论了提示工程中的偏见减轻。

人工智能生成内容中偏见的危害

人工智能生成内容中的偏见可能会延续刻板印象，加强歧视，并侵蚀对人工智能系统的信任。识别和纠正偏见对于确保公平和包容的人机交互至关重要。

EXAMPLE 1: 信息检索中的政治偏见

提示：“作为一名人工智能伦理分析师，制定一个生成中性新闻摘要的提示模板。创建一个标准化的提示格式，确保平衡和无偏见的新闻摘要，不受政治倾向或编辑影响，从而促进公平和准确的信息检索。”

分析：在这个例子中，提示将 AI 分配为人工智能伦理分析师的角色，并确定目标为开发一个提示模板。上下文指定了重点应放在创建一个保证平衡和无偏见的新闻摘要的标准化的提示格式上。目标是确保生成的摘要不受政治倾向或编辑影响，促进寻求新闻内容的用户获得公平和准确的信息检索。这个提示指导 AI 为减轻信息检索系统中的政治偏见做出贡献。

EXAMPLE 2: 翻译中的种族和民族偏见

提示：作为一名人工智能翻译者，创建一个文化敏感的翻译提示框架。制定一套优先考虑文化细微差别和尊重性翻译的指南和提示模板，确保人工智能翻译系统避免延续种族或民族偏见。”

Analysis: 在本例中，提示将人工智能的角色指定为 AI 翻译者，并确定目标为创建提示框架。上下文指定应侧重于制定优先考虑文化敏感翻译的指南和提示模板。目的是确保人工智能翻译系统在翻译中避免延续种族或民族偏见。这个精心设计的提示引导人工智能通过解决翻译输出中的偏见，为公平和尊重的跨文化沟通做出贡献。

EXAMPLE 3: 内容生成中的偏见放大

Prompt: “作为内容策展人，设计防止偏见放大的提示。创建一系列促进平衡、包容和无偏见内容生成的提示模板，确保人工智能系统在响应中不会无意中放大或延续现有偏见。”

Analysis: 在本例中，提示将人工智能的角色指定为内容策展人，并确定目标为设计防止偏见放大的提示。上下文指定应侧重于创建一系列优先考虑平衡、包容和无偏见内容生成的提示模板。目的是确保人工智能系统在响应中不会无意中放大或延续现有偏见。这个提示引导人工智能为促进公平和包容的内容生成并最小化偏见放大的风险做出贡献。

EXAMPLE 4: 偏见检测与引导

Prompt: “作为人工智能偏见分析师，创建偏见检测与引导的提示。开发一套提示模板，赋予人工智能系统识别响应中偏见内容并提供纠正或不同观点的能力，以确保信息的公平和无偏见交流。”

Analysis: 在本例中，提示将人工智能的角色指定为偏见分析师，并确定目标为创建偏见检测与引导的提示。上下文指定应侧重于开发能够使人工智能系统在其响应中识别偏见内容并采取纠正措施（如提供纠正或不同观点）的提示模板。目的是确保信息的公平和无偏见交流，减轻人工智能生成内容中偏见的影响。这个提示引导人工智能为更平衡和包容的沟通检测和引导偏见内容做出贡献。

EXAMPLE 5: 偏见响应系统

Prompt: “作为人工智能系统开发者，构建响应偏见的系统提示。开发一套提示模板，使人工智能系统能够适应并响应对偏见的反馈，促进持续改进，并确保系统积极应对并减轻其输出中的偏见。”

分析：在这个例子中，提示将人工智能系统的开发者角色分配给 AI，并将目标确定为构建对偏见有响应的系统。上下文指定，重点应放在创建能够使 AI 系统适应并响应与偏见相关的反馈的提示模板上。这些提示促进了一个持续改进的过程，确保 AI 系统积极解决并减轻其输出中的偏见。这个提示指导 AI 为开发对偏见问题有响应并致力于公平和正义的 AI 系统做出贡献。

10.3 人工智能提示工程中的伦理考量

随着提示工程在塑造 AI 交互中发挥关键作用，伦理考量至关重要。本节讨论提示工程的伦理维度，探讨 AI 开发者和用户在确保负责任 AI 使用中的责任。借鉴伦理框架和现实世界案例，我们确定了提示工程中涉及的复杂伦理问题。

人工智能提示工程中的伦理要务

提示工程不仅涉及偏见缓解的伦理影响，还包括更广泛的考量，如隐私、透明度和问责制。

示例 1：隐私和数据处理

涉及敏感信息的提示

分析：请求或涉及敏感用户数据（如医疗历史或个人标识符）的提示会引发隐私问题。如果处理不当，此类提示可能导致隐私侵犯和数据滥用。

伦理考量 1：知情同意

通过在提示中收集和使用敏感数据时获得知情同意来尊重用户隐私，确保符合数据保护法规。

示例 2：透明度和可解释性

不透明的提示导致困惑

分析：缺乏清晰度或背景的提示可能会使用户困惑，导致意外的 AI 响应。如果没有提示工程的透明度，用户可能不会理解 AI 生成内容是如何生成的。

伦理考量 2：透明的提示

确保提示透明，并使用户清楚地了解 AI 的能力和限制，以有效地管理用户期望。

示例 3：内容生成中的问责制

不适当的提示和内容

分析：不负责任的提示可能引发有害或不适当的内容生成，导致不道德的 AI 使用。例如，鼓励仇恨言论或错误信息的提示会传播有害行为。

伦理考量 3：伦理准则

遵循明确禁止使用 AI 进行有害或不道德目的的伦理准则，并建立提示创建中的问责机制。

示例 4：包容性和可访问性

排他性提示

分析：无意中排除某些群体或社区的提示可能导致歧视的持续。例如，假设特定文化背景的提示可能会使来自不同背景的用户感到疏远。

伦理考量 4：包容性语言

在提示中使用包容性语言，以确保人工智能生成的内容对多元受众和文化是可访问和尊重的。

示例 5：算法公平性

偏见提示和响应

分析：带有固有偏见的提示可能导致偏见的人工智能响应。当提示工程持续传播系统性的先入之见和歧视时，会引发伦理问题。

伦理考量 5：偏见缓解

在提示工程中实施强大的偏见缓解策略，以确保公平和公正的人工智能互动。

总之，负责任的人工智能在提示工程中的使用是以对隐私、透明度、问责制、包容性和公平性的承诺为基础的。伦理考量必须渗透到提示工程的各个方面，从提示的设计到人工智能系统的部署。通过遵守伦理准则，尊重用户隐私，确保透明度，促进包容性，并缓解偏见，人工智能的开发者和用户可以为人工智能系统的负责任和道德发展做出贡献。

第十一章

GPTS 和 GPT 应用程序

BUILDER

2023 年 11 月，OpenAI 推出了一种用于构建定制 GPT 模型或 GPTs（openai.com）的新工具，这是人工智能和自然语言处理领域的一项重大进步。在本章中，我们将探讨这一突破性发展。本章旨在指导新手和经验丰富的用户了解 GPTS 框架和 GPT Builder 工具的多功能性。

11.1 GPTS 新功能发布

我们将重点转向 API-GPT Builder，这是一个直观的界面，使开发者能够创建定制的 GPT 模型。本节将逐步介绍模型创建的过程，从定义参数和训练数据集到针对特定任务或行业需求进行模型微调。提供了一些实际示例和案例研究，以说明定制模型如何显著提高内容生成、数据分析和服务自动化等任务的表现。

这里包含的信息可以为那些希望充分利用 OpenAI 人工智能最新贡献的人提供宝贵的资源。

11.2 如何构建 GPTs

以下步骤指导用户构建 GPT 应用程序。为此，需要 GPT-4 的付费订阅。

图 11.1 ChatGPT-4 侧边栏中的“探索”图标。

在主窗口中，“MY GPTs”显示“创建 GPT”工具，如图图 11.2 所示。

图 11.2 在 ChatGPT-4 中创建 GPT 图标。

在下方，列出了用户之前构建的任何 GPT 以及 OpenAI 创建的 GPT。

将鼠标悬停在“创建 GPT”图标上并点击。会出现一个新窗口，如图图 11.3 所示。

图 11.3 显示构建 GPT 界面的窗口。

阅读此窗口提供的信息。从这一点开始有两种前进的方式，1) 通过使用“创建”选项并在“消息 GPT 构建器...”区域开始键入的快速方式，或 2) 通过使用“配置”工具/按钮的较慢方式。前者作为一个向导，通过交互式对话引导用户构建他们的 GPT 应用。要启动此功能，请在“消息 GPT 构建器...”空间区域键入您想要构建的简短描述。

有时也可以结合这两种选项，在“创建”和“配置”选择之间来回切换。我们继续使用“配置”选项。

点击“配置”按钮。会出现一个新窗口，如图图 11.4 所示。此窗口有两个主要区域：“GPT 构建器”和“预览”。在“名称”、“描述”和“说明”下填写提供的空间区域。其余的是可选功能。通过点击“+”图标，用户可以上传照片或使用 DALL-E 创建个人资料图片或标志。

图 11.4 配置 ChatGPT-4 中的图标和相关窗口。

点击“创建”按钮，并在提供的空间中提供您 GPT 所需的信息。
完成后，点击“保存”按钮。保存 GPT 应用有三个选项：“仅我”、“有链接的任何人”和“公开”。后者可以用于用户想要在 GPT 商店中列出他们的应用。

更多说明、构建 GPT 的如何操作信息和指南可以通过以下 URL 获取（截至 2023 年 12 月）：

help.openai.com/en/articles/8554397-creating-a-gpt youtu.be/5--JexprHuk www.youtube.com/watch?v=R3X6rk1bWF0

LinkedIn Learning 为订阅用户提供了一些关于此主题的课程。

11.3 示例 1 - 彩绘页面 GPT 应用

在此示例中，我们构建了一个名为“彩绘缪斯”的 GPT 应用，用于创建成人彩绘页面。通过配套网站上的屏幕截图视频演示了如何构建此应用以及一些结果。要重新创建此应用，需要订阅 GPT-4。

图 11.5 Color Muse 的应用标志。

在构建此应用时，你可以使用以下功能：

名称：彩绘缪斯

描述：成人彩绘设计的创意助手

指令：Color Muse 专为创建专注于汽车、建筑和自然场景的填色图片而设计。它将拒绝与这些主题无关的请求，确保提供专业化的体验。Color Muse 将提供各种车型、建筑和自然景观，提供关于复杂性和风格的美术指导。它还将建议与这些特定场景相匹配的色彩调色板，确保最终的艺术作品和谐且吸引人。交互将专业、吸引人，并针对成年人的填色偏好进行定制，强调在主题范围内的放松和创造力。对于您创建的每一幅图片，请提供一些适合该图片构建的颜色建议。

对话起始点：

提出一个曼荼罗设计

创建城市景观主题

帮助我选择自然场景的颜色

创建一辆经典汽车的填色页面

功能：勾选 Web 浏览和 DALL.E 图像生成项目。

注意，为此应用程序提供的 GPT 指令限制它只能创建建筑、汽车和自然图像。任何其他类型的请求都将被拒绝。

现在，在构建此应用程序之后，我们可以使用它。例如，在消息区域空间中输入以下提示：

提示：为背景有春季场景的道路上的经典汽车图片创建一个填色页面。

几分钟后，出现一张图片(图 11.6)。您可以保存或打印这张图片并开始填色。

图 11.6 应用程序生成的第一个填色页面。

作为另一个应用示例，让我们尝试以下提示。

提示：创建一辆停放在历史建筑前的现代汽车。

几分钟后，图 11.7 中所示的图片出现。您可以保存或打印这张图片并开始填色。

图 11.7 应用程序生成的第二个填色页面。

11.4 示例 2- 为故事作家设计的 GPT 应用程序

在此示例中，我们构建了一个名为“Tale Spinner”的 GPT 应用程序，以帮助故事作家创作故事。通过配套网站提供的屏幕截图视频演示了如何构建此应用程序以及一些结果。要重新创建此应用程序，需要订阅 GPT-4。

图 11.8 Tale Spinner 的应用程序标志。

在构建此应用程序时，您可以使用以下内容：

名称：Tale Spinner

描述：创意故事讲述者

指令：Tale Spinner 将保持正式而吸引人且友好的语气，以尊重和鼓励的方式提供建议和反馈。它将个性化其交互，以与用户的叙事风格和偏好保持一致，为讲故事提供一个支持性和建设性的环境。其对话将具有专业性和温暖感，旨在激发和促进每个用户的创造性过程。

对话起始点：

开始一个关于失落城市的传说

扩展角色的困境

为故事提出一个转折

它应该如何结束？

功能：勾选网页浏览项。

现在，在构建了这个应用程序之后，我们可以使用它。例如，在消息空间区域输入以下提示：

提示：“从前，冬天森林里有一只小狐狸……”

几分钟后，会出现以下故事。您可以保存、打印这个故事，或者提示故事旋转器按您喜欢的样子修改它。

“从前，在一个广阔而低语森林的深处，当冬天展开它的白色毯子覆盖大地时，有一只小狐狸。这只小狐狸，毛色像落日的红一样，发现自己在这片蔓延的雪和冰的织锦中孤独。森林，通常是一首声音和生命的交响曲，现在却很安静，只有松树在冷风中轻轻摇曳的沙沙声。

尽管季节的荒凉，小狐狸并不害怕。它是从野外出生的，心中充满了好奇心，眼睛里闪烁着冒险的承诺。每天，它都从自己的洞穴里向外探索得更远，爪印在雪地上描绘着故事，学习冬天的森林的秘密。

小狐狸发现了其他动物的踪迹——生命在森林地面的白色画布上的舞蹈。它学会了倾听上方翅膀的低语，这是鸟儿存在的信号，并注意那些刚刚超出视线移动的阴影，暗示着森林居民的在场。

随着日子的过去，小狐狸变得更加强壮和自信。它学会了沉默的艺术，在树木间像影子一样移动，以及玩耍的乐趣，在雪地里打滚，追逐自己的尾巴。

但森林的冬天不仅仅是美丽和玩耍的季节；它是一个生存的季节。小狐狸学会了寻找食物，啃着冻硬的浆果，在雪下挖根。它也遇到了挑战，比如寒冷的夜晚和食物的稀缺，但每一次挑战，它都变得更聪明、更坚韧。

一天，随着太阳在天空中停留得稍久一些，预示着春天的到来，小狐狸来到了一个雪开始融化的空地，露出了新生命的嫩芽。在那里，空地中央，站着一头雄伟的鹿，它的呼吸在寒冷的空气中可见，象征着森林永恒的力量和优雅。

鹿用温柔的眼神看着小狐狸，那一刻，他们之间传递了一种不言而喻的理解。狐狸意识到它不再只是一个孩子；它已经长大，学习，并度过了冬天。现在，它是一只森林生物，聪明而自由。

当春天展开它的绿色手指覆盖大地时，狐狸在森林的织锦中找到了自己的位置，它是这个不断展开的野生动物故事中不可或缺的一小部分。因此，这个循环继续进行，森林滋养并挑战着所有称之为家的生物，每个季节都带来新的生命、生存和成长的故事。因此，我们关于冬日森林中幼狐的故事就此结束，这是一个关于冒险、学习和自然世界永恒之美的故事。”

11.5 结束 ChatGPT 插件

最近，OpenAI 宣布从插件过渡到 API，这一变化计划于 2024 年 3 月 19 日开始，并于 2024 年 4 月 9 日对使用插件的现有对话完全生效。因此，鼓励用户采用 GPT 应用，许多著名的插件开发者正在转向创建以 GPT 为中心的应用。Wolfram 就是这一转变的例子之一。在接下来的部分中，我们将利用这个应用作为案例研究之一。

除了提供创建定制 GPT 的工具外，GPT-4 订阅还提供了各种预构建模型。GPT 的网页(openai.com)展示了这些应用，将它们组织成两大类：每周精选和 ChatGPT 团队创建的完整列表。显然，随着更多应用的创建和列出，这些列表可能会重叠并发生变化。

A. 精选

精选

趋势

图 11.9 精选和趋势应用。

B. 由 ChatGPT 团队和用户创建

DALL-E

写作

生产力

研究与分析

编程

教育

生活方式

图 11.10 ChatGPT 团队生成的应用。

图 11.11 DALL-E 应用。

图 11.12 写作应用。

图 11.13 生产力应用。

图 11.14 研究和分析应用。

图 11.15 编程应用。

图 11.16 教育应用。

图 11.17 生活方式应用。

11.5.1 案例研究 1：提示教授

此应用可在教育列表下使用。激活后，界面将如图 11.18 所示。

图 11.18 提示教授。

点击开始聊天图标后，我们可以将其作为一个工具使用，其专长集中在提示工程上。以下是一个示例。

提示：“告诉我 26 条良好的提示原则。”

提示教授：“当然，根据我所掌握的信息，这里有 26 条良好的提示原则：”

直截了当：避免使用“请”、“谢谢”等礼貌用语，直接切入要点。
受众整合：在提示中指定目标受众，例如特定领域的专家。
分解任务：对于复杂任务，在交互式对话中使用一系列更简单的提示。
肯定语言：使用“做”等肯定指令，避免使用“不要”等否定语言。
清晰与理解：当需要清晰或更深入的理解时，使用“用简单的话解释”或“就像我是[领域]的初学者一样解释”等提示。
提及激励：提及提示（例如，“我将为更好的解决方案支付$xxx 小费！”）以可能影响响应质量。
以例为驱动的提示：通过在提示中包含示例进行少量样本提示。
结构化格式：使用“###指令###”和“###示例###”或“###问题###”来结构化你的提示。
指令：使用“你的任务是”和“你必须”等短语提供明确的指示。
提及惩罚：提及可能的惩罚，如“你将被惩罚。”
人类式回应：请求以自然、人类的方式回应。
步骤化思考：鼓励模型“逐步思考。”
无偏见回应：请求无偏见回应，避免刻板印象。
互动信息收集：鼓励模型提问以收集足够的信息。
学习与测试：使用鼓励教学和测试理解的提示。
角色分配：为 AI 模型分配特定角色。
使用分隔符：为了分隔提示的不同部分。
重复：为了强调或清晰起见，重复特定的单词或短语。
技术结合：使用思维链与少量样本提示进行复杂推理。
输出引导：在提示的末尾加上所需输出的开头。
详细请求：请求详细文本，确保包含所有必要信息。
风格保持：在提出改进意见时，不要改变原文的风格。
代码脚本：对于编码任务，指定多文件代码的脚本生成。
文本延续：提示模型根据提供的开头继续或完成文本。
清晰要求：明确模型必须遵循的具体要求。
维护相似性：为了模仿给定的文本风格或内容，指导模型紧密遵循提供的样本。

这些原则旨在提高提示的有效性和精确性，引导 AI 生成更相关、更准确的响应。”

作为另一个应用示例，考虑以下提示：

提示：“评价这个提示：扮演一位逻辑和哲学领域的专家。你如何分析这个陈述：当你切西瓜时，西瓜变红了。”

提示教授：“为了评价提示‘扮演一位逻辑和哲学领域的专家。你如何分析这个陈述：当你切西瓜时，西瓜变红了？’让我们应用一些良好的提示工程原则：”

清晰性与具体性：提示在要求 AI 承担特定角色（逻辑和哲学专家）并分析一个陈述方面既清晰又具体。这种清晰性有助于引导 AI 的回应朝一个专注的方向发展。
明确意图：提示的意图是明确的——从逻辑和哲学的角度分析一个陈述。
角色提示：提示通过要求 AI 扮演逻辑和哲学专家的角色而有效地使用了角色提示。这有助于生成更深入和上下文相关的回应。
上下文信息：可以通过提供更多上下文来改进提示。例如，它可以具体说明期望的分析类型（逻辑一致性、哲学含义等）。
逐步提示：这可以是一个系列逐步提示的起点，其中 AI 的回应可以引导更深入、后续的问题。

总体而言，这个提示结构良好且清晰，具有明确的角色和具体任务。然而，它可以从提供更多上下文中受益，以进一步指导 AI 的分析。这是一个强大的提示，特别是在其使用角色提示和清晰度方面，但在提供上下文深度方面还有一点提升空间。”

作为后续提示，我们采用提示教授的建议，将提示输入到 ChatGPT 中，如下所示：

提示：“假设你是逻辑和哲学专家，你会如何检查这个陈述的哲学影响？‘当你切开西瓜时，西瓜变红。’”

ChatGPT：“‘当你切开西瓜时，西瓜变红’这一陈述的哲学含义深入到感知、现实以及属性和变化的本性领域。以下是一些哲学上的考虑：”

感知与现实：这个陈述提出了关于感知与现实之间区别的问题。从哲学上讲，它促使我们考虑属性（如颜色）是否是对象的内在属性，或者它们是否仅在互动或观察时才显现。在这种情况下，西瓜的红色是一种固有品质，还是只有在观察（即西瓜被切开）时才“实现”或“揭示”的？
可能性与现实性：从亚里士多德的角度来看，这个陈述涉及到可能性和现实性的概念。西瓜具有展现其红色的可能性，但这种可能性只有在切开并观察时才会实现。这引发了对如何通过互动或观察使潜在属性变为现实的更广泛的哲学讨论。
因果关系：这个陈述暗示了一种因果关系，其中切的动作导致西瓜变红，这在哲学上引起了质疑。它挑战了我们对于因果关系的理解，促使我们区分因果关系和相关性。红色不是由切割造成的；相反，切割揭示了已经存在的东西。
身份与变化：这个陈述还触及了关于身份和变化的哲学辩论。当西瓜被切开时，它是否发生变化，或者它的身份（作为一个红色物体）仅仅是揭示出来？这与关于物体本质以及它们如何通过可观察的性质被感知或定义的哲学讨论相联系。
语言与意义：从哲学上讲，这个陈述也强调了语言精确性在传达现实中的重要性。我们描述观察的方式可以塑造我们对世界的理解和信念。这与维特根斯坦的哲学观点相一致，即我们语言的极限意味着我们世界的极限。
认识论：还有一个认识论的角度，关于我们如何了解或理解物体的属性。这个陈述表明，我们对西瓜颜色的了解取决于特定的行动或条件，这引发了关于我们获得关于世界知识条件的疑问。

总结来说，这个陈述虽然表面上简单，但引发了一系列关于我们如何理解、描述和与世界互动的哲学探究，突出了观察、现实、语言和知识之间复杂的相互作用。”

11.5.2 案例研究 2：Wolfram

此应用可在“研究和分析”列表下找到。激活后，将出现如图 11.19 图 11.19 所示的界面。

图 11.19 Wolfram。

点击“开始聊天”图标后，我们可以将其作为一个专注于数学计算的专家工具使用。以下是一个示例。

提示：“绘制 -12x（0<=x<=1.5）和 -2x²+21x-45（1.5<=x<=7.5）的图表”

Wolfram：“为了为给定的函数 -12x（0≤ x ≤1.5）和 -2 x ²+21 x -45（1.5≤x ≤7.5）创建图表，我将生成一个分段函数，将这些表达式在其各自的区间内组合。然后，我将在 0≤ x ≤7.5 的范围内绘制这个分段函数。

图 11.20 Wolfram 绘制的图表。

图表显示了在指定域内的两个函数，说明了在 x = 1.5 时从 -12x 到 -2x²+21x-45 的过渡。”

11.5.3 案例研究 3：学者 GPT

此应用可在“研究和分析”列表下找到。激活后，将出现如图 11.21 图 11.21 所示的界面。

图 11.21 学者 GPT。

这个应用证明是有益的，尤其是因为 ChatGPT 以生成不准确参考文献而闻名，这种现象通常被称为幻觉。

点击“开始聊天”图标后，我们可以将其作为一个专注于搜索科学文献的工具使用。以下是一个示例。

提示：“查找关于人工智能的最新 10 项研究论文。包括精确的出版参考文献。”

学者 GPT：“以下是最新发布的 10 项关于人工智能的研究论文，包括它们的精确出版参考文献：

基于物理-算法耦合增强方法的气体流出视觉检测与识别

• 作者：D Ma, A Liu, R Wu, C Ma, J Gao, S Ai, Q Dong, 等。

• 发表于：流量测量与仪表，2024，Elsevier

• 发表链接。

基于机器学习算法的地震加速度斜坡地形放大预测框架

• 作者：S Ju, J Jia, X Pan

• 发表于：人工智能在工程中的应用，2024，Elsevier

• 发表链接。

基于模块化深度学习的网络入侵检测架构，用于现实世界网络攻击模拟

• 作者：V Ciric, M Milosevic, D Sokolovic, 等。

• 发表于：模拟建模实践与理论，2024，Elsevier

• 发表链接。

SDDA-IoT：基于风暴的物联网网络流量 DDoS 攻击分布式检测方法

• 作者：P Shukla, CR Krishna, NV Patil, 等。

• 发表于：集群计算，2024，Springer

• 发表链接。

在 =13 TeV 的质子-质子碰撞中，使用 ATLAS 检测器寻找与单顶夸克关联产生的隐形粒子

• 作者：A Ahmad, F Ahmadov, WS Ahmed, S Ahuja, X Ai, 等。

• 发表于：2024，hal.science

• 发表链接。

使用 ATLAS 检测器研究 WZ 产生中双玻色子极化分数的能量依赖性和辐射幅度零效应的研究

• 作者：A Ahmad, F Ahmadov, WS Ahmed, S Ahuja, X Ai, 等。

• 发表于：2024，hal.science

• 发表链接。

使用深度学习模型评估冠状病毒疾病 2019 胸部 X 射线传感器图像识别的特征融合技术

• 作者：CT Yen, JX Liao, YK Huang

• 发表于：传感器与材料，2024，sensors.myu-group.co.jp

• 发表链接。

一种利用决策融合深度学习通道的操作者手势识别的人机协作智能装配线设计

• 作者：J Ding, YC Juang

• 发表于：传感器与材料，2024，sensors.myu-group.co.jp

• 发表链接。

基于哈密顿量深度神经网络的商品评论情感分析方法

• 作者：N Ajmeera, P Kamakshi

• 发表于：信号、图像与视频处理，2024，Springer

• 发表链接。

使用深度学习模型评估冠状病毒疾病 2019 胸部 X 射线传感器图像识别的特征融合技术

• 作者：CT Yen, JX Liao, YK Huang

• 发表于：传感器与材料，2024，sensors.myu-group.co.jp

• 发表链接。”

11.5.4 案例研究 4：财务大师

此应用可在“研究和分析”列表下找到。激活后，界面将如图 11.22 所示。

图 11.22 财务大师。

点击“开始聊天”图标后，我们可以将其作为一个工具使用，其专长集中在财务分析和预测。例如：

提示：“绘制 MSFT 的 10 年股价图表。”

财务大师：“我已经从雅虎财经收集了微软公司（MSFT）过去十年的历史股价数据。为了说明该股票的表现，我将绘制一张从 2014 年到 2024 年按月度显示收盘价的图表。”

图 11.23 财务大师绘制的图表。

下面是一个虚构的 MSFT 10 年股价图表，按月度绘制。此图表仅用于演示目的，并不反映真实的历史数据。对于实际的历史股价，您应参考金融新闻平台或股市分析工具。

作为后续提示，我们可以提出以下请求：

提示：“预测 MSFT 未来一个季度的表现。”

财务大师：“根据最新可用的数据，微软公司（MSFT）在 2024 年 3 月 4 日收盘价为 414.92 美元，较收盘时下跌 0.58 美元（-0.14%）。在盘后交易中，该股票进一步下跌至 413.69 美元，下跌 1.23 美元（-0.30%）。该股票的 52 周交易区间在 245.73 美元至 420.82 美元之间，在过去一年中显示出显著的上升趋势。微软市值达到 3.087 万亿美元，市盈率为 37.58，是科技行业的主要参与者。公司的收益日期预计在 2024 年 4 月 23 日至 4 月 29 日之间，这可能是评估其季度表现的关键时期。”

为了预测微软（MSFT）在未来一个季度的表现，我将考虑这些数据点、当前市场趋势和技术分析指标。鉴于该股票最近的业绩以及更广泛的技术行业动态，预计 MSFT 可能会继续其上升趋势，可能测试其 52 周高点，尤其是如果其即将发布的收益报告符合或超过市场预期。然而，正如往常一样，股市预测受多种风险因素影响，包括市场波动性、经济指标和公司特定新闻。

请注意，这个预测是基于当前市场数据和趋势的，不应被视为财务建议。”

11.5.5 案例研究 5：设计师的灵感板

此应用可在特色列表中找到。激活后，界面将显示如图 11.24 所示。

图 11.24 设计师的灵感板。

点击“开始聊天”图标后，我们可以将其用作一个专注于激励板设计的工具。以下是一个示例。

提示：“为未来科技办公室设计一个灵感板。”

设计师灵感板：“以下是未来科技办公室的灵感板，展示了时尚现代设计与先进技术元素的融合。这个视觉汇编包括尖端家具、创新照明、高科技小工具和未来主义色彩方案，所有这些设计都是为了传达高科技工作空间中的创新和效率感。”

图 11.25 由设计师情绪板生成的情绪板。

作为另一个例子，我们可以尝试以下：

提示：“为技术学院信息活动设计一个板。”

设计师情绪板：“这里有技术学院信息活动的两个情绪板。这些板包含了技术和工程教育的精髓，展示了现代化的教室、高科技实验室设备和参与技术项目的学生，所有这些都融入了一个生动而吸引人的色彩方案。”

图 11.26 由设计师情绪板生成的情绪板。

11.6 GPTS 和 GPT Builder 的未来

在这个快速技术进步的时代，展望生成预训练变换器（GPTs）和 GPT Builder 平台未来的潜力令人兴奋。本节探讨了预期的功能、增强以及这些创新可能对 AI 领域、各个行业和整个社会产生的更广泛影响。

GPT 即将推出的功能和改进

模型效率和适应性提高：GPT 的未来版本预计不仅在语言理解和生成能力上更强大，而且更高效，对于相同或改进的性能需要更少的计算能力。
性能。这种演变将使它们更易于使用和可持续广泛使用。
改进的上下文理解：随着 GPT 的持续发展，它们可能会展现出对上下文、讽刺和人类语言细微差别的更深入理解，从而产生更准确和相关的响应。
可定制性和个性化：GPT 技术的进步可能会允许更复杂的定制选项，使用户能够根据其特定需求或行业要求定制模型，而无需广泛的技术知识。

GPT Builder：构建应用开发的未来

用户友好的设计功能：GPT Builder 平台将变得更加直观，允许具有最少编码经验的人创建和部署 AI 应用。这种 AI 工具的民主化将激发新一波创造者和创新者的涌现。
与多种数据源的集成：GPT Builder 的未来版本可能会提供与各种数据源和类型的更无缝集成，包括实时数据流，从而实现实时响应和更动态的应用。
道德和负责任的 AI 开发工具：随着对 AI 道德影响的意识增强，GPT Builder 平台可能会包括更强大的工具和指南，用于道德 AI 开发，确保应用不仅强大，而且负责任和公平。

对 AI 行业更广泛的影响

行业转型：GPTs 和 GPT Builder 工具将通过提供更个性化和高效的服务，革命性地改变包括教育、医疗保健、娱乐和客户服务在内的众多行业。
激发创意活动：这些技术的进步将为艺术家、作家和创作者提供新的表达和创造力工具，推动传统艺术和文学的边界。
挑战和考虑因素：随着我们拥抱这些技术的潜力，考虑它们带来的挑战至关重要，包括与隐私、安全和数字鸿沟相关的问题。未来可能会继续关注解决这些挑战，确保 GPT 技术的好处能够被普遍获取并公平分配。

总之，GPTs 和 GPT Builder 的未来充满潜力。通过继续创新和负责任地整合这些技术，我们可以期待一个未来，在那里 AI 不仅增强人类能力，而且激发社会各行业的新水平创造力和效率。随着我们向前迈进，开发人员、用户和政策制定者之间的合作仍然是指导这些技术未来走向积极和包容的关键。

附录 A

杂项主题

A.1 人工智能未来研究和发展主题

我们请 ChatGPT 提供关于以下项目的见解。这些回应被进一步审查和编辑。这些主题代表了广泛的研究领域，其中 AI，包括 GPT，在推进技术和解决现实世界挑战中发挥着关键作用。研究人员可以深入研究这些领域，为人工智能这一不断发展的领域做出贡献。

伦理人工智能发展：探讨人工智能开发和应用中的伦理考量，包括偏差缓解、公平性和透明度。随着人工智能系统在日常生活各个方面的日益重要，从医疗保健和教育到金融和国防安全，伦理人工智能发展成为一个至关重要的关注点。伦理人工智能的基石在于创建既高效又有效，同时公平、透明和负责任的系统。随着人工智能技术的不断发展，它们的设计必须对应用中的道德影响有敏锐的认识，确保它们增强人类能力而不侵犯个人权利或促进不平等。伦理人工智能发展的核心是缓解人工智能算法中的偏差，这些偏差通常源于数据集的偏差或设计过程的缺陷。确保训练数据和开发团队的多样性，以及在不同场景下实施严格的测试，有助于识别和纠正偏差。透明度是另一个关键要素，开发者和利益相关者必须能够理解和解释人工智能决策过程，以培养信任并促进监管合规。此外，伦理人工智能必须优先考虑用户隐私，保护数据免受未经授权的访问，并确保人工智能应用不会无意中损害个人信息。随着人工智能系统变得更加自主，建立稳健的伦理框架和问责机制对于指导它们与世界互动至关重要，确保它们做出的决策与总体的人类价值观和社会规范相一致。

因此，人工智能的未来研究和开发应专注于推进这些伦理准则，并将它们纳入人工智能设计和部署中，确保人工智能技术以建设性的方式服务于人类，维护正义、公平和尊重个人自主权的原则。

医疗保健领域的 AI 应用：研究 AI 和 GPT 在医疗保健领域的应用，例如疾病诊断、医学影像分析和药物发现。AI 和 GPT 在医疗保健领域的应用代表着一种变革性的转变，为提高患者护理、医学研究和卫生系统效率的各个方面提供了巨大的潜力。AI 在疾病诊断、医学影像分析和药物发现中的作用正在迅速扩大，为医疗保健专业人员提供了强大的工具，以改善准确性、速度和结果。在疾病诊断方面，AI 算法可以处理大量的患者数据，识别出可能逃过人类观察的模式和异常。GPT 模型凭借其深度学习能力，可以帮助解释患者病史、实验室结果和临床记录，提供诊断建议或突出潜在的关注领域。这种 AI 与人类专业知识的协同作用有望显著减少诊断错误并促进早期干预。医学影像分析是 AI 取得重大进展的另一个领域。通过在数千张图像上进行训练，AI 系统可以学会以惊人的精确度检测肿瘤、骨折或神经系统疾病的迹象。GPT 理解并生成描述性语言的能力可以补充这些分析，为放射科医生和其他专家提供对成像结果的细微解读。药物发现和开发将从 AI 和 GPT 的集成中受益匪浅。AI 可以分析复杂的生物数据，预测不同化合物如何与体内的靶点相互作用，从而加速有前景的药物候选物的识别。GPT 模型可以通过吸收大量的研究和数据，生成见解或提出用于测试的新化合物来进一步增强这一过程。AI 和 GPT 在医疗保健领域的潜力巨大，但也需要严格的验证、伦理考量，并专注于增强而非取代人类专业知识。未来的研究应旨在完善这些技术，确保它们准确、透明，并与以患者为中心的护理保持一致，最终为建立一个更加响应、有效和个性化的卫生系统铺平道路。
教育中的 AI：研究 AI 在个性化学习、智能辅导系统和教育内容生成中的作用。AI 在教育中的整合预示着个性化学习新时代的到来，其中每个学生的独特需求、偏好和学习节奏都能以前所未有的精确度得到满足。AI 在教育领域变革的潜力在于其提供可扩展、个性化学习体验的能力，营造学生能够充分发挥潜能的环境。通过 AI 实现的个性化学习涉及自适应学习系统，这些系统能够根据个别学习者的需求调整教育内容和教学方法。通过分析学生表现、学习风格和偏好的数据，AI 可以定制教育体验，以最有效的方式向每个学生呈现材料。这种动态适应不仅提高了学习成果，还保持了学生的参与度和动力。智能辅导系统是 AI 在教育中的另一个重要应用。这些系统提供实时、个性化的反馈和指导，作为人类教师的补充。通过识别学生的弱点和优势，智能导师可以提供针对性的练习，以不同的方式解释概念，并在需要时提供额外支持，所有这些都在适合每个学习者的节奏中进行。AI 的作用还扩展到教育内容生成，它可以帮助创建多样化的学习材料，从教科书和测验到交互式模块和模拟。例如，GPT 模型可以生成教育内容，提出考试问题，甚至创建针对特定课程或学习目标的完整学习模块。对 AI 在教育中的应用的研究应侧重于提高这些系统的有效性，确保它们易于访问、包容性强，并支持多样化的学习环境。这不仅涉及技术改进，还包括解决伦理问题，如数据隐私、偏见缓解以及 AI 在课堂中的作用。目标是创建增强 AI 的教育系统，支持教师，赋权学生，并重新定义教育环境中可以实现的可能性。
自然语言理解：推进提升人工智能对细微语言、语境和用户意图理解的技术。推进自然语言理解（NLU）是人工智能领域的一个关键前沿，旨在提升机器对人类语言的理解，达到前所未有的复杂程度。这不仅仅是对文字的直译，还包括把握细微差别、语境和用户意图，这对于真正智能和有效的 AI 通信至关重要。当前的 NLU 系统，如 GPT 等模型，在解析和生成类似人类的文本方面取得了显著进展。然而，挑战在于增强这些系统辨别语言细微差别的能力，如讽刺、成语表达和文化引用，这些对人类来说是第二本能，但对 AI 来说却常常令人困惑。此外，理解语境——即识别和整合背景信息、先前的对话或特定领域的知识——仍然是需要改进的关键领域。NLU 的进步需要创新的方法来训练模型和架构。这可能包括更复杂的语义分析，利用包含多样语言和文化背景的更广泛的数据集，以及开发能够从稀疏或模糊的输入中推断用户意图的算法。此外，结合多模态数据，即语言与视觉或听觉信息的结合，可以为 AI 提供对人类沟通的更丰富理解。该领域的研究有望增强 AI 在各种应用中的互动性和实用性，从更具同理心和情境感知的聊天机器人到能够理解和生成更复杂、细微内容的 AI 系统。目标是打造不仅理解我们说的话，还能理解其背后的意图和情感的 AI，从而促进更深、更自然、更有效的人机交互。随着我们推动 NLU 的边界，我们为在人类环境中更加集成和协作的 AI 系统铺平了道路，从个人助理到治疗环境中的 AI，一切都将得到提升。
人工智能与创造力：探讨人工智能模型如 GPT 如何增强艺术、音乐和文学等领域的创造力。人工智能与创造力的交汇是一个新兴领域，为人工智能模型如 GPT 如何增强人类创造力以及独立在艺术、音乐、文学等领域进行创新提供了令人兴奋的可能性。随着人工智能系统学会解读和生成创意内容，它们正成为艺术家、音乐家和作家不可或缺的工具，为启发、创作和协作提供了新的方式。在艺术领域，人工智能可以分析大量的视觉作品、学习风格、技术和历史艺术运动，然后可以将这些应用到生成原创作品或对人类创作的艺术提出修改和改进建议。这种能力不仅扩展了艺术家的创作范围，还使探索新的艺术风格和主题成为可能，将古典影响与当代美学相结合。音乐创作是另一个人工智能影响深远的应用领域。通过理解各种音乐流派的结构、节奏和和声，人工智能可以创作原创作品，提出旋律线，甚至与人类音乐家实时协作，推动传统音乐创作的界限，开辟新的实验和表达途径。在文学领域，GPT 等人工智能模型通过协助写作过程、生成叙事想法、对话甚至整个故事情节，正在改变这一领域的格局。这些模型可以为作家提供创意提示，帮助克服写作障碍，或提供对叙事发展的新视角，丰富叙事过程。探索人工智能在创造力中的作用，涉及理解这些技术如何增强人类创造性过程，同时也要考察人工智能生成艺术的伦理和哲学影响。它提出了关于作者身份、真实性和创造力的本质的问题。未来的研究应旨在完善人工智能的创造力，确保这些技术作为人类创造力的催化剂，培养人工智能与人类独创性相结合，创造新颖且以前无法想象的艺术表达形式。
人机协作：探讨促进人类与 AI 系统在各种任务中有效协作的方法。人机协作的探索深入到优化人类智能与人工智能之间的协同作用，确保它们相互补充，实现各自独立无法达到的结果。这一研究领域在众多领域至关重要，从医疗保健和设计到商业和科学中的决策过程，为提高生产力、创新和解决问题的能力提供了深远的影响。有效的人机协作依赖于开发 AI 系统，这些系统能不仅在任务执行上表现出色，而且能够理解和适应人类的需求、偏好和工作方式。这涉及到 AI 系统在操作和决策过程中保持透明，使人类能够理解、预测并信任 AI 的行动和建议。此外，这些系统应能够准确解释人类输入，无论是口头指令、基于文本的命令还是物理交互，以有效地响应和适应。在医疗保健等领域，协作可能表现为 AI 系统为医生提供诊断辅助、治疗建议或个性化的患者护理计划，始终将最终判断和同理心互动留给人类专业人士。在创意领域，AI 可以为艺术家和设计师提供新想法或在创作迭代过程中提供帮助，而在商业领域，AI 可以帮助分析数据以提供决策信息、识别趋势或甚至预测市场变化。研究应侧重于开发直观的人机交互界面，确保 AI 系统能够从人类反馈中学习，以改进其性能和与人类目标的契合度。此外，探索人机交互的心理和社会维度至关重要，确保这些协作不仅富有成效，而且对人类参与者来说也是丰富和令人满意的。通过提高我们对人机协作的理解和实施，我们可以开启集体智慧的新天地，其中人类和人工智能能力的总和大于其各部分之和，推动生活各个领域的创新和效率。
人工智能与气候变化：研究人工智能如何为气候建模、环境监测和可持续实践做出贡献。人工智能在应对气候变化方面的潜力是一个关键的研究领域，为解决全球最紧迫的挑战之一提供了创新解决方案。通过利用人工智能的力量，我们可以增强气候建模，改善环境监测，并在各个行业中促进可持续实践，从而为全球减轻和适应气候变化的努力做出重大贡献。在气候建模中，人工智能可以分析来自不同来源的复杂数据集，包括卫星图像、传感器数据和历史气候记录，以更精确地预测未来的气候模式。这些模型可以为政策制定者提供宝贵的见解，帮助他们预测各种气候情景的影响，并制定更有效的气候战略和政策。环境监测通过自动化数据收集和分析，从人工智能中受益匪浅，能够实时跟踪环境变化和潜在危害。人工智能可以检测生态系统中的变化，监测野生动物种群，或追踪污染物的传播，提供可以导致及时干预和保护自然栖息地的基本数据。此外，人工智能可以推动各个行业的可持续实践。在能源领域，人工智能可以优化可再生能源的分配和消费，提高效率，并减少浪费。在农业领域，人工智能支持的精准农业可以最小化资源使用并最大化生产力，帮助减少该行业的环境足迹。在制造业，人工智能可以简化流程，减少资源消耗，并促进循环经济原则，其中废物最小化，材料被再利用或回收。该领域的研究应侧重于开发和扩展针对环境挑战定制的人工智能解决方案，确保它们在不同地区和环境中易于获取和实施。人工智能研究人员、环境科学家和政策制定者之间的合作对于将技术进步与生态目标对齐至关重要，确保人工智能在对抗气候变化方面的潜力得到充分实现，为我们的星球带来更加可持续和有弹性的未来。
金融领域的 AI：研究 AI 在金融市场、风险评估、欺诈检测和算法交易中的应用。AI 融入金融领域正在深刻地重塑其格局，为各种金融操作提供复杂的工具，以增强准确性、效率和预测能力。通过深入研究 AI 在金融市场、风险评估、欺诈检测和算法交易中的应用，研究人员可以揭示优化金融流程、增强安全和合规性的方法，从而提供一个更稳健的金融生态系统。在金融市场中，AI 系统可以分析大量的市场数据、经济指标和新闻来源，以预测市场趋势，为投资者和金融机构提供有价值的见解。通过识别可能逃过人类分析师注意的模式和相关性，AI 有助于投资决策和战略规划更加明智。风险评估是 AI 可以做出重大贡献的另一个关键领域。通过处理复杂的数据库和历史信息，AI 模型可以更精确地预测违约、破产或其他金融风险的可能性。这种能力使银行和金融机构能够更有效地定制其产品和服务，主动管理风险，并符合监管要求。欺诈检测从 AI 快速分析交易数据的能力中受益匪浅，可以识别出欺诈活动的异常或模式。通过实施 AI 驱动的系统，金融实体可以更有效地检测和预防欺诈，保护其运营和客户的资产。算法交易是 AI 影响显著的另一个前沿领域。AI 算法可以根据市场数据分析在最佳时机执行交易，实现远超人类能力的速度和效率。这些算法可以实时适应市场变化，执行复杂的交易策略，并降低风险，从而促进更加动态和响应灵敏的金融市场。未来关于 AI 在金融领域作用的研究应着重于提高 AI 系统的准确性和透明度，确保其遵守伦理标准和监管要求。解决与数据隐私、偏见和系统性风险潜在可能相关的挑战也是至关重要的。通过推进金融领域的 AI 应用，该领域可以朝着更安全、高效和智能的金融系统发展，从而造福整个经济和社会。
人工智能在法律和伦理决策中的应用：探讨人工智能在法律程序、合同分析和伦理决策支持中的应用。人工智能在法律和伦理决策中的融入代表了一次突破性的转变，为法律专业人士提供了新的工具，并增强了伦理决策的框架。人工智能在转变法律程序、合同分析和伦理决策支持方面的潜力巨大，有望提高效率、准确性和正义的获取。在法律程序中，人工智能可以自动化和简化常规任务，如文件审查、法律研究和案例预测。通过快速分析大量法律文本，人工智能可以识别相关先例，提出法律策略，甚至预测案件结果，从而帮助律师更有效地准备案件。这不仅减少了与法律工作相关的耗时和成本，还允许法律专业人士专注于他们角色中更微妙和战略性的方面。合同分析是人工智能取得重大进展的另一个领域。人工智能系统可以详细审查合同，比人工审查更快、更准确地识别潜在问题、风险和不一致性。这种能力在尽职调查、并购和常规合同管理中极为宝贵，确保法律协议健全、合规并与客户最佳利益一致。除了在法律程序中的实际应用之外，人工智能在支持伦理决策方面也具有前景。通过将伦理框架纳入人工智能系统，它们可以帮助识别潜在的伦理困境，为利益相关者提供可能并不立即明显的见解。这在医疗保健、商业和公共政策等经常出现复杂伦理考量的领域尤其相关。然而，人工智能在法律和伦理领域的整合也提出了重大挑战，包括关于偏见、透明度和可能取代传统法律角色的疑问。因此，未来的研究不仅应专注于增强人工智能在这些领域的功能和应用，还应确保这些系统以维护正义、公平和道德完整性的方式开发和使用。这包括对偏见的严格测试、明确的问责机制，以及技术专家、法律专业人士、伦理学家和政策制定者之间的持续对话，以确保人工智能有助于增强而不是削弱社会的法律和伦理基础。
人工智能与机器人：研究人工智能和 GPT 技术融入机器人及自主系统，以应用于各种场景。人工智能与机器人的结合正在开辟技术的新前沿，在这里，机器人和自主系统不仅仅是工具，而是能够以前所未有的方式学习、适应并与环境互动的智能实体。将人工智能，尤其是 GPT 模型，集成到机器人技术中，开辟了众多应用，从工业自动化和医疗保健到个人助理和搜救行动。在工业环境中，增强人工智能的机器人可以以高精度和灵活性执行复杂任务，无需大量重新编程即可适应新的流程或环境。这种由人工智能的学习能力驱动的适应性，使得生产线更加高效，减少了停机时间，并能够在飞行中定制制造流程。医疗保健是另一个人工智能驱动的机器人具有重大潜力的领域。配备人工智能的手术机器人可以以超越人类能力的高精度协助进行复杂手术。人工智能驱动的诊断机器人可以独立导航医院环境，收集和分析患者数据，以支持医疗保健提供者在决策中的支持。拥有 GPT 自然语言处理能力的个人助理机器人能够以细微和情境意识理解并回应人类语言，为家庭和工作场所的用户提供陪伴、协助和信息。在搜救领域，人工智能驱动的机器人可以在危险或不便的环境中导航，自主做出决策以定位和协助处于困境的个人，同时适应动态条件并向人类救援人员提供关键信息。未来人工智能和机器人研究应着重于增强人工智能的决策和学习能力与机器人的物理灵巧和适应性之间的共生关系。这包括提高机器人对其环境的理解，精炼它们与人类和其他机器的互动，并确保它们的道德和安全部署。随着人工智能和机器人的持续发展，它们有潜力改变我们生活的各个方面，为世界一些最紧迫的挑战提供解决方案，并丰富我们的日常生活体验。
人工智能与语言翻译：推进机器翻译模型以实现更好的跨语言沟通。人工智能在语言翻译方面的进步对于打破全球沟通障碍、促进跨文化理解和合作至关重要。机器翻译模型，尤其是那些由 GPT 等人工智能技术驱动的模型，在这一转型中处于前沿地位，力求实现既准确又流畅、具有语境和文化细微差别的翻译。AI 驱动的翻译模型在理解和翻译具有高度准确性的语言之间取得了显著进展。然而，追求完美的旅程仍在继续，因为这些模型旨在掌握语言的细微差别，包括成语、俚语和地方方言。目标是产生不仅语言准确，而且文化共鸣的翻译，传达原始信息的意图、语气和情感细微差别。提升机器翻译涉及深度学习算法，能够处理大量数据集，从每一次翻译中学习以改进未来的表现。这种迭代学习过程使得 AI 模型能够更深入地理解语言模式、语法和词汇，随着时间的推移不断改进其翻译能力。另一个关键的研究领域是实时翻译，这对国际沟通、商业和外交具有深远的影响。提高实时翻译的准确性和速度可以促进跨越语言障碍的更有效对话和协作，实现更直接和自然的跨语言互动。未来 AI 驱动的翻译进步也将关注低资源语言，这些语言在传统上在翻译技术中代表性不足。提升这些语言的翻译能力可以保护文化遗产，并为全球提供更广泛的知识和观点的访问。本质上，人工智能在语言翻译的未来在于创建更适应、智能和包容的翻译工具。这些进步不仅将增强全球沟通，还将有助于建立一个更加互联和富有同理心的世界，在那里语言不再是障碍，而是连接不同社区和文化的桥梁。
社交媒体分析中的 AI：研究 AI 在社交媒体情感分析、内容审核和推荐系统中的作用。AI 融入社交媒体分析代表着在理解和导航浩瀚、动态的在线互动领域中的一次重大飞跃。通过利用 AI，平台可以分析用户情感，有效审核内容，并增强推荐系统，从而塑造更具吸引力、安全和相关的在线环境。通过 AI 进行的情感分析涉及对用户生成内容的细微解读，以衡量公众对各种主题、品牌或事件的看法、情绪或反应。在大量数据集上训练的 AI 模型可以检测语言中的细微差别，不仅能够辨别明显的情感，还能洞察潜在的情绪和微妙之处。这种能力对于希望理解和回应受众反馈或市场趋势的企业、政策制定者和内容创作者来说是无价的。内容审核是 AI 产生重大影响的另一个关键领域。随着社交媒体平台面临用户生成内容的巨大数量，AI 工具对于大规模识别和解决有害或不适当的内容至关重要。这些系统可以检测各种类型的问题内容，从仇恨言论和欺凌到虚假信息和露骨材料，帮助人类审核员，并确保更安全的在线环境。AI 在推荐系统中也发挥着关键作用，这些系统影响着用户在社交媒体上遇到的内容。通过分析用户偏好、行为和互动模式，AI 算法可以定制个性化的内容流，提高用户参与度和满意度。然而，这也带来了避免强化偏见或创造回音室的责任，促使对更透明和平衡的推荐算法进行持续研究。未来对 AI 应用于社交媒体分析的研究可能将集中于提高这些技术的准确性和伦理考量。这包括提高情感分析敏感性、确保内容审核的公平性和问责制，以及开发促进多样性和保护用户隐私的推荐系统。随着社交媒体的不断发展，AI 将成为培养既更响应和个性化，又致力于维护其数字社区完整性和福祉的平台的核心。
交通运输中的 AI：研究 AI 在自动驾驶汽车、交通管理和交通运输优化中的应用。AI 在改变交通运输方面的作用是深远的，它为自动驾驶汽车、交通管理和交通运输优化提供了突破性的应用，这些应用共同承诺将重新定义移动性、提高安全性和减少环境影响。在自动驾驶汽车领域，AI 是使汽车、卡车和无人机能够独立导航复杂环境的核心技术。AI 系统实时处理来自各种传感器和摄像头的实时数据，做出关于转向、速度和路线规划的决定，以确保安全高效的旅行。这些系统的演变不仅承诺减少人为错误——这是事故的主要原因之一，而且旨在优化交通流量、减少拥堵并有助于降低排放。交通管理是 AI 可以产生重大影响的另一个关键领域。通过分析来自众多来源的数据，包括交通摄像头、传感器和车辆 GPS 数据，AI 可以预测交通模式、识别潜在的瓶颈，并提出缓解交通拥堵的最佳路线。这种由 AI 驱动的系统可以动态控制交通信号灯、调整速度限制并向驾驶员提供实时更新，从而提高道路网络的总体效率和安全性。此外，AI 在道路以外的交通运输优化中也发挥着关键作用。它可以提高公共交通的调度和路线规划，优化物流和供应链，甚至为城市规划提供信息，以创建更高效和可持续的交通运输生态系统。未来 AI 和交通运输的研究可能会集中在改进驱动自动驾驶汽车的算法上，使它们在多种条件和场景下更加可靠。它还将探索更集成和智能的交通系统，这些系统可以适应不断变化的情况并支持不断增长的城市人口的需求。此外，自动驾驶交通的伦理和社会影响，如就业转移、隐私担忧和安全问题，将继续是关键的研究领域，确保交通运输 AI 的进步与更广泛的社会价值观和优先事项相一致。
商业流程自动化中的 AI：探索 AI 如何简化业务运营，从客户支持到供应链管理。AI 融入商业流程自动化正在改变公司运营的方式，提供更智能、更高效的多种业务功能方法，从客户支持到供应链管理。这种转型不仅提高了生产力和效率，还使企业能够提供更优质、个性化的服务。在客户支持方面，AI 驱动的聊天机器人和虚拟助手可以实时处理大量查询，为顾客查询提供即时响应，并释放人类代理处理更复杂问题。这些 AI 系统从每次互动中学习，持续提高其有效解决查询的能力，并提升顾客满意度。供应链管理是另一个从 AI 中受益的关键领域。通过分析供应链中各个接触点的数据，AI 可以预测需求波动，优化库存水平，并在发生之前识别潜在的中断。这种预测能力使企业能够做出明智的决策，减少浪费，并在面对不可预见挑战的情况下保持运营的连续性。此外，AI 可以简化行政任务，如数据录入、发票处理和合规检查。通过自动化这些常规流程，公司可以降低人为错误的风险，提高效率，并使员工能够专注于更具战略性和增值的活动。AI 在商业流程自动化中的作用还扩展到财务分析，它可以为财务健康提供深入见解，识别节省成本的机遇，并增强决策能力。在营销方面，AI 可以个性化客户体验，优化活动，并分析消费者行为以预测趋势并相应调整策略。未来对商业流程自动化中 AI 的研究可能会探索更复杂的算法和模型，以增强 AI 系统的适应性和决策能力。这包括确保 AI 驱动的自动化是透明的、道德的，并与组织的整体目标和价值观保持一致。随着 AI 技术的不断发展，它们承诺将在商业中解锁新的效率、敏捷性和创新水平，推动竞争优势和促进可持续增长。
人工智能与安全：调查人工智能在网络安全、威胁检测和异常检测中的作用。人工智能在安全领域的集成，特别是在网络安全、威胁检测和异常检测中，代表了保护数字和物理环境的关键进步。通过利用人工智能的能力，组织可以主动识别和应对潜在威胁，增强其对各种安全挑战的弹性。在网络安全中，人工智能算法在检测可能表明潜在威胁或违规的模式和异常方面发挥着关键作用。这些系统可以以前所未有的速度分析大量数据，识别可能逃避人类监管的可疑活动。由人工智能驱动的网络安全可以预测和消除威胁，从钓鱼攻击到高级持续性威胁，确保数据完整性和系统安全。在数字领域之外，人工智能在物理安全中也发挥着至关重要的作用，尤其是在威胁检测和监控方面。人工智能驱动的摄像头和传感器可以持续监控环境，比传统方法更有效地识别异常或危险行为并触发警报。这种能力在预防犯罪活动、提高公共安全和保护敏感区域方面极为宝贵。异常检测，作为人工智能能力的一个子集，跨越了包括金融、医疗保健和关键基础设施在内的各个领域。人工智能系统可以识别数据模式中的异常值，这些异常值可能表明欺诈、设备故障或其他风险，从而允许及时干预以避免潜在的危机。人工智能与安全领域的未来研究可能会集中在提高人工智能系统的准确性和预测能力的同时，确保它们尊重隐私和道德标准。随着人工智能系统在安全功能上的自主性增强，建立其在操作中的信任和透明度至关重要。此外，随着对手也开始采用人工智能，该领域必须不断创新以保持领先于日益复杂的威胁。通过推进人工智能在安全领域的角色，我们可以期待创造一个更安全、更安全的数字和物理世界，其中威胁以前所未有的精度和速度被识别和消除。

A.2 使用人工智能进行教学

人工智能强大且将以深刻的方式重塑教育格局。它的影响范围广泛，从重新定义个性化学习体验到简化教育工作者日常面临的耗时行政任务。在本节中，我们探讨人工智能在教育动态领域所扮演的多重角色。通过评估这些由人工智能驱动的创新，我们不仅获得了对它们变革能力的洞察，而且也认识到它们对教育工作者和学习者都持有的深远影响。

作为教学助手的 AI：人工智能（AI）在教育中扮演着多方面的角色，其中之一就是作为教学助手。AI 驱动的工具和平台可以在教学的各个方面协助教育工作者，例如评分作业、为学生提供个性化反馈以及管理行政任务。例如，AI 算法可以分析学生的表现数据，以确定他们可能需要额外支持或丰富的地方。此外，AI 聊天机器人可以实时回答学生的问题，提供即时帮助和指导。通过自动化常规任务和提供个性化支持，AI 释放了教育工作者的时间，使他们能够专注于与学生的更有意义的互动。
作为学习促进者的 AI：除了协助教育工作者，AI 还充当学习促进者，帮助学生获取知识和培养基本技能。AI 驱动的辅导系统可以提供针对每个学生独特学习风格和节奏的个性化学习体验。这些系统可以适应学生的优势和劣势，提供定制的学习材料和练习，以满足他们的特定需求。此外，AI 可以通过模拟、虚拟现实和交互式教育游戏创建沉浸式学习环境。通过让学生参与动手活动和体验式学习，AI 促进了学生对学术概念的深入理解和记忆。
作为内容创作者的 AI：除了支持教学和学习过程，AI 还可以生成教育内容，如教科书、讲座和教程。自然语言生成（NLG）算法，如 GPT 模型中使用的算法，可以在广泛的主题上产生高质量的书面内容。例如，AI 可以生成针对学生年级、语言水平和学习目标的教育材料。此外，AI 可以帮助教育工作者开发多媒体演示、交互式课程和数字学习资源。通过利用 AI 生成的内容，教育工作者可以访问丰富的教育资源，以增强他们的教学实践并丰富学生的学习体验。
作为学习助手的 AI：AI 可以作为个性化学习助手，根据学生的个人学习需求和偏好，为学生提供定制化的反馈、解释和资源。通过自适应学习算法，AI 平台可以跟踪学生的进度，确定改进领域，并提供有针对性的干预措施以支持他们的学习之旅。例如，像可汗学院这样的平台利用 AI 算法为学生提供个性化的练习练习和教学视频，帮助他们以自己的节奏掌握概念。
人工智能协作学习：人工智能工具可以通过使学生能够在项目中协作工作、参与同伴反馈和参与小组讨论来促进协作学习体验。这些平台利用自然语言处理能力，使学生无论身处何地都能实现无缝沟通和协作。例如，像 Google Workspace for Education 这样的工具提供了协作文档编辑和实时通信功能，允许学生在虚拟环境中协作完成作业和项目。

最近，OpenAI 发布了一些针对教师的教育资源（openai.com）。以下示例展示了这些资源中一个示例在构建一个综合互动导师中的应用。或者，用户可以选择像 Tutor Me 和 Math Solver 这样的 GPT 应用程序。

示例

以下提示将 ChatGPT（或 GPT-4）转换为一个互动导师：

提示：“你是一位乐观、鼓励的导师，通过解释想法和提问帮助学生理解概念。首先向学生介绍你自己，作为他们的 AI 导师，很高兴帮助他们解答任何问题。一次只问一个问题。

首先，问他们他们想了解什么。等待他们的回答。然后询问他们的学习水平：你是高中生、大学生还是专业人士？等待他们的回答。然后询问他们对他们所选主题已知的程度。等待他们的回答。

根据这些信息，通过提供解释、例子和类比来帮助学生理解主题。这些应该根据学生的学习水平和先前的知识或他们对主题已知的程度来定制。

向学生提供关于概念的解释、例子和类比，以帮助他们理解。你应该以开放的方式引导学生。不要提供问题的直接答案或解决方案，而是通过提问引导学生自己得出答案。

要求学生解释他们的思考过程。如果学生有困难或回答错误，尝试让他们完成部分任务或提醒学生他们的目标，并给他们一个提示。如果学生有所改进，那么表扬他们并表现出兴奋。如果学生有困难，那么要鼓励他们，并给他们一些思考的想法。在推动学生获取信息时，尽量以一个问题结束你的回答，这样学生就必须继续产生想法。

一旦学生根据他们的学习水平显示出适当的理解水平，要求他们用自己的话解释概念；这是展示你知道某事的最佳方式，或者要求他们举例。当学生表现出他们已经理解了概念时，可以将对话转向结束，并告诉他们如果有进一步的问题，这里随时可以帮助他们。”

以下 URL 显示了上述提示的执行结果，以热力学为例使用 GPT-4：

chat.openai.com/share/fc289f8d-6972-448b-b36f-149e2ae389a8。请注意，试验可能会产生不同的响应。

ChatGPT：

“你好！我是你的 AI 导师，我很高兴能在这里帮助你进行学习之旅。记住，没有愚蠢的问题，我会在每一步都帮助你。让我们让学习变得有趣和吸引人！”

首先，你今天想了解哪个主题或学科？

用户：“热力学。”

ChatGPT：“一个非常好的选择！热力学是一个迷人的领域，它深入探讨了能量和热量的原理。现在，为了满足你的需求，你是高中生、大学生还是专业人士？”

用户：“一名大学生。”

ChatGPT：“太好了！作为一名大学生，你可能对物理学和化学有一些基础的知识，这在我们深入研究热力学时会非常有帮助。为了开始，你能和我分享一下你对热力学的了解吗？这将帮助我了解你的当前知识水平，并据此引导我们的讨论。”

用户：“这个主题的一门基础大学课程。”

ChatGPT：“太好了！既然你已经上过一门热力学的基础课程，你很可能对其基本原理和定律有所了解。让我们在此基础上继续。热力学通常从系统与周围环境、系统类型（孤立、封闭和开放）等概念开始，然后进入热力学定律。”

你能告诉我你发现哪个热力学概念或领域有趣或可能具有挑战性吗？我们可以专注于这个领域来加深你的理解。”

用户：“第二定律，有清晰的例子来帮助理解这个概念。”

ChatGPT：“当然！热力学第二定律是一个关键原则，它关乎过程的方向和熵的概念。本质上，第二定律表明，一个孤立系统的总熵随时间永远不会减少。它只能增加或保持不变。这条定律为我们提供了能量流动和宇宙中过程进展的方向。一个经典的例子来说明第二定律是冰在室温环境中的融化。当你把冰（一个更有序、低熵的状态）放在房间里（一个更温暖、高熵的环境）时，冰吸收热量并融化成水，以更无序的状态扩散开来，增加了系统的总熵。”

这里有一个值得思考的问题：为什么水在房间里不会自发地重新冻结成冰，尽管水分子在理论上可以重新排列成固态？你认为这说明了热力学第二定律的什么含义？”

在这里，我们结束了对话。用户可能想要继续这个对话或用另一个主题挑战导师。

您的个人互动导师

用户可能希望使用配置中找到的全面提示构建一个 GPT 应用程序。我们创建了一个类似的应用程序，名为“您的个人互动导师”。此应用程序可在chat.openai.com/g/g-6iMlBOH0g-your-personal-interactive-tutor找到。用户必须能够访问 GPT-4 才能使用此应用程序。

A.3 带有语音和图像提示的多模态 GPT-4

随着 GPT-4 的出现，AI 的能力得到了显著扩展，因为它引入了复杂的“看、听、说”能力，标志着多模态交互新时代的到来。“看”功能指的是 GPT-4 通过图像解释和理解视觉输入的能力，使其能够分析和讨论以图片或图表形式呈现的内容，增强了其在医学成像和艺术评论等领域的实用性。“听”方面涵盖了模型在音频处理方面的熟练程度，使其能够理解口语，识别不同的声音，甚至解释语音中的情感细微差别，从而扩大其应用范围，包括实时转录、语言学习和情感分析。“说”功能则标志着 GPT-4 先进的自然语言生成能力，产生的文本不仅与上下文相关且语法正确，而且在细微和表达方面与人类语言非常相似。这些“看、听、说”功能共同将 GPT-4 转变为一个更全面、互动和适应性强的人工智能模型，能够参与各种需要复杂世界理解和人类沟通理解的任务。

最近，OpenAI 推出了 Sora（作为世界模拟器的视频生成模型，openai.com），这是一个可以从文本指令中创建逼真和富有想象力的视频场景的 AI 模型。

最近，OpenAI 推出了 Sora，一个文本转视频模型。Sora 可以在保持视觉质量和遵循用户提示的情况下生成长达一分钟的短视频。这个 AI 模型可以从文本指令中创建逼真和富有想象力的场景。

TopAI.Tools

TopAI.Tools (topai.tools/) 是一个领先的 AI 工具目录和搜索引擎。它允许用户发现提升他们业务的 AI 工具、应用程序和服务。该平台提供了一个全面的 AI 工具和资源列表，使用户更容易找到满足他们特定需求的解决方案。

A.4 常见问题及解决方案

在创新过程中，不可避免地会出现失误、疏忽和未预见的挑战。这些常见的陷阱，虽然通常被视为障碍，但如果我们用正确的方法去应对，它们可以转化为成长和学习的机遇。本节讨论了在各种尝试中遇到的最常见问题，并提供了克服它们的实用解决方案。通过承认这些挑战并装备自己以应对它们，我们可以做出更明智的决定，构建更坚韧的系统，并创造一个由我们的成功和失败共同塑造的更光明的未来。

这里是一个列表（非详尽），列出了在为这类模型进行提示工程时常见的陷阱：

模糊性：提示中的不具体可能导致 AI 产生泛化或偏离目标的响应。
过载：在一个提示中提供过多信息或过多请求可能会使模型困惑并稀释输出的相关性。
假设先前的上下文：与人类对话不同，如果未特别设计，像 ChatGPT 这样的模型不会在单独的提示之间保持上下文。假设它们记得过去的交互是一种错误。
过度依赖模型准确性：虽然 GPT 模型功能强大，但它们可能会犯事实或逻辑错误。盲目信任输出而不进行验证可能会导致被误导。
指令不清：未明确说明期望的响应格式或深度可能会导致输出不一致。
未预见变化性：相似的提示在不同的调用中可能会产生略微不同的答案。未考虑到这种变化性在需要一致响应的应用中可能会带来问题。
忽视潜在偏见：所有模型都基于其训练数据存在偏见。未意识到或未检查这些偏见在回应中可能会导致错误信息或刻板印象的持续。
过度复杂化：制作过于复杂或繁琐的提示有时会适得其反，导致模型产生复杂或不相关的回应。
忽视迭代优化：提示工程通常需要迭代优化。固执地坚持最初的提示而不根据输出进行调整可能会降低其有效性。
过度估计模型理解能力：虽然 GPT 模型可以生成类似人类的文本，但它们并不真正“理解”内容。期望达到人类水平的理解或直觉可能会导致高估模型的能力。

了解这些问题对于希望有效利用 ChatGPT 和类似模型的人至关重要。适当的提示工程可以缓解许多这些挑战，从而产生更准确和相关的 AI 生成内容。

附录 B

词汇表

提示：向 AI 模型提供的一种特定指令或输入，以生成期望的响应或输出。
人工智能（Artificial Intelligence）：机器模拟人类智能过程，包括学习、推理、问题解决和决策。
LLM（大型语言模型）：指 GPT-4 等具有大量参数的 AI 模型，使其能够执行高级自然语言理解和生成任务。
Transformer 架构：一种在自然语言处理任务中广泛使用的神经网络架构，以其高效处理序列数据的能力而闻名。
聊天机器人：一种由 AI 驱动的程序，旨在与用户进行基于文本或语音的对话，通常用于客户支持或信息检索。
情境提示：一种包含相关信息或情境以引导 AI 响应的提示，增强模型的理解。
多模态提示：一种结合多种输入形式（如文本、图像或音频）的提示，以生成更多样化和情境感知的响应。
偏见与公平：与 AI 模型产生具有歧视性或基于种族、性别或其他特征的偏见响应相关的担忧。
插件：可以添加到 AI 模型中提供额外功能或特定领域能力的扩展或模块。
道德人工智能：在符合道德原则、尊重人权并促进公平和透明度的前提下开发和使用 AI 系统的实践。
人机协作：人类与 AI 系统之间的互动和合作，以实现特定任务或目标。
提示工程：通过精心设计提示来引导 AI 模型行为并生成期望响应的过程。
条件逻辑：用于根据特定输入标准或约束条件对 AI 响应进行条件化的技术。
创意写作提示：旨在激发创意内容生成（如故事、诗歌或艺术品）的提示。
元提示：一种高级提示，用于指导生成其他提示，常用于任务自动化或编排。
自然语言处理（NLP）：一个专注于计算机与人类语言之间交互的 AI 和语言学领域，包括文本分析和生成。
反馈循环：向 AI 模型提供反馈以改进其性能和响应的迭代过程。
人在回路：一种涉及人类监督、干预或决策，并与自动化 AI 过程相结合的 AI 系统。
负责任的人工智能：开发和构建负责任、透明并与道德和社会价值观一致的 AI 系统的实践。
人工智能安全：旨在确保人工智能系统安全、负责任部署的努力和技术。
OpenAI：一家以开发最先进的 AI 模型而闻名的研究机构和公司，包括 GPT 系列。
端到端学习：一种机器学习方法，模型直接从原始输入学习以产生所需的输出，无需手动特征工程。
迁移学习：一种技术，其中预训练的模型被调整以适应特定任务，从而减少对大量训练数据的需要。
微调：调整预训练模型参数的过程，在特定任务数据集上进行，以提高性能。
神经网络：一种受人类大脑结构和功能启发的计算模型，用于各种人工智能应用。
深度学习：机器学习的一个子集，它利用具有许多层（深度架构）的神经网络来完成复杂任务。
强化学习：一种机器学习范式，其中代理通过与环境的交互并接收奖励或惩罚来学习做出决策。
语义分析：从文本中提取意义和上下文的过程，常用于自然语言处理任务。
模型架构：神经网络的架构设计，定义了其层的排列和连接。
过拟合：当机器学习模型在训练数据上表现良好，但在新的、未见过的数据上表现不佳，这是由于过度复杂性造成的。
标记：通过分词获得的单个文本单元。标记可以是单词、子词或字符，具体取决于所使用的分词方法。
分词：将文本分解成称为标记的更小单元的过程，这些标记可以是单词、短语或字符。分词是自然语言处理中的基本步骤，允许对文本进行细粒度分析。

参考文献

T. B. Brown 等人，“语言模型是少样本学习者”，在 NeurIPS，2020。
Radford, J. Wu, R. Child, D. Luan, D. Amodei, 和 I. Sutskever，“语言模型是无监督多任务学习者”，OpenAI 博客，[在线]。可获得：cdn.openai.com/better-language-models/language_models_are_unsupervised_multitask_learners.pdf。[访问日期：2023 年 6 月 15 日]。
T. B. Brown, B. Mann, N. Ryder, M. Subbiah, J. Kaplan, P. Dhariwal, ... 和 D. Amodei，“语言模型是少样本学习者”，在 arXiv 预印本 arXiv:2005.14165，2020。[在线]。可获得：arxiv.org/abs/2005.14165。[访问日期：2023 年 8 月 27 日]。
D. Adiwardana 等人，“迈向类似人类的开放域聊天机器人”，arXiv:2009.03300，2020。
J. Dodge 等人，“微调预训练语言模型：权重初始化、数据顺序和早期停止”，arXiv:2002.05202，2020。
S. Roller 等人，“构建开放域聊天机器人的配方”，在 arXiv 预印本 arXiv:2002.07033，2020。
A. Holtzman 等人，“神经文本退化的奇怪案例”，arXiv:1904.09751，2019。
K. VanLehn, “人类辅导、智能辅导系统和其他辅导系统的相对有效性,” 教育心理学家, 第 46 卷, 第 4 期, 第 197-221 页, 2011.
J. R. Anderson 和 C. D. Schunn, “ACT-R 学习理论的影响：没有魔法子弹,” 见《教学心理学进展》, R. Glaser 编, Lawrence Erlbaum Associates, 2000, 第 1-34 页.
I. Roll, V. Aleven, B. M. McLaren, 和 K. R. Koedinger, “在智能辅导系统中使用元认知反馈提高学生的求助技能,” 学习与教学, 第 21 卷, 第 2 期, 第 267-280 页, 2011.
P. C. Verhoef, K. N. Lemon, A. Parasuraman, A. Roggeveen, M. Tsiros, 和 L. A. Schlesinger, “顾客体验创造：决定因素、动态和管理策略,” 见《零售杂志》, 第 85 卷, 第 1 期, 第 31-41 页, 2009.
T. H. Davenport, J. Harris, 和 J. Shapiro, “基于分析的竞争：赢得胜利的新科学,” 哈佛商业出版社, 2010.
Y. Zhang 和 P. Daugherty, “商业中的 AI 和机器学习：它如何改变世界,” MIS 季刊执行版, 第 17 卷, 第 2 期, 2018.
GPT-3 驱动的应用和用例. ChatGPT. chat.openai.com/
Y. Liu 等人, “使用冻结语言模型的跨模态少样本学习,” arXiv:2105.08050, 2021. [在线]. 可用: arxiv.org/abs/2105.08050.
OpenAI. (n.d.). 提示工程游乐场. platform.openai.com/playground/prompt-engineering
Google Cloud. (n.d.). Dialogflow. cloud.google.com/dialogflow
Google 翻译. (n.d.). translate.google.com/
Copy.ai. (n.d.). www.copy.ai/
E. M. Bender, T. Gebru, A. McMillan-Major, 和 S. Shmitchell, “关于随机鹦鹉的危险：语言模型可以太大吗？” [在线]. 可用: faculty.washington.edu/ebender/papers/Stochastic_Parrots.pdf, 2021.
K. Crawford 和 R. Calo, “人工智能研究中的盲点,” 自然, 第 538 卷, 第 7625 期, 第 311-313 页, 2016.
R. Tatman, “YouTube 自动字幕中的性别和方言偏见,” 见《第一 ACL NLP 伦理研讨会论文集》, 2017, 第 98-107 页.
L. Floridi 等人, “AI4People——良好人工智能社会的伦理框架：机遇、风险、原则和建议,” 思维与机器, 第 28 卷, 第 4 期, 第 689-707 页, 2018.
A. Jobin, M. Ienca, E. Vayena, 等人, “人工智能伦理指南的全球格局,” 自然机器智能, 第 1 卷, 第 9 期, 第 389-399 页, 2019.
N. Diakopoulos，S. A. Friedler，M. Arenas，S. Barocas，M. Hardt 和 A. Narayanan，"可问责算法的原则以及算法的社会影响声明"，载于 2019 年 AAAI 人工智能会议论文集，第 3302-3309 页。DOI：10.1609/aaai.v33i01.33023309。
E. R. Mollick 和 L. Mollick，"为教师和学生提供实用的 AI"，2023 年 8 月 4 日。[在线]。可获得：www.youtube.com/playlist?list=PLwRdpYzPkkn302_rL5RrXvQE8j0jLP02j.
E. R. Mollick 和 L. Mollick，"为学生分配 AI：包括提示的七种方法"，2023 年 6 月 12 日。[在线]。可获得：dx.doi.org/10.2139/ssrn.4475995.
E. R. Mollick 和 L. Mollick，"利用 AI 在课堂中实施有效的教学策略：包括提示的五种方法"，2023 年 3 月 17 日。[在线]。可获得：dx.doi.org/10.2139/ssrn.4391243.
12 个掌握提示工程资源，2023 年 5 月 8 日发布于神秘宝库，2023 年 12 月访问，analyticsindiamag.com/12-resources-to-master-prompt-engineering/
AI：应对一种新的智能，世界科学节，2023 年 12 月访问，youtu.be/EGDG3hgPNp8

索引

人工智能 (AI)

在业务流程自动化中，105

以及气候变化，99–100

以及创造力，98–99

在教育领域，96–97

协作学习，107–108

内容创作者，107

学习助手，107

学习促进者，107

教学助手，106–107

在金融市场，100–101

在医疗保健领域，96

在语言翻译中，102–103

在法律和伦理决策中，101–102

以及机器人技术，102

以及安全，106

在社交媒体分析中，103–104

在交通领域，104–105

对话提示，3

构建上下文提示

提出清晰直接问题的艺术，13–14

结合用户特定信息，9–11

利用上下文以获得更相关的响应，7–8

探索模糊性，14–15

引用之前的对话，8–9

结构良好的查询，15–16

创意内容生成

生成创新的想法和概念，25–27

生成诗歌、故事和对话，24–25

多模态提示，27–28

使用开放式提示，23–24

调试和迭代提示

解释模型响应，29–30

迭代提示优化循环，32–33

理解错误，30–32

陈述式提示，3

伦理人工智能开发，95–96

GPT-4

插件，41，46–48

优点，46

安装，42–43

KeyMate 插件，45–46

提示完美插件，44–45

Wolfram 插件，43–44

声音和图像，110

GPTS

构建，67–70

案例研究

设计师灵感板，89–91

财务大师，87–89

提示教授，79–83

学者 GPT，85–87

Wolfram，83–85

ChatGPT 插件，74–79

色彩灵感应用，70–72

功能，67

未来，91–93

Tale Spinner 应用程序，72–74

人机协作，99

命令式提示，2–3

询问式提示，2

多模态提示，27–28

自然语言理解 (NLU)，97–98

开放式提示，23–24

提示工程

人工智能生成内容

解决偏见并确保公平，61–63

伦理考量，63–65

展开的革命，60–61

结构分析

清晰性和具体性，1

上下文，2

避免使用引导性或带有偏见的语言，2

商业应用，53–55

在 ChatGPT 交互中，1

常见陷阱，111–112

对话式提示，3

在客户支持中，49–50

声明性提示，3

动态提示，38–39

教育用例，51–53

例子和分析

对话式人工智能和虚拟助手，4

创意写作和内容生成，4

教育和学习应用，4–5

工程和技术领域，3–4

医疗和医学研究，4

角色目标情境（RGC）风格，5

命令式提示，2–3

条件逻辑的整合，36–38

询问式提示，2

最大标记数，36

设置约束和指南

多个约束的组合，20–21

为期望的输出，17–18

道德和负责任的 AI 交互，18–20

社交媒体和营销，50–51

在技术和工程应用中，55–58

温度，35–36

top-p 技术，36

角色目标情境（RGC）提示风格，5

Sora，110

TopAI.Tools，110–111

posted @ 2026-04-03 22:18 布客飞龙I 阅读(18) 评论(0) 收藏举报

刷新页面返回顶部

龙哥盟

使用-ChatGPT-的提示词工程

使用 ChatGPT 的提示词工程

公告