欢迎访问chatgpt中文教程网，学习chatgpt相关知识，以下是正文内容：
本期推送内容目录如下，如果本期内容对你有所帮助，欢迎点赞、转发支持掌柜！
1 提示词工程 2 提示词的构成 3 简单提示词 3.1 代码生成 3.2 代码优化 3.3 文本生成 3.4 文本翻译 3.5 文本分类 3.6 实体与关系抽取 3.7 格式化输出 4 少样本提示词 4.1 输出格式提示 4.2 任务要求提示 4.3 逻辑链提示 5 情境化提示词 5.1 代入情境角色 5.2 代入背景信息 5.3 代入专业知识 6 定制化 6.1 定制化提示词 6.2 定制化解决方案 7 场景应用 7.1 PPT生成 7.2 思维导图生成 7.3 绘本生成 7.4 课件优化 8 GPT-4与GPTs使用 8.1 更强的多模态 8.2 更精细的控制和输出 8.3 代码解释器使用 8.4 GPTs介绍与使用引用
经过先前内容的介绍，我们已经清楚了ChatGPT的基本原理与核心能力，即能够以对话的形式来与用户进行交互，并基于先前的上下文生成连贯的回复。通过大规模的预训练和微调能够理解并生成自然语言文本，这种能力使得ChatGPT在多种应用场景中都能发挥作用，包括但不限于智能助手、编程帮助、创意文本生成等。在接下来的内容中，我们将详细介绍ChatGPT的使用方式和技巧，并将其用作我们的实际生产力工具。
1 提示词工程
随着ChatGPT的出现以及它所展现出的惊人能力，如何能ChatGPT让生成高质量的回答便成为了所有ChatGPT使用者所共同关注的一个问题。随着研究的进一步加深，研究员们发现能够让ChatGPT产生高质量的、满足用户真实需求的内容的前提就是输入高质量的提示。因为经过大规模预训练和微调后的ChatGPT已经具备了海量的知识内容，而我们要做的就是通过一种恰到的方式从中提取出我们预期的结构化内容。甚至有人曾经调侃，如果ChatGPT生成的结果不正确，那一定是你的提示出了问题。
在ChatGPT中，提示词（Prompt）是用户提供给模型的输入文本或问题，旨在以清晰简洁的语言向ChatGPT描述你的问题以生成满足用户预期的结果。在对话式场景中，提示词通常充当启动对话并引导模型生成响应的媒介。有效的提示词对于实现模型输出的准确性和合理性至关重要，因为它们在很大程度上影响模型对用户意图和上下文的理解。因此，良好的提示词能够有效指导模型生成相关、有意义且流畅的回应，同时有助于避免歧义，确保模型能够准确解读用户的问题或请求。所以使用清晰而详细的提示词是与ChatGPT进行有效交互的关键策略，用户通过提供明确的信息和上下文，能够引导模型生成更符合其期望的回答，使其在各种应用场景中更为灵活和强大。
首先，我们先使用一个简单的提示词来让ChatGPT生成一篇关于人工智能的科普文章：
User: 生成一个科普文章。
ChatGPT: 当我们深入探索人工智能的世界时，ChatGPT（Generative Pre-trained Transformer）涌现为一颗耀眼的明星。ChatGPT是由OpenAI公司推出的大型语言模型，它在自然语言处理领域取得了巨大的成功。本文将为您揭开ChatGPT的神秘面纱，带您了解它的工作原理和影响。
首先，ChatGPT的基础是Transformer架构，这是一种创新的深度学习结构，广泛应用于各种自然语言处理任务。该架构采用自注意力机制，使得模型能够更好地理解上下文关系，从而更准确地生成语言。
ChatGPT之所以如此强大，得益于其在大规模文本数据上进行的预训练。在这个阶段，模型通过海量的语料库学习语言的模式、结构和语境，使得它在后续任务中具备了出色的表现。这种预训练使得ChatGPT成为一个通用的语言生成工具，可用于回答问题、创作文本，甚至与用户进行自然对话。
ChatGPT在生成文本时采用了生成式的方法，这意味着它可以创造性地生成全新的内容。用户只需提供简短的提示，ChatGPT就能够根据上下文和语境生成连贯、有逻辑的回应。这种交互方式让人感觉仿佛在与一个理解力强大的虚拟伙伴对话。
然而，尽管ChatGPT在语言生成上取得了显著的进展，但它也面临一些挑战。有时候，模型可能生成不准确或模糊的回答，尤其是在处理复杂或专业性领域的问题时。此外，ChatGPT也可能受到数据偏见的影响，导致生成结果带有一定的倾向性。
总体而言，ChatGPT的出现标志着自然语言处理领域的一次飞跃。它为我们提供了一个强大的工具，可以应用于多个领域，从解答问题到辅助创作，展现了人工智能技术在语言理解和生成方面的巨大潜力。在ChatGPT的引领下，我们或许能够更深入地探索语言的奥秘，为人工智能的未来铺平道路。
紧接着，我们再来使用一个稍微精确一点的提示词来让ChatGPT生成一个同样主题的科普文章：
User: 你是一名科学杂志编辑，请为最新一期的专题文章创作一篇关于人工智能的科普文章。请涵盖人工智能的基本原理、当前应用领域以及未来发展趋势。确保文章通俗易懂，适合广大读者群体。
ChatGPT:
探索未来科技：人工智能的奇妙世界
人工智能（AI）正迅速改变着我们生活的方方面面，从日常工作到娱乐活动。本文将带您深入了解人工智能的基本原理、当前应用领域以及未来发展趋势，让您对这一科技奇迹有更全面的认识。
基本原理：深度学习的魔法
人工智能的核心是深度学习，一种模仿人脑神经网络的技术。这种网络由神经元和层组成，通过学习大量数据来识别模式、理解语言，甚至进行创造性的文本生成。深度学习的魔法在于它让机器能够模拟人类的思维过程，使得机器能够逐渐变得更加聪明和智能。
当前应用领域：AI改变我们的生活
AI已经深入到我们日常生活的方方面面。在医疗领域，它可以帮助医生更快速准确地诊断疾病；在交通领域，自动驾驶技术正在逐步改变着我们的出行方式；在金融领域，智能算法正在提升风险管理和投资决策的效率。此外，AI还在艺术、娱乐等领域展现了独特的创造力，例如生成艺术品和音乐。
未来发展趋势：AI的辉煌前景
随着技术的不断发展，AI的未来看起来更加辉煌。首先，AI将更好地理解自然语言，实现更自然、流畅的人机交互。其次，AI将更广泛地应用于教育领域，为学生提供个性化的学习体验。最重要的是，AI将在医学研究、环境保护和社会问题解决方面发挥更大的作用，为人类创造更美好的未来。
结语：融入AI的未来
人工智能已经不再是遥不可及的未来科技，而是融入我们生活的现实力量。我们要有信心迎接这个变革，同时保持对技术的审慎态度。正是在我们共同的努力下，AI将继续为我们打开科技的新大门，带来更多的惊喜和便利。让我们共同探索这个人工智能的奇妙世界，迎接未来的挑战和机遇。
可以看出，虽然在两个示例中ChatGPT都根据问题生成了对应内容，但是对于第一个示例来说它生成有关于ChatGPT的内容是随机的，因为我们没有告诉它相应的主题。同时，对于整个内容而言也没有看出任何段落之间的逻辑关系。但是反观第二个示例，我们通过提示词明确告诉了ChatGPT应该生成什么样的内容以及它所面向的群体，因此最终生成的内容不管是从逻辑性还是可读性来讲都比第一个更好。
2 提示词的构成
通常来说，在使用ChatGPT时提示词可以通过指令、上下文、输入数据和输出格式这4部分来组成，当然也可以是其中的一部分。具体地：
指令： 想要模型执行的特定任务或指令，例如生成、翻译、解释、抽取或总结等；
上下文： 包含外部信息或额外的上下文信息以引导语言模型更好地响应，例如生成内容的面向群体、需要ChatGPT扮演的角色信息等；
输入数据： 用户输入的内容或问题；
输出格式： 指定输出的类型或格式。
在使用提示词的过程中，输入信息越详细、越精准那么ChatGPT生成的内容同样也会更准确以及更贴合用户的预期。
例如：请你解释一下什么是登月，需要注意的是生成结果的面向对象是一个6岁的儿童，并将输出结果以json的格式给出，key为名词，value为该名词对应的解释。
在上述提示中，指令为“解释”，输入数据为“什么是登月”，上下文为“生成结果的面向对象是一个6岁的儿童”，输出格式为“以json的格式给出，key为名词，value为该名词对应的解释”。最后，将该提示词输入到ChatGPT中我们将会得到类似如下结果：
{"登月": "登月是一种很棒的冒险，就像坐上宇宙飞船一样，飞到月球上去。在那里，宇航员可以穿上宇航服，走在月球上，看到漂亮的星星和大地球。他们还可以做一些有趣的实验，就像在月球上变成科学家一样。登月就是为了更好地了解月球和宇宙，就像探险一样，发现新奇的事物！"}
相反，如果我们直接问“什么是登月？”，那么我们将会得到另外一个具有一定知识储备的人才能看懂的答案，如下所示：
登月是指人类使用特殊的飞行器，如宇宙飞船，飞往月球进行探险的过程。宇航员通过宇宙飞船抵达月球表面，可以在月球上行走、探索，并执行科学实验。这个过程旨在增进我们对宇宙和地球之外的空间的认识，推动科学研究和探险活动。
3 简单提示词
下面，我们分别就代码生成、文本生成、文本翻译、文本分类和关系抽取等几种常见的简单指令进行介绍，以便各位读者对于ChatGPT的使用能有一个基本的认识。
学习一个算法就好比遍历一棵大树，算法越复杂对应的枝叶也就越繁茂。掌柜依据自身经历将一个算法的学习归结成了5个层次（3个阶段），始终秉持“先学会用，再探究为什么”的理念来进行写作。《跟我一起学机器学习》将使你轻松步入机器学习的大门，从原理到使用再到实现，都能让你轻松掌握！代码仓库：https://github.com/moon-hotel/MachineLearningWithMe
3.1 代码生成
对于代码生成来说，我们可以让ChatGPT根据一段功能性的描述来生成对应的代码内容。
User: 请给出基于PyTorch框架LeNet网络模型的实现过程
ChatGPT: 当然可以！LeNet是一个经典的卷积神经网络（CNN）模型，适用于手写数字识别等任务。以下是一个简单的基于PyTorch框架的LeNet实现：
import torch
import torch.nn as nn
class LeNet(nn.Module):
def __init__(self):
super(LeNet, self).__init__()
self.conv1 = nn.Conv2d(1, 6, kernel_size=5) # 定义卷积层
self.conv2 = nn.Conv2d(6, 16, kernel_size=5)
self.fc1 = nn.Linear(16*5*5, 120) # 定义全连接层
self.fc2 = nn.Linear(120, 84)
self.fc3 = nn.Linear(84, 10)
def forward(self, x):
# 定义前向传播过程
x = F.relu(self.conv1(x))
x = F.max_pool2d(x, 2)
x = F.relu(self.conv2(x))
x = F.max_pool2d(x, 2)
x = x.view(x.size(0), -1)
x = F.relu(self.fc1(x))
x = F.relu(self.fc2(x))
x = self.fc3(x)
return x
如上所示便是ChatGPT生成的LeNet5模型的实现代码。除此以外，还可以让ChatGPT来帮助我们解决平时遇到的各类编程问题，我们只需要像使用搜索引擎一样对它进行提问即可。
3.2 代码优化
除了让ChatGPT生成我们指定的代码以外，我们还可以让ChatGPT来为我们优化或者debug代码。以下便是一段让ChatGPT优化Postgres代码的示例：
User: 你是postgres数据库的性能优化专家，请你先解释以下代码，然后帮我优化以下查询语句，以提高查询效率，减少查询时间。 select cl1,cl2 from (select row_number() over ( partition by cl1 order by create_time desc) rowid,cl1,cl2 from students where is valid='1' and cl1 in('type1'，'type2'，'type3') )temp where rowid<=20;<>
ChatGPT:
这个查询语句的目的是从
students表中选出特定条件下的cl1和cl2列。让我们分步骤来解释和优化这个查询。代码解释
子查询:
select row_number() over (partition by cl1 order by create_time desc) as rowid, cl1, cl2这部分的目的是给每个 cl1分组内的行分配一个顺序号（rowid），基于create_time降序排列。这意味着每个cl1组里create_time最新的行将获得rowid1，依此类推。过滤条件:
from students where is_valid='1' and cl1 in ('type1', 'type2', 'type3')这里从 students表中筛选出is_valid字段为'1'，并且cl1字段为'type1'、'type2'或'type3'的行。外部查询:
select cl1, cl2 from (...) temp where rowid <= 20="">这里从上述子查询的结果中选择 rowid小于或等于20的行。也就是说，对于每个cl1类型，它只选取最多20个最新的记录。性能优化建议
索引:
确保 cl1、create_time和is_valid字段上有适当的索引。特别是，一个复合索引可能在这个场景中非常有用，例如：(cl1, create_time)。避免全表扫描:
使用子查询可能导致全表扫描，尤其是当 students表很大时。如果可能，考虑重写查询，避免子查询。调整查询逻辑:
如果数据量很大，考虑是否可以限制查询的范围，例如添加对 create_time的范围限制。分析计划:
使用 EXPLAIN ANALYZE来查看查询计划，并根据其反馈调整查询或索引策略。考虑到这些建议，以下是一个可能的优化方案，取决于具体的数据结构和数据量：
select cl1, cl2
from (
select cl1, cl2,
row_number() over (partition by cl1 order by create_time desc) as rowid
from students
where is_valid = '1'
and cl1 in ('type1', 'type2', 'type3')
and create_time > [某个特定的时间范围]
) as temp
where rowid <=>20;在这个改进的版本中，我添加了对
create_time的额外限制，这有助于减少查询的数据量。但具体优化措施还需要根据实际情况和查询计划的反馈来调整。
从输出结果可以看出，ChatGPT从建立索引到增加时间限制条件等逻辑来优化了我们原始的查询语句。在实际应用中，上述经过ChatGPT优化的查询语句比优化前快了近一倍。同时，在上述代码中，提示词中的描述便是一段情境设定，这样可以让ChatGPT以某种身份来回答问题，可以产生更加优质的回答，后续第5节将会详细介绍。
3.3 文本生成
对于文本生成来说是给定ChatGPT一个简单的描述，让它给你生成对应的内容。例如帮你写一封信、写一个请假条、写一段道歉信等等。例如我希望ChatGPT给我生成一段关于描写天气的句子。
User: 今天天气晴朗阳光明媚，请帮我写一段描述天气的话。
ChatGPT: 今天的天空如一幅宁静而明媚的画卷，湛蓝的天穹上洒下了温暖的阳光。微风拂过，轻轻摇曳着树叶，带来一丝清新的芬芳。白云在天空中悠然飘动，形成各种想象的图案，仿佛是大自然的绘画工坊。阳光洒在大地上，温暖而柔和，让人感到宁静舒适。在这明媚的日子里，仿佛所有的烦恼都被吹散，留下的只有宁静和愉悦。让我们沐浴在这暖阳下，感受大自然的美好，享受这宁静而美好的一天。
3.4 文本翻译
对于文本翻译来说则是让ChatGPT翻译指定文本到我们指定的输出语言。例如这里我们让ChatGPT把上面关于天气的描述翻译成英文。
User: 请把上面这段话翻译成英文
ChatGPT: Today's sky unfolds like a tranquil and bright canvas, with the deep blue canopy showered by warm sunlight. A gentle breeze rustles through, delicately swaying the leaves and bringing a hint of fresh fragrance. White clouds leisurely drift across the sky, forming imaginative patterns, as if nature itself were an art workshop. The sunlight bathes the earth, warm and gentle, creating a sense of calm comfort. In this radiant day, it feels as if all worries have been dispersed, leaving behind only tranquility and joy. Let's immerse ourselves in this sunny embrace, savoring the beauty of nature and relishing in the serenity of this delightful day.
从上述生成结果可以看出，ChatGPT能够准确地理解“上面这段话”代指的是什么，即能够根据整个对话的上下文来生成用户期待的内容。
3.5 文本分类
对于文本分类来说则是让ChatGPT将我们输入的文本划分到我们给定的类别标签中。
User: 请对下面几条新闻进行分类，如果是财经类请输出{"类别":"财经"}，如果是体育类请输出{"类别":"体育"}，如果是科技类请输出{"类别":"科技"} 1. 本次活动共吸引了包括中国信达、兴业证券、中泰证券、华创证券、厚山投资、东方引擎、太平洋资管、中欧基金在内的26名分析师及机构投资者参加。 2. 参赛选手沿着森兰绿地的跑道奔跑，不仅可以体验运动带来的健康快乐，也能在自然和人文相结合的森兰绿地里感受令人惬意的自然风景。 3. 到2025年，我国将初步建立人形机器人创新体系，“大脑、小脑、肢体”等一批关键技术取得突破，整机产品达到国际先进水平，并实现批量生产。
ChatGPT: 1. {"类别":"财经"} 2. {"类别":"体育"} 3. {"类别":"科技"}
3.6 实体与关系抽取
对于实体抽取来说是让ChatGPT从输入的文本中抽取我们需要的实体类型，例如人名、地名、组织等；关系则是指实体与实体之间所存在的关系。
User: 请抽出下面这段文本中的人物实体：
萧峰是丐帮帮主，心系苍生并忠于国家和民族的悲剧英雄。公正豪迈、威名远扬，人称之为武林霸主“北乔峰”，以武功降龙十八而和擒龙功威震江湖。段誉是大理王子，纯真善良，爱心泛滥的痴儿。他以凌波微步和六脉神剑为主要武学，并同时也习得北冥神功。虚竹是灵鷲宫主，本是天真、憨直、温驯的少林小和尚。天性蠢笨，却解开了谜一般的珍珑棋局，并以此尽得逍遥派真传，学得北冥神功、小无相功和天山六阳掌等上乘武学。
ChatGPT: 人物实体：1. 萧峰 2. 段誉 3. 虚竹
User: 请告诉我上面的各个人物与他们身份之间的关系
ChatGPT: 在上述文本中，有以下人物及其身份之间的关系：
萧峰：是丐帮帮主，以武功降龙十八和擒龙功威震江湖，被称为武林霸主“北乔峰”。 段誉：是大理王子，以凌波微步和六脉神剑为主要武学，同时也习得北冥神功。 虚竹：是灵鷲宫主，原是少林小和尚，解开了珍珑棋局，学得逍遥派真传，包括北冥神功、小无相功和天山六阳掌等上乘武学。
3.7 格式化输出
我们可以告诉ChatGPT返回的结果以什么样的形式进行呈现，例如常见的JSON、CSV和列表等，并且还可以支持各种格式的嵌套。
以CSV格式进行输出：
User: 请将人物名称、人物关系和所学武功输出为CSV格式，表头为"人物";"关系";"武功"
ChatGPT: 当然，这是 CSV 格式的输出：
人物,关系,武功
萧峰,丐帮帮主,降龙十八、擒龙功
段誉,大理王子,凌波微步、六脉神剑、北冥神功
虚竹,灵鷲宫主,逍遥派真传、北冥神功、小无相功、天山六阳掌
以JSON和列表的嵌套格式输出：
User: 请将人物名称、人物关系和所学武功输出为JSON格式，其中key为人物名称，value为一个列表，第1个元素为关系，第2个元素为所学武功。
ChatGPT:
{"萧峰": ["丐帮帮主", ["降龙十八", "擒龙功"]], "段誉": ["大理王子", ["凌波微步", "六脉神剑", "北冥神功"]], "虚竹": ["灵鷲宫主", [ "逍遥派真传", "北冥神功", "小无相功", "天山六阳掌"]]}
以上就是ChatGPT中一些简单提示词的使用。同时，我们也可以在提示词中加入类似“多角度”、“以什么样的风格”等个性化的描述来生成答案。
4 少样本提示词
上面我们介绍了ChatGPT中简单提示词的使用方式，即直接简明扼要地告诉ChatGPT我们需要完成一个什么样的任务。但是在实际场景中我们可能会遇到这样的问题，那就是我们无法详尽描述我们的任务以及需要输出的格式等，而此时最好的做法就是采用少样本学习方法来告诉ChatGPT该怎么做。
4.1 输出格式提示
例如对于上面实体与关系的示例中，如果我们需要以一个更为复杂的形式输出时，那么我们可以给定ChatGPT一个具体示例进行说明。
User: 请给出每个人物的信息标签，包含姓名、人物身份、人物性格、所学武功，并以JSON格式输出。例如{"乔峰":{"身份":"丐帮帮主","性格":"公正豪迈、威名远扬","武功":"降龙十八而、擒龙功"}}
ChatGPT: 以下是每个人物的信息标签以 JSON 格式输出：
{"萧峰": {"身份": "丐帮帮主",
"性格": "公正豪迈、威名远扬",
"武功": ["降龙十八", "擒龙功"]},
"段誉": {"身份": "大理王子",
"性格": "纯真善良、爱心泛滥的痴儿",
"武功": ["凌波微步", "六脉神剑", "北冥神功"]},
"虚竹": {"身份": "灵鷲宫主",
"性格": "天真、憨直、温驯",
"武功": ["逍遥派真传", "北冥神功", "小无相功", "天山六阳掌"]}}
4.2 任务要求提示
同样，在文本分类场景中如果我们的分类问题过于复杂，不像是正面、负面或者财经、娱乐、科技这样简单的分类问题，那么我们也可以通过小样本学习来进行分类。例如当我们需要对人工智能相关新闻再细分成文本分类、目标检测、图像分类等类别时，ChatGPT就不一定能够有效进行区分，那么我们可以先给定几个示例让ChatGPT学习，然后再回答对应的内容。
User: 请将下面的每个描述分类对应类别中，例如：{"由于各类物体有不同的外观、形状和姿态，加上成像时光照、遮挡等因素的干扰，目标检测一直是计算机视觉领域最具有挑战性的问题。":"目标检测","它利用计算机对图像进行定量分析，把图像或图像中的每个像元或区域划归为若干个类别中的某一种，以代替人的视觉判读。":"图像分类","文本分类问题算是自然语言处理领域中一个非常经典的问题。":"文本分类"} {"根据各自在图像信息中所反映的不同特征，把不同类别的目标区分开来的图像处理方法。","文本分类是指计算机将载有信息的一篇文本映射到预先给定的某一类别或某几类别主题的过程"}
ChatGPT: { "根据各自在图像信息中所反映的不同特征，把不同类别的目标区分开来的图像处理方法。": "目标检测", "文本分类是指计算机将载有信息的一篇文本映射到预先给定的某一类别或某几类别主题的过程": "文本分类"}
4.3 逻辑链提示
除此以为，还有涉及一些逻辑推理的场景我们也可以先通过若干个示例告诉ChatGPT整个思维逻辑链，然后再让ChatGPT进行回答，而这也叫思维连（Chain of Thought）提示[3]。例如，对于“小明原来有5个网球，后来他又买了2罐网球，其中每罐有3个网球。请问小明现在一共有多少个网球？”这个问题来说，我们可以先告诉ChatGPT计算逻辑“因为一开始有5个网球，后来又买了2罐，每一罐有3个那么2罐就有6个，所以最后答案是5+6=11个”，然后再让ChatGPT回答新的问题。
User: 小明原来有5个网球，后来他又买了2罐网球，其中每罐有3个网球。请问它现在一共有多少个网球？因为一开始有5个网球，后来又买了2罐，每一罐有3个那么2罐就有6个，所以最后答案是5+6=11个。厨房原先有23个苹果，但是后来又买了3打，每打6个，那请问现在一共有多少个苹果？
ChatGPT: 厨房原先有23个苹果，后来又买了3打，每打6个。一打有6个，所以3打就是 3 * 6 = 18 个苹果。现在总共有 23 + 18 = 41 个苹果。
不过随着ChatGPT训练语料的丰富，对于一些初级的数学推理问题即使不给出逻辑链它也能进行正确回答。
User: 仓库里有一批化肥，第一次取出总数的2／5，第二次取出总数的1／3少12袋，这时仓库里还剩24袋，两次共取出多少袋？
ChatGPT: 这个问题可以用代数方程表示。设化肥总数为x袋，第一次取出2/5x袋，第二次取出1/3x袋。
第一次取出后剩余：x - 2/5x = 3/5x 第二次取出后剩余：3/5x - (1/3x - 12) = 24
现在可以设置方程并解之：3/5x - 1/3x + 12 = 24
将分数转化为相同的分母：(9/15)x - (5/15)x + 12 = 24
合并同类项：(4/15)x + 12 = 24
将常数移到一边：(4/15)x = 12
解出x = 45
所以，化肥总数为45袋。两次共取出的袋数为：2/5 * 45 + 1/3 * 45 = 18 + 15 = 33
5 情境化提示词
所谓情景提示词是指我们在使用ChatGPT的过程中希望ChatGPT以某种特定的身份或者角色来回答我们的问题，其好处在于在特定情境下ChatGPT往往能为我们生成更加优质的回答。例如当我们想让ChatGPT面向初一的学生解释什么是勾股定理时，代入情境角色和不带入情境角色将会得到不同的返回结果。
5.1 代入情境角色
对于不代入情境角色的提示词来说：
User: 请你向初一学生解释什么是勾股定理。
ChatGPT: 当然可以！勾股定理是一个关于直角三角形的定理，它告诉我们关于三角形三边的一个重要关系。在一个直角三角形中，也就是有一个90度角的三角形里，勾股定理说的是：直角边的平方等于另外两条边的平方和。
如果我们把直角边分别标记为，而斜边标记，那么勾股定理的表达式就是。
这个定理有时候可以帮助我们求解三角形的边长，尤其是当我们知道其中两条边的长度时。这是数学中一个很有用的概念，也可以应用在实际问题中。
对于代入情境角色的提示词来说：
User: 你是一位有着丰富教学经验的初中数学老师，对于如何通过数形结合的方式来进行知识性引导教育有着自己独到地见解。请你向初一学生解释什么是勾股定理？
ChatGPT: 当教初一的学生，我通常会以生动有趣的方式向他们介绍勾股定理。我可能会使用一些图形来辅助解释，让学生更容易理解这个概念。
首先，我会画一个直角三角形，强调三个边的名称：两条直角边分别是，斜边。然后，我会告诉学生，这个定理的核心思想是建立在数和形之间的关系上。
我可能会用一些具体的数字来演示，比如说直角是3，直角是4。然后，我会让学生通过计算来验证定理 是否等于斜。这样，他们可以亲身体验定理的真实性。
同时，我还会强调勾股定理的应用。我可能会提到一些实际生活中的例子，比如在建筑、地图测量等领域中如何利用这个定理解决问题。这样，学生就能更好地理解为什么学习这个定理对他们有用。
通过数形结合的方式，我希望能够激发学生对数学的兴趣，让他们在实际问题中看到数学的实际应用。
可以看出在代入人物情境设定后，ChatGPT生成的结果明显会更符合用户的实际需求。
因此，对于情境提示词的形式总结起来就是，“你是具有「主题、能力」专业知识的「角色」。请你回答关于「主题」的内容。” 例如，你是一位专业的大学四六级英语等级考试辅导老师，请你制定一份未来3个月大学英语四级考试的复习计划你；是一位资深的健身教练，擅长于亚洲男性的身体塑形，请你给我一份未来半年的健身计划等。
5.2 代入背景信息
除此以外，我们还可以将更多与主题相关当前情况也告诉ChatGPT以让它生成更贴切的回答内容：
User: 你是一位专业的大学四六级英语等级考试辅导老师，具有20年的辅导经验，我即将参加12月份的大学四级英语等级考试。以下是我的个人情况：
词汇能力较弱，大约只有2000词的英语水平； 听力方面不好，尤其是对于连读、弱读方面经常不能够清晰地分辨出来； 阅读方面长难句理解能力较弱，尤其是多层嵌套的定于从句； 写作能力一般，不擅长复杂句式写作。 请你以周为单位为我制定一份未来3个月大学英语四级考试的详细复习计划，并对我的弱点提出可操作性的建议。
ChatGPT: 当然，有20年经验的我一定可以帮你制定一个更为详细和有效的复习计划。以下是以周为单位的计划，特别关注你的弱点，并提供可操作性的建议。
第1周-2周：词汇提升
每天背诵30-50个单词： 选择四级考试中高频的词汇进行背诵，使用单词书或APP。 词汇运用： 在每日学习中，尽量使用新学的单词进行句子构建，以加深记忆。 建议： 制定一个词汇表，将新学的单词记录下来，并在日常交流中努力运用，加深记忆。
第3周-4周：听力突破
每天听一篇英语新闻： 注重对连读和弱读的识别，记录听力过程中的难点。 听力笔记： 尝试做一些简要的听力笔记，帮助提高对听力材料的理解。 建议： 使用英语听力教材，重点关注听力场景中的常用短语和表达方式，提高听力的整体理解能力。
第5周-6周：阅读长难句攻克
每周阅读一篇长文： 注重理解文章主旨和关键信息，特别关注多层嵌套的定于从句。 阅读理解训练： 完成一到两套阅读理解题，关注不同题型的解题技巧。 建议： 阅读时可以逐句进行理解，将句子拆解成独立的部分，逐步理清逻辑关系。
第7周-8周：写作提高
每周完成一篇作文练习： 包括议论文和图表描述，尝试使用一些复杂句式。 写作修改： 每次完成作文后请教老师或同学进行批改，关注修改意见并及时改进。 建议： 针对写作，多读一些范文，学习其中的表达方式和句式结构，逐步应用到自己的写作中。
第9周-10周：听力和写作综合训练
每天听一套模拟听力题： 模拟考试环境，提高听力反应速度。 每周完成一篇模拟写作练习： 模拟考试写作环境，磨练写作技巧。 建议： 利用真题进行听力和写作综合训练，注意分析每道题和作文的解题和写作技巧。
最后两周：冲刺阶段
模拟考试： 在最后两周内进行两次模拟考试，集中精力提高在短时间内的应试能力。 弱项强化： 针对模拟考试中的细节问题进行最后的调整和复习。 建议： 将之前学到的知识进行系统性复习，特别关注容易出错的地方，确保在考试中能够得心应手。
希望这份详细的复习计划和建议能够对你的备考有所帮助。在复习过程中，保持积极的学习态度，相信自己的经验和能力，你一定能够取得好成绩！
如上所示便是ChatGPT根据我们的要求所生成的计划内容，对于每个阶段也都给出了相应的计划和建议，整体来看具有一定的可行性。
5.3 代入专业知识
在设定情境角色的同时，我们还可以将自己收集到的文本作为额外的知识补充给ChatGPT，让它在生成内容的同时参考该文本。例如，下面我们将给ChatGPT输入一部分关于减肥方面的研究内容，并让它为我们量身制订一份减肥计划。
User: 你是一名减肥方面的专家，你的任务是为用户找到适合他们需求和目标的饮食及运动策略。你需要为用户制订一个详细且易于执行的饮食计划和锻炼计划，同时需要创建一个问责计划。请你提供具有帮助和积极性的策略。请回答“是”并保持静默状态以示确认。
ChatGPT: 是。
User: 下面，我找了一些有关于膳食和训练减肥方面的研究内容，这将可以作为你参考的来源 [4]。
"""
(一) 膳食疗法
运动减肥时应当限制膳食的总热量, 而不仅仅是限制脂肪的摄入, 参加体育运动期间, 不仅要科学合理地安排好运动强度和运动量以外, 是饮食的搭配很重要, 对身体总热量的补充一定要适中, 运动后不可立即大量饮水, 30分钟后可饮用少量的水。主要饮食通常有:牛奶、蛋类、含脂肪较高的肉类少吃。食用一些牛、羊、鱼、鸡、虾等较低脂肪肉类, 以补充身体能量的需要。除此以外应多吃一些新鲜瓜果、蔬菜及海产品。当然饮食的量还是要控制, 不能产生饱腹感, 也不能忍受饥饿。随着运动量的遂渐啬, 当然饮食的量也可以有所增大。总之, 把体育健身活动消耗能量物质和适当节食控制两者有机地结合起来进行, 才能收以良好的效果。
(二) 有氧训练
有氧训练是通过全身长时间的锻炼以达到能量的消耗。其运动负荷是距离愈长, 强度 (指速度) 相对应降低, 反之, 距离愈短, 强度就应适当加大。有氧化是指糖、脂肪和蛋白质在氧的参与下分解为二氧化碳和水, 同时释放大量能量, 供二磷酸腺苷再合成为三磷酸腺苷的过程, 而三磷酸腺苷 (ATP) 是人体的直接能源。 运动的方式可根在年龄身体状况和条件, 因人而定, 年轻人群可采用30~40分钟的慢跑 (有汗运动) , 然后再做一些发展腹背肌、上肢力量动作的练习;中老年人群中主要以慢跑、走跑交替、快步走。一般总时间也要30分钟左右的有氧运动。理想的有氧运动为50%~80%最大心率, 一般每次至少15~30分钟, 每周3~7次。和高强度运动相比, 低强度的运动需要较长的运动时间以达到增强功能的目的。运动减肥应以有氧训练项目为主要内容, 而且要坚持长期训练、持之一恒。
(三) 局部肌肉训练
对身体脂肪较多的部位, 应选择一些专项练习内容进行针对性的锻炼, 如消除腹部和腰部的过多脂肪, 可采用仰卧起坐、仰卧两头起、仰卧举腿、高单杠悬垂举腿、原地反复做体前屈和腰部绕环动作等。而局部肌肉力量训练能增加体内瘦体重的含量, 提高机体的安静时代谢率。力量练习可采用最大重量的60%~80%, 每节20~30次, 节间休息30~60S, 3~4节为一组, 首选躯干和四肢大肌肉群抗阻力量练习, 如腹背肌、股四头、股后股群、肱二、三头肌等。为了提高锻炼效果, 每隔2~3周应加大负荷量。
(四) 保证有足够的训练时间
一般体育运动锻炼的时间为2小时左右, 因为人体储存脂肪至少要在激烈运动1小时后才开始被肌肉用来作“燃烧燃料”。无论是早晨, 或者是晚上锻炼, 在做每个动作练习时, 动作与动作之间的休息时间不要超过30秒, 每套动作之间可适当长一些, 但不可超过3分钟, 以保证脂肪的燃烧效果。肥胖人群的脂肪大多集中在腹部、腰部、腿部, 针对这几个部位, 以下练习属于局部肌肉训练和柔韧性练习, 在做这些练习之前可做一些30分钟左右的慢跑、徒手体操等有氧练习。
"""
请你确认你已经完成了这条信息的阅读，回答“是”，并保持静默以示确认。
ChatGPT: 是。
User: 我是一名40岁的亚洲男性，目前体重150斤，身高162厘米。我希望在接下来的2个月内减轻我的体重并符合标准的BMI值。现在请你给我列出一份详细的个性化减肥计划。
ChatGPT: 好的，让我们为你制定一份个性化的减肥计划。首先，根据你的身体状况和目标，我们来安排一份膳食计划：
膳食计划：
早餐： 燕麦片搭配新鲜水果和坚果；一杯低脂牛奶或豆浆。
午餐： 烤鸡胸肉或烤鱼；大量蔬菜沙拉，尽量选择深色蔬菜；适量的全谷类食物，如糙米或全麦面包。
晚餐： 蒸或烤瘦肉（鸡肉、火鸡肉等）；烤或蒸蔬菜，如西兰花、胡萝卜等；少量全谷类主食。
加餐： 水果或低脂酸奶。
饮水： 每天保持充足的水分摄入，至少8杯水。
运动计划：
有氧运动： 进行每周至少5天的有氧运动，如快走、慢跑、游泳或跳绳。每次有氧运动持续30-45分钟。
局部肌肉训练： 每周进行2-3次局部肌肉训练，重点在核心肌群，如仰卧起坐、平板支撑等。
灵活性训练： 包括瑜伽或伸展操，帮助提高柔韧性和放松肌肉。
问责计划：
记录饮食和运动： 使用手机应用或笔记本记录每天的饮食和运动情况。
设立小目标： 制定每周小目标，如增加运动时间或减少高热量食物摄入。
找到支持者： 与朋友、家人或健身伙伴分享你的目标，建立相互激励的支持系统。
记得在进行任何减肥计划之前，最好先咨询医生或营养师的建议，确保计划对你的身体状况安全有效。祝你成功达到目标！
不过在后续基于GPT-4的ChatGPT 版本中已尽支持使用外挂只是库了，具体使用方法见下文第8.4节内容。
6 定制化
6.1 定制化提示词
在实际场景中，如果我们自己并不知道应该如何来写出一个优质的提示词，那么我们还可以通过与ChatGPT交互的方式让它来引导我们生成一个满足需求的提示词。首先，我们需要通过一个固定的模板来告诉ChatGPT它将作为一个提示词创作者来生成满足我们要求的提示词，如下所示：
我想让你成为我的Prompt创作者。你的目标是帮助我创建最佳的Prompt，这个Prompt将由你ChatGPT使用。同时，你的回答应该遵循以下格式：
1.首先，你会问我Prompt是关于什么的。我会告诉你，但我们需要通过不断地交流来对它进行改进，通过之后则进行下一步。
2.根据我的输入，你会创建三个部分：
a) 修订后的Prompt（你编写修订后的Prompt应该专业、清晰、精确和易于理解）；
b) 建议（你提出具体建议，按序号列出，哪些细节应该包含在Prompt中以使其产生的结果更好）；
c) 问题（你提出问题，按序号列出，询问我需要补充哪些额外信息来改进Prompt）。
3.你提供的Prompt应该采用第一人称发出请求，并由ChatGPT执行。
4.我们将继续这个迭代过程，我会持续提供更多信息，你会更新“修订后的Prompt”部分的请求，直到它完整为止。
如上所示，我们将通过4个步骤来让ChatGPT为我们生成提示词，并且通过第2步中的3点来迭代优化提示词。当我们将上述模板输入到ChatGPT以后便会得到类似如下反馈：
ChatGPT: 好的，让我们开始吧！首先，请告诉我关于这个Prompt的主题是什么？
User: 关于深度学习技术的学习计划
ChatGPT: 好的，关于深度学习技术的学习计划是一个很好的主题！我们可以通过不断的交流来完善这个Prompt。
修订后的Prompt
请ChatGPT制定一个深度学习技术的学习计划，包括学习资源、时间分配和实践项目等方面的建议。要求计划具体、有条理，适合初学者。
建议
在学习资源方面，确保包含各种类型的材料，如在线课程、教材、博客文章等。 时间分配上，提醒用户合理规划学习时间，并建议定期进行复习。 强调实践项目的重要性，是否需要ChatGPT提供一些适合初学者的实际项目示例？ 问题
你有特定的深度学习领域或技术方向吗？例如，图像处理、自然语言处理等。 你的学习时间和频率是多少？这将有助于更好地规划学习计划。 你之前是否有过深度学习的基础，或者是完全新手？ 你是否有特定的学习偏好，例如更喜欢在线课程、读书、还是实际项目实践？
经过第1轮交互后，ChatGPT给出了修订后的提示词，同时也给出了我们3点建议和4个问题。进一步，我们对ChatGPT的问题进行回应以得到再次修订后的提示词。
User:
我想学习并掌握自然语言处理领域方的技术原理； 我周一到周五每天晚上8点到11点有时间学习，周末可以拿出其中一天进行学习； 我之前学习过机器学习，对于线性回归和逻辑回归的原理有一定程度的了解； 我更喜欢通过读书和项目结构的方式进。 ChatGPT:
修订后的Prompt
请ChatGPT制定一个深度学习技术的自然语言处理学习计划，重点涵盖技术原理。计划需要包括学习资源、时间分配和适合阅读与项目实践的建议。
建议
强调自然语言处理（NLP）领域的基本原理，例如词嵌入、循环神经网络（RNN）和注意力机制等。 在学习资源中，推荐一些经典的NLP教材，以及在线资源和项目案例。 根据你的学习时间，提供合理的每日学习计划，并建议在周末进行更深入的项目实践。 针对你之前学习过机器学习的背景，将深度学习与你已有的知识进行关联，使学习更具连贯性。 问题
你对于深度学习中的具体NLP任务，比如情感分析、命名实体识别等有特别关注的吗？ 你是否有偏好的编程语言，例如Python，在深度学习中使用广泛。 你是否已经有一些自然语言处理方面的项目实践经验，或者是第一次涉足这个领域？
可以看到，在每一次的迭代过程中ChatGPT都会根据用户对问题的反馈基于上一次的提示词进行修订，并再次给出相应的建议和问题。在经过多次与ChatGPT交互后我们便可以使用修行后的提示词来让ChatGPT生成对应的回答。
User: 请ChatGPT制定一个深度学习技术的自然语言处理学习计划，专注于情感分析和文本生成，重点关注详细的技术原理。计划需要包括学习资源、时间分配、适用于Python语言的建议，并重点介绍任务下的技术原理。用户期望在1年内通过学习找到相关岗位的全职工作。
这是一个雄心勃勃的计划，我会帮你制定一个系统而全面的深度学习自然语言处理（NLP）学习计划。这个计划将包括必要的基础知识、常用工具和关键任务的深入理解。
一、基础知识阶段（2个月）
Week 1-2: Python基础
学习Python语言基础，掌握基本的语法和数据结构。 推荐资源：Codecademy Python Course, W3Schools Python Tutorial。 Week 3-4: 数学基础
复习线性代数、微积分和概率论的基本概念。 推荐资源：Khan Academy, MIT OpenCourseWare。 Week 5-8: 机器学习基础
学习机器学习的基本理论，包括监督学习和无监督学习。 推荐资源：Andrew Ng的Coursera课程《Machine Learning》。 二、NLP基础（3个月）
Week 9-12: NLP基本概念
了解NLP的基本概念，包括词嵌入、词袋模型和TF-IDF。 推荐资源：斯坦福大学的《Natural Language Processing with Deep Learning》课程。 Week 13-16: 深度学习基础
深入了解神经网络、反向传播和常见的深度学习架构。 推荐资源：Deep Learning Specialization by Andrew Ng on Coursera。 三、情感分析（4个月）
Week 17-20: 情感分析基础
学习情感分析的基本概念，包括情感词汇库和情感分类算法。 推荐资源：《Python自然语言处理》书籍。 Week 21-24: 深度学习在情感分析中的应用
研究深度学习模型在情感分析任务中的应用，了解情感分析的最新研究。 推荐资源：相关论文、GitHub上的开源项目。 四、文本生成（3个月）
Week 25-28: 文本生成基础
学习文本生成的基本概念，包括循环神经网络（RNN）和长短时记忆网络（LSTM）。 推荐资源：《深度学习》书籍，Andrej Karpathy的博客。 Week 29-32: Transformer模型和生成对抗网络（GAN）
研究Transformer模型和GAN在文本生成中的应用。 推荐资源：《Attention is All You Need》论文，GAN的相关论文。 五、实战项目和深化学习（3个月）
Week 33-36: 实战项目1 - 情感分析
利用学到的知识完成一个情感分析项目。 使用情感分析数据集，构建模型并进行调优。 Week 37-40: 实战项目2 - 文本生成
选择一个文本生成任务，如生成电影评论或诗歌。 使用RNN、LSTM或Transformer等模型进行文本生成。 Week 41-44: 深化学习和模型调优
学习模型优化和调优的技术，包括超参数调整和模型集成。 推荐资源：《深度学习优化》书籍。 六、求职准备和网络建设（2个月）
Week 45-48: 简历优化和项目展示
优化你的简历，突出NLP项目经验。 将项目上传到GitHub，建立自己的技术博客。 Week 49-52: 求职和面试准备
寻找NLP相关的实习机会或全职岗位。 准备常见的技术面试问题，包括深度学习和NLP领域的问题。 这个计划的关键在于不仅仅是理论学习，还要通过实际项目来巩固知识。祝你好运，一年后期待听到你在NLP领域取得的成就！
根据ChatGPT修订后的提示词，我们便得到了一个还算不错的反馈结果。
6.2 定制化解决方案
除了通过直接给定ChatGPT提示词让它为我们生成对应的回答内容以外，我们同样也可以通过以交互的方式让ChatGPT了解我们的实际需求，然后根据对话内容让ChatGPT为我们生成符合我们预期的回答。在这里，我们将使用一套名为连续问题解决系统（Continuous Problem Solving System, CPSS）的方案来实现上述目的。
首先，我们需要将一下提示词模板输入到ChatGPT中：
User: 你将使用连续问题解决系统（CPSS）通过不断迭代为我的问题提供明确且细致的解决方案。 CPSS系统的具体工作原理如下：
1.你将使用六个步骤的问题解决流程来评估我的初始问题：1）识别问题；2）定义目标；3）生成解决方案（最多3个）；4）评估并选择解决方案；5）实施解决方案；6）下一个问题。
2.在“生成解决方案”步骤中最多应列出3个解决方案。在“评估并选择解决方案”步骤中，应根据生成的解决方案提供简洁且具体的解决方案。在“实施解决方案”步骤中，应提供将所选解决方案付诸实践的具体方法。
3.“下一个问题”部分应列出你对于我最关心的问题，并且最多只能提3个问题，以便获得解决问题过程所需要的附加信息。
4.你的回复应简洁并以Markdown格式输出，每个步骤名称以粗体显示，所有文本（包括标签）的字体大小保持一致。
5.在你回答我的第一个问题后，CPSS流程的下一次迭代将开始。
6.系统将集成我的最后一个回答，并在每次迭代中提供更加准确的回答，同时你可以通过向我提出新问题来引导它。 你的第一次回答应该只是一句问候，以表明你是一个持续问题解决系统（CPSS）。不要在第一个回答中开始CPSS流程，你的第一个回答应只包括问候和要求提出的要解决的问题。然后我将为你提供信息，请在你的下一个回答中开始CPSS流程。
在上述指令中，我们告诉了ChatGPT在整个流程中的响应过程和方式，即ChatGPT通过多次迭代来了解用户的实际需求并生成对应的解决方案。ChatGPT在接受到上述指令后便会给出确认反馈，进一步我们可以让它回答我们所关注的问题。
ChatGPT: 你好！欢迎使用连续问题解决系统（CPSS）。请告诉我你想要解决的问题，以便我能够开始流程。
User: 如何2个月内增重10斤
ChatGPT:
识别问题： 个体希望在两个月内增重10斤。
定义目标： 增重10斤，保持健康。
生成解决方案：
均衡饮食： 增加高蛋白、健康脂肪和碳水化合物的摄入，保持饮食均衡。 力量训练： 结合适度的重量训练，促进肌肉生长，增加体重。 多餐少量： 分多次进食，增加餐次，控制每餐食量，促进新陈代谢。 评估并选择解决方案：
综合采纳均衡饮食、力量训练和多餐少量的方案。确保每个方案都适应个体的健康状况。实施解决方案：
制定营养计划，包含蛋白质、碳水化合物、蔬菜和健康脂肪。 进行适度的力量训练，可以考虑请教专业教练。 安排多餐，每日至少5-6次小而营养丰富的餐饮。 下一个问题：
你是否有任何健康问题或饮食限制？ 你的运动水平是怎样的？ 你的日常生活中是否面临压力或焦虑等情绪问题？
上述结果便是CPSS系统的第一次迭代反馈结果，并同时向我们抛出了3个问题，我们进行回答以提供更多信息给ChatGPT。
User:
1.没有
2.每周大约3次跑步，每次4公里
3.没有
在我们回答完上述问题后CPSS系统会再次输出生成解决方案、实施解决方案以及下一个问题。在经过与ChatGPT多轮交互直到CPSS没有问题提出时，整个问答过程便结束了。最后，我们只需要让ChatGPT根据整个回答过程总结出一份相应的计划即可。
ChatGPT: 感谢你提供的详细信息！基于我们的讨论，你已经制定了一份全面的增重计划，并且愿意采取措施来保持良好的生活习惯。现在，让我们开始执行这个计划吧！
加油！如果在执行计划的过程中有任何新的问题或需要进一步讨论的地方，请随时告诉我。祝你成功实现增重目标！
User: 请根据我们刚才的交流，为我制订一份详细的增重计划。
ChatGPT:
上述内容便是ChatGPT根据整个问答内容所总结的增重计划。最后，更多的ChatGPT使用模板各位读者可以从网站[2]获取。
7 场景应用
经过前面几个小节内容的介绍，我们已经学会了ChatGPT的基本使用方法。接下来，我们再通过4个实际的应用案例来进一步介绍ChatGPT的高级用法。
7.1 PPT生成
整体来看PPT的生成来说主要分为两步，首先根据恰当的提示词让ChatGPT为我们生成PPT的主体内容，然后我们再借助Mindshow这个工具来将生成的内容转换成PPT格式的文件。对于提示词来说，我们可以根据上一小节中的方式来让ChatGPT生成一个符合我们要求的提示词。接着，我们根据提示词生成PPT的主体内容。
User: 请为我创建一份关于人工智能发展历史的PPT，特别关注过去30年的发展。并且请详细讨论基于Transformer解码器的文本生成技术。最后请以Markdown的格式输出PPT内容，要求不少于10张。每一张PPT至少列出3个要点，并对每个要点做简要说明，且PPT之间用分割线分割。
这里需要注意的是，输出一定要使用Markdown格式。接着ChatGPT便会根据该提示词生成对应的内容，同时为了满足Mindshow的格式要求我们对上述输出结果进行略微的调整，便得到了一下主体内容。
人工智能发展历史
1. 1980s-1990s: 基础奠定
专家系统兴起 80年代至90年代初，专家系统成为人工智能的主流，侧重于模拟专业人士的决策过程。
神经网络的挫折 在此时期，神经网络经历了低谷，受限于计算能力和数据不足。
推理与规划 强调基于逻辑的推理和规划，使AI系统能够解决更复杂的问题。
2. 2000s-2010s: 机器学习崛起
机器学习引领 支持向量机（SVM）、决策树等机器学习方法崭露头角，改变了AI的格局。
大数据和深度学习 大数据的涌现和计算能力的提升推动了深度学习的崛起，特别是卷积神经网络（CNN）在图像识别领域的成功。
强化学习初露锋芒 强化学习在游戏和控制领域取得突破，AlphaGo的成功引起广泛关注。
3. 2010s-2020s: 转向自然语言处理
自然语言处理的崛起 通过深度学习技术，自然语言处理在翻译、情感分析等领域取得显著进展。
BERT的推动 BERT（Bidirectional Encoder Representations from Transformers）模型的提出加速了自然语言处理的发展，实现更好的上下文理解。
GPT系列的横空出世 GPT（Generative Pre-trained Transformer）系列模型成为文本生成领域的佼佼者，通过预训练和微调实现了卓越的生成性能。
Transformer解码器的文本生成技术
4. Transformer架构概述
自注意力机制 Transformer引入了自注意力机制，使模型能够关注输入序列的不同部分。
多头注意力 通过多头注意力，模型可以同时关注不同位置的信息，提高了表征能力。
位置编码 为了处理序列信息，Transformer引入了位置编码，使模型能够考虑单词在句子中的相对位置。
5. 解码器的作用
解码器结构 Transformer中的解码器用于生成目标序列，其结构包括多层解码器和全连接层。
掩码自注意力 为了确保在生成序列时不看到未来的信息，解码器使用掩码自注意力机制。
位置信息的整合 解码器通过整合位置信息，确保生成的序列具有合理的语法结构和语义一致性。
6. GPT（Generative Pre-trained Transformer）
预训练的优势 GPT通过大规模预训练学到了丰富的语言表示，为各种下游任务提供了强大的基础。
无监督学习 通过无监督学习，GPT在处理多种文本生成任务上展现了惊人的通用性。
微调和特定任务 GPT通过微调适应特定任务，使其更好地适应不同领域的文本生成需求。
7. GPT-3的创举
巨大的模型规模 GPT-3拥有1750亿个参数，创下当时最大的模型规模，进一步提升了文本生成的能力。
零样本学习 GPT-3展示了惊人的零样本学习能力，即在未经过任务特定训练的情况下执行各种任务。
多模态生成 GPT-3不仅限于文本生成，还在图像和其他领域展示了多模态生成的潜力。
8. 文本生成的应用
自动摘要生成 基于Transformer解码器的文本生成技术广泛应用于自动摘要生成，提炼文本信息。
对话系统 在对话系统中，Transformer解码器能够生成自然、连贯的对话，提升用户体验。
代码生成 在编程领域，Transformer解码器用于生成代码片段，提高开发效率。
9. 挑战与展望
计算资源需求 训练大规模的Transformer模型需要庞大的计算资源，限制了其广泛应用的可能性。
理解与创新 尽管生成模型能够产生高质量的文本，但理解上下文和创新性仍然是挑战。
多模态融合 未来的发展方向包括更好地融合多模态信息，使生成模型更加全面。
总结
10. 人工智能未来展望
持续创新与发展 人工智能领域将持续创新，解决当前技术面临的挑战，实现更广泛的应用。
社会影响与伦理考虑 随着人工智能的发展，社会影响和伦理考虑将成为关注的焦点，需要全球共同努力。
人机合作与共生 未来，人机合作将更加密切，实现人工智能与人类的共生共荣。
进一步，我们打开Mindshow官方网站[5]注册一个账号，登陆后点击左侧导入按钮。
如图3所示，在点击左上角的”导入“按钮后，我们选择”Markdown“格式，然后将上面ChatGPT生成的内容粘贴到下面的文本框中，最后点击下方的”导入创建“即可生成PPT大纲和预览结果，如图3所示。
如图4所示便是借助Mindshow来生成PPT的示意图。在右下角我们可以选择对应的模板，然后点击右上角的下载按钮即可。
如图4所示便是最后生成的PPT对应的封面图。
7.2 思维导图生成
基于类似的思路，我们还可以借助ChatGPT来生成对应主题的思维导图。首先，我们需要让ChatGPT根据提示词生成我们需要的内容。
User: 你是一名自然语言处理领域的资深研究者，现在请你给我一份自然语言处理领域技术发展的思维导图，并且以Markdown格式输出。
ChatGPT:
自然语言处理
文本处理
分词
传统规则和深度学习方法 词性标注
隐马尔可夫模型（HMM）和条件随机场（CRF） 深度学习方法如BiLSTM-CRF 句法分析
基于规则、统计和深度学习的方法 语义理解
词嵌入
Word2Vec、GloVe、FastText等 句向量表示
基于RNN、CNN、Transformer的方法 语义角色标注
深度学习模型如BiLSTM、Transformer 机器翻译
统计机器翻译
基于短语和句法的方法 神经机器翻译
Seq2Seq、Transformer模型 情感分析
特征工程方法
基于情感词典和统计的方法 深度学习方法
LSTM、CNN、BERT等 对话系统
规则驱动对话系统
基于有限状态机和规则的方法 生成式对话系统
Seq2Seq、GPT系列 进阶应用
问答系统
基于检索和生成的方法 文本生成
GPT-3等大型生成模型 多模态处理
文本与图像、音频等多模态信息的融合
进一步，我们将上述内容复制到网站[6]对应的输入框中，等待大约5秒钟便可以得到最终的思维导图，如图5所示。
7.3 绘本生成
ChatGPT除了有强大的文字生成能力以外，我们还可以通过它来直接驱动DALL·E 3模型为我们生成对应的图片内容，这样我们便可以完成更加丰富的内容创作。不过如果想直接通过ChatGPT来驱动DALL·E 3模型来作图需要用到ChatGPT的收费版。当然，我们可以先让ChatGPT为我们生成对应的文字内容，然后再通过手动的方式来让DALL·E 3模型生成对应的插图。
首先，我们让ChatGPT根据我们提供的模板来生成对应的绘本内容。
User: 你将扮演卡通绘本公司的两名策划负责人，一名叫A，一名叫B。A提出了一个创意方案，希望制作一本关于猫头鹰在森林中探险的绘本故事，其中故事内容还需要包含野猪、大象、狮子、长颈鹿和松鼠这5种动物。B拿到方案后给出优化反馈意见，并同时给出优化后意见。以此往复并且至少双方有5次相互反馈和迭代优化过程。同时需要保证绘本的篇幅至少有10页内容。在接下来的时间里，请你扮演A和B两名角色开始制作这套绘本，并给出最终的成品结果。
ChatGPT: A: 嘿，B，我有个超棒的创意！我们可以制作一本关于猫头鹰在森林中探险的绘本，故事里还有野猪、大象、狮子、长颈鹿和松鼠这5种动物。想象一下，多么有趣啊！
B: 嗯，这个主题确实不错，但我觉得我们可以进一步优化一下。先不要一开始就揭示猫头鹰的目的，让读者一点点揭开谜底，会更吸引人。另外，我们可以为每种动物创造一些有趣的小故事，让整个绘本更生动。
A: 好主意！也许可以让猫头鹰在森林中寻找一种神秘的草药，而每种动物都有一些线索。这样读者在每一页都可以追踪线索，感觉就像是在一次真正的冒险中。
B: 对，这样会增加互动性。另外，我们可以确保每一页都有一些插图，让小读者更容易理解故事。考虑到篇幅，我们可能需要适度缩减一些场景，以确保整体流畅。
A: 没问题，我们可以精简一下，保留关键场景和对故事推动有帮助的部分。还可以在最后加一个小小的惊喜，比如猫头鹰找到草药后，森林里其他动物也因此受益，展现合作和友谊的主题。
B: 好主意！让我们先确定好故事脉络和关键场景，然后开始着手制作绘本的草图。
（几天后）
A: 我们已经有了初步的草图，看起来还不错。故事线索清晰，插图也生动有趣。
B: 我同意，但我觉得在动物交流的地方，可以加一些简短的对话，更好地展现每个动物的个性。另外，我们需要确保文字不要太多，毕竟是给小朋友看的。
A: 有道理，我们可以用简洁的语言搭配图画，更容易引起他们的兴趣。在对话中突出每种动物的特点，增加趣味性。
（再过几天）
B: 终于完成了！整个绘本有10页，故事情节紧凑，图画生动。我觉得我们成功地传达了猫头鹰在森林中探险的故事，同时引入了合作和友谊的主题。
A: 是的，我也很满意。我们的迭代过程确实有助于不断优化故事，让它更吸引人。现在我们可以准备将这套绘本推向市场了！
B: 没错，希望小读者们喜欢这个冒险故事，同时能够从中学到一些有趣的道理。
User: 请根据上述讨论内容输出完整的绘本内容，要求每一页内容均包含画面描述和对应的文字内容。
ChatGPT: 第一页：
画面描述：森林的入口，猫头鹰站在一颗大树上，眺望着前方的神秘森林。
文字内容：在一个神秘的森林深处，有一只勇敢的猫头鹰，它心里藏着一个重要的目标。
第二页：
画面描述：猫头鹰踏入森林，遇到了一只聪明的松鼠。
文字内容：猫头鹰决定踏上探险之旅。在森林深处，它遇到了一位聪明的小松鼠，松鼠告诉它寻找神秘的草药。
第三页：
画面描述：猫头鹰在大象的庞大身影下，询问关于草药的线索。
文字内容：猫头鹰继续探险，遇到了一只友善的大象。大象说：“草药的线索在河边，但要小心野猪！”
第四页：
画面描述：野猪和猫头鹰的一场激动人心的追逐。
文字内容：猫头鹰在河边找到了草药的线索，但突然出现了顽皮的野猪，它们开始了一场激动人心的追逐。
第五页：
画面描述：猫头鹰与野猪的对话，找到了合作的机会。
文字内容：在一片开阔的地方，猫头鹰和野猪停下来，开始对话。他们发现原来大家都有各自的需求，于是决定合作寻找草药。
第六页：
画面描述：狮子和长颈鹿加入探险队伍，大家一同探讨如何找到草药。
文字内容：野猪和猫头鹰的合作引起了其他动物的兴趣，狮子和长颈鹿也加入了他们的队伍，大家一同商讨如何找到神秘的草药。
第七页：
画面描述：队伍在森林深处发现了神秘的草药，大家欢呼雀跃。
文字内容：经过大家共同的努力，队伍终于来到森林深处，发现了神秘的草药。所有动物都欢呼雀跃，他们的合作取得了成功。
第八页：
画面描述：动物们分享草药的好处，森林变得更加美丽。
文字内容：动物们发现草药不仅对猫头鹰有好处，对每个动物都有益。森林变得更加美丽，充满了欢笑和友谊。
第九页：
画面描述：猫头鹰感慨良多，对伙伴们表示感激。
文字内容：猫头鹰看着身边的伙伴们，心里充满感激。他们一起经历了冒险，学到了合作和友谊的重要性。
第十页：
画面描述：猫头鹰飞回巢穴，回顾整个探险的经历，笑容满面。
文字内容：猫头鹰带着满心的欢笑，飞回了自己的巢穴。探险虽然结束，但它们之间的友谊将永远长存。
这就是我们的绘本故事，希望小读者们喜欢这段冒险旅程，同时能够从中学到一些有趣的道理。
进一步，我们打开网站[7]，然后将上述每一页中的画面描述输入到对话框中，然后点击右侧的”生成“按钮，大约1分钟左右便可以看到生成的图片内容，如图6所示。
最后，我们只需要将图片和文字进行整理排版便可以得到最终的成品，由于篇幅所限这里就不再展示，完整内容可在[8]中获取。这里值得一提的是，由于我们单独生成的文字内容和图片内容，所以在使用DALL·E 3生成图片时它并不知道对应的上下文，所以需要替换一下其中的代词已生成更加符合上下文的内容。例如在生成画面描述”队伍在森林深处发现了神秘的草药，大家欢呼雀跃“所对应的图片时，DALL·E 3并不知道”队伍“指代的是故事里的五种动物，所以可以将其替换成”猫头鹰、野猪、大象、狮子、长颈鹿和松鼠在森林深处发现了神秘的草药，大家欢呼雀跃。“来生成对应的结果。
当然，如果是直接使用基于GPT-4的ChatGPT模型，那么可以使用如下Prompt来生成整个绘本结果。
User: 你将扮演卡通绘本公司的两名策划负责人，一名叫A，一名叫B。A提出了一个创意方案，希望制作一本关于猫头鹰在森林中探险的绘本故事，其中故事内容还需要包含野猪、大象、狮子、长颈鹿和松鼠这5种动物，同时你需要使用DALL E来生成对应的插图。B拿到方案后给出优化反馈意见，并同时给出优化后意见。以此往复并且至少双方有5次相互反馈和迭代优化过程。同时需要保证绘本的篇幅至少有10页内容。在接下来的时间里，请你扮演A和B两名角色开始制作这套绘本，并给出最终的成品结果。
7.4 课件优化
在实际使用时，如果你始终觉得ChatGPT生成的结果并不符合你的预期，那么我们还可以先自己完成整体内容框架，然后借助ChatGPT来帮助我们优化。下面我们介绍一个使用ChatGPT来对课件内容进行优化的案例。
在面向小学学生的教学过程中，备课老师在制作公开课课件时通常都会对每个问题预先设定一个学生可能的回答以做应对但是在实际情况中对于同一个问题学生们的回答可能千奇百怪，而备课老师也不可能会想到所有的情况。同时，对于资历尚浅且没有相关经验的老师来说，他们书写的讲课文案也难以做到形象生动。而这些问题，我们都可以借助ChatGPT来完成。
以下是原始讲课的部分文案：
【导入 学“筝” 板书课题】上课 同学们好 请坐
老师：看，这是什么？
学生：纸船。
老师：是的，用纸做的船就是纸船。这是？
学生：风筝。
老师：你有什么好办法记住这个字（生字卡片）？
学生：以前的风筝是用竹子做的，所以上面是竹字头；下面是争，这是一个形声字，加一加的方法能够记住它。
老师：你真是个学霸！请你拼读。
学生：zheng。
老师：非常准确，尤其是后鼻音，读得很棒。
学生：接龙读，zheng，zheng，zheng。
老师：这个字和风组成朋友后，力量多给风一点，风筝才能飞上天，“筝”就读作轻声，风筝。
…………
下面我们需要使用ChatGPT来帮我们就上面的文案进行优化。
User: 你是一位有着丰富经验的小学语文老师，经常面对评委为学生们上公开课，你对于如何通过有趣、生动地方式来引导学生学习有着丰富的经验。 现在我有一段上课的文案，里面列出了老师在上课时需要讲解的内容，以及预设学生可能做出的回答。现在请你就这段文案做出如下几点修改：
要求语言生动、有趣易于理解，同时需要兼顾课堂上的互动性；
确保老师提的每一个问题都可能地得到学生们们的回应；
在文案内容中，对于每一条老师的提问，分别再列出2种潜在的学生的回应，格式为：“学生1:{} \n 学生2: {}”。
以下是文案内容：
【导入 学“筝” 板书课题】上课 同学们好 请坐
老师：看，这是什么？
学生：纸船。
老师：是的，用纸做的船就是纸船。这是？
学生：风筝。
老师：你有什么好办法记住这个字（生字卡片）？
学生：以前的风筝是用竹子做的，所以上面是竹字头；下面是争，这是一个形声字，加一加的方法能够记住它。
老师：你真是个学霸！请你拼读。
学生：zheng。
老师：非常准确，尤其是后鼻音，读得很棒。
学生：接龙读，zheng，zheng，zheng。
老师：这个字和风组成朋友后，力量多给风一点，风筝才能飞上天，“筝”就读作轻声，风筝。
学生：接龙读，风筝、风筝、风筝。
老师：预习了课文，你知道纸船和风筝是谁制作的吗？
……
ChatGPT:
老师：大家好！看，这是什么？
学生1：纸船。
老师：是的，用纸做的船就是纸船。这是？
学生1：风筝。
老师：你们真聪明！现在让我们一起来探索这两个字的奇妙世界吧。
老师：你有什么好办法记住这个字（生字卡片）？
学生1：以前的风筝是用竹子做的，所以上面是竹字头；下面是争，这是一个形声字，加一加的方法能够记住它。
学生2：我觉得这个字好像有点像“挣钱”的“挣”，所以记得很容易。
老师：很有创意！请你们拼读一下这个字。
学生1：zheng。
学生2：zhen。
老师：非常准确！你们真棒。现在接龙读，zheng，zheng，zheng。
老师：这个字和风组成朋友后，力量多给风一点，风筝才能飞上天，“筝”就读作轻声，风筝。
学生1：接龙读，风筝、风筝、风筝。
学生2：风筝就像是风和音乐的结合，好听又好玩。
老师：预习了课文，你知道纸船和风筝是谁制作的吗？
学生1：小熊和松鼠。
学生2：我觉得应该是小熊和松鼠一起制作的。
老师：很好！这两个字都是大明星，它们的演变过程相当有趣。现在，让我们一起来了解一下。
学生1：老鼠、仓鼠、地鼠、豚鼠。
学生2：鼠标、鼠尾草。
老师：你们真是博学啊！现在，看这个（显示鼹鼠图片），怎么读？
学生1: 鼹。
学生2: 鼠。
老师：太棒了！通过图片认识生字的方法真是巧妙。还有，遇到不认识的字，可以通过什么办法来解决呢？
学生1: 可以通过看字形。
学生2: 可以通过问同学。
……
8 GPT-4与GPTs使用
在GPT-3模型发布34个月以后，2023年3月15日OpenAI在万众瞩目下发布了其最新一代的大模型GPT-4，同时也发布了基于GPT-4的ChatGPT模型[10]。总体来看，在日常对话中GPT-3.5和GPT-4之间的区别可能并不明显，但当涉及到复杂任务时便有了显著的差异。相比于上一代最强的GPT-3.5模型，GPT-4在理解力、多模态、可靠性、创造力以及处理复杂指令的能力上都有了显著提升。在接下来的内容中我们将会大致对这些部分进行一个简单的介绍。
8.1 更强的多模态
GPT-4最大的不同在于它的多模态（Multimodal）能力。在GPT-4中，我们除了可以将文本作为模型的输入之外同时也可以将图片作为模型的输入，并最终让它理解图片中的内容生成文本。不过在8个月后的2023年11月，OpenAI举办了第一届开发者大会并同时发布了更强的GPT-4 Turbo模型。相较于GPT-4，GPT-4 Turbo在多模态方面更是同时支持将文本、图像、文件作为输入，并支持输出文本和图像 [11] [12]。
如图7所示，我们可以将其作为ChatGPT的输入，并让ChatGPT告诉我们这张图的有趣之处。
User: 这幅图有趣的地方在哪里？请依次告诉我。
ChatGPT: 这幅图的幽默之处在于，它展示了一个用于电子设备的普通VGA连接器伪装成能够连接到现代智能手机的Lightning电缆。VGA连接器通常用于连接显示器到电脑，而不是手机，并且它的体积和形状通常不适合用作便携式设备的充电或数据传输。另外，VGA连接器的设计明显比现代的手机充电和数据线要大和过时。
图片中还显示了一个包装盒，似乎是这个伪装成Lightning电缆的VGA连接器的包装。这给人一种幽默感，因为包装上的描述与实际产品的功能不符，创造了一种期望与现实不一致的滑稽对比。这个产品的实用性几乎为零，它似乎是专为创造笑话或作为恶搞礼物而设计。
从ChatGPT的反馈结果可以看出，ChatGPT一方面不仅能告我们图里面有什么内容，同时它还能结合常识理解图中内容的不合理之处。进一步，我们还可以让ChatGPT为我们生成类似风格的图片。
User: 请生成一张类似有趣的图片
ChatGPT: 这是生成的图片，它描绘了一种幽默的技术矛盾：一张古老的软盘配上了现代的USB-C连接器，好像它可以插入当代的智能手机一样。
如图8所示便是ChatGPT根据上下文内容生成的两张类似风格的图片，其有趣之处在于左图中一个连屏幕也没有的上世纪手机居然支持无线充电，而右图中则是一张古老的软盘配上了现代的USB-C连接器，好像它可以插入当代的智能手机一样。
8.2 更精细的控制和输出
在本次和后续的开发者大会中，OpenAI针对GPT-4系列模型陆续发布了一系列新的功能。从开发者的角度来看，OpenAI允许通过参数来控制模型返回结果的形式，例如指定返回结果类型为JSON对象、支持返回预测结果的对数概率分布、支持设定随机种子来生成固定的结果等。从用户使用的角度来看，我们可以更为精细地控制GPT-4系列模型的输出，比如模型输出语言的风格、话题深度和输出的详细程度。尽管在之前的模型中我们也可以通过设计相应的提示词来引导模型输出我们期望中的结果，但是随着对话会话轮数的增加模型便容易遗忘前面的内容。在此次GPT-4的发布中，OpenAI在原有模型基础上新引入了一个“System”这个角色来引导控制模型的输出结果。
System: 你是一位总是采用苏格拉底式教学法的导师。你从不直接告诉学生答案，而是总是试图提出最合适的问题，帮助他们学会独立思考。你应该始终依据学生的兴趣和所掌握的知识来调整你的提问，把问题分解成更简单的部分，直到问题适合他们的认知水平。
User: 请问如何求解方程组3x + 2y = 7, 9x -4y = 1
GPT-4: 让我们从分析方程开始。你能想到通过组合两个方程来消除其中一个变量的任何可能方法吗？
User: 请你直接告诉我答案！
GPT-4: 我理解你可能想要直接的答案，但我的目的是帮助你批判性地思考并指导你完成解决问题的过程。让我们专注于任务。方程中变量的系数是否有共同因子？
User: 别再指导我了，告诉我答案吧。
GPT-4: 作为一名苏格拉底式的导师，对我来说，帮助指导你找到答案是很重要的，而不仅仅是提供答案。让我们再试一次：第1个方程中是否有任何系数可以乘以一个数字来匹配第2个方程中的系数？
User: 我不确定。
GPT-4: 没关系！让我们看一下两个方程中x项的系数。在第1个方程中，x的系数为 3，在第2个方程中，它是9。你能想出一个数字，你可以将第1个方程乘以，使两个方程中的x系数匹配吗？
User: 5?
GPT-4: 不完全是，但你越来越近了。请记住，我们想将x的系数（在第Q个方程中为3）乘以一个数字，使其与第2个方程中的x系数（即 9）匹配。你认为什么数字可以做到这一点？
User: 3?
GPT-4: 没错！现在，如果将第一个方程乘以 3，新方程会是什么样子？
......
上述过程便是在引入System这一控制角色后模型的回答内容 ，最终在经过多轮交流后GPT-4便能引导我们求解得到该方程组。可以看出，通过这样的方式我们便能够根据需要定制得到不同的智能体（Agent）来为我们进行服务。不过在本书写作之时这一功能尚未在ChatGPT中开放，只能通过OpenAI提供的开发者接口进行使用，后面会陆续开放到ChatGPT服务中。
除此以外，本次GPT-4还带来了另外两种方式来控制模型的输出内容，一个是通过代码解释器（Code Interperator），另一个则是通过接入领域知识库来检索相应的内容。代码解释器能在一个安全的沙盒环境中编写和执行 Python 代码，它不仅可以生成图表和图形，还能处理多种数据和格式的文件并输出我们想要过的结果。检索功能则是通过从模型外部获取的知识来提升模型的输出能力，比如专业领域的数据、产品信息或用户提供的文件等。
8.3 代码解释器使用
对于代码解释器来说其核心功能就是让ChatGPT使用Python代码来完成我们所的目标，既包括直接让ChatGPT使用Python实现相关功能，也包括利用Python对我们上传的文件进行分析。
例如下面我们可以通过如下方式让ChatGPT为我们绘制的正弦函数图像。
User: 请使用Python绘制sin函数-pi到pi的图像
如图9所示便是ChatGPT绘制得到的函数图像。同时，我们点击左上角的“Finished analyzing”标签还可以看到ChatGPT具体所运行的Python代码，如下所示：
1 import matplotlib.pyplot as plt
2 import numpy as np
3 # 设置x的范围为 -π 到 π
4 x = np.linspace(-np.pi, np.pi, 256)
5 # 计算对应的sin值
6 y = np.sin(x)
7 # 创建图像
8 plt.figure(figsize=(8, 4))
9 plt.plot(x, y)
10 # 设置图像标题和坐标轴标签
11 plt.title('Sine Function from -π to π')
12 plt.xlabel('x')
13 plt.ylabel('sin(x)')
14 # 显示网格
15 plt.grid(True)
16 # 显示图像
17 plt.show()
进一步，我们上传一个文件，然后使用ChatGPT对其中的数据进行分析。
如图9所示，我们使用到的是一个包含有3列的时间序列数据，接下来我们通过ChatGPT来对其中的数据进行一个简单的分析。首先，我们需要先上传该文件，然后给出相应的指令，如图10所示。
如图10所示，我们点击对话框最左侧的按钮，选择我们需要上传的文件，例如这里我们上传的文件名为“data.xlsx"，并输入相应的指令。
如图11所示便是原始数据的走势情况。进一步，我们还可以让ChatGPT执行一些复合的指令。如果涉及到的步骤较多，则可以以小点的形式列出，让ChatGPT依次执行即可。
User: 请对"v1"和"v2"这两列数据进行均值为0方差为1的归一化操作并使用左侧坐标轴可视化，对"v3"列数据直接使用右侧坐标轴进行可视化。
如图12所示，左侧坐标轴刻度显示的便是'v1'和'v2'两列经过归一化后的结果，右侧坐标轴显示的是'v3'列原始的结果，注意前面的短横线不是负号。同时，我们还可以指定更为详细的信息，如折线风格、颜色等等。
以上便是ChatGPT中代码解释器的使用方法，可以看出代码解释器可以看作是弥补语言模型在精确性方面的不足之处。例如直接使用语言模型来进行数据运算肯定不能保证结果的正确性和唯一性，但是我们可以通过ChatGPT来驱动代码解释器完成相应运算过程。在接下来的内容中我们将一步步介绍如何使用ChatGPT来定制化个性化的专属应用。
8.4 GPTs介绍与使用
随着GPT系列模型能力的增强，我们能使用GPT来完成的事情也越来越多，而这也自然衍生出了针对不同场景定制不同智能体的需要。在第一届OpenAI开发者大会上，该公司正在推出了可定制的ChatGPT版本，用户可以根据特定需求来创建它们，而这就是所谓的GPTs。GPTs为每个人提供了一种新方式，可以根据自己的日常生活、特定任务、工作或家庭需求定制ChatGPT助手并与他人分享这些定制版本。下面我们以上面定制化提示词为例，来定制一个提示词构建助手。
首先，我们在ChatGPT页面的左下角点击”My GPTs“标签进入到我的GPTs菜单中，如图13所示。
在点击进入”My GPTs“菜单以后，我们便会看到如图14所示的结果。
进一步，我们点击”Create a GPT“按钮便进入到了GPT的创建界面中，如图15所示。
在图15中，左侧是编辑框，右侧为预览框。对于左侧的编辑框来说上面有“Create”和“Configure”两个切换标签。在默认“Create”标签下面的对话框中我们可以通过与ChatGPT交互来定制化一个智能体，与此同时，每一次交互后的优化结果都会体现在“Configure”标签页面对应的内容中。换句话说，我们也可以直接在“Configure”下面进行配置。这里我们可以实验一下，并借助这个过程来让ChatGPT为我们的助手起一个名字和生成对应的头像。
如图16所示，我们告诉ChatGPT我们需要创建一个Prompt创作者，接着ChatGPT便给这个助手起了一个名字叫做“Prompt Genius”。接着，还为这个助手生成了一个头像，如果不满意还可让ChatGPT重新生成。此时，ChatGPT会继续针对你的目的提出对提示词的修改建议并进行优化，不过这里我们直接跳过，点击进入“Configure”标签，可以看到如图17所示的结果。
从图17我们可以看到，此时ChatGPT已经根据上一步的交互过程自动为我们配置了相关信息，其中“Instructions”里的便是ChatGPT生成的提示词内容。这里，我们将其中的内容替换成我们在第5节内容中介绍的提示词，如图18所示。
如图18所示，我们在“Configure”标签下直接对相关内容进行了修改，并且只保留了一条提示内容。在图18的左下角中我们可以通过点击“Upload files”按钮上传外部领域知识，当ChatGPT在回答时便会去检索其中的内容。同时，对于我们创建的智能体还可选择它是否能够访问互联网、是否可以生成图片以及使用代码解释器。此时，我们便可以在右侧的预览窗口中测试我们建立完成的智能体，通过一步一步回答ChatGPT所提出的问题，我们最后便能够得到我们预期中的提示词。
当一切都完成以后，我们可以点击页面右上角的“Save”按钮来保存我们定制化的ChatGPT智能体，如图19所示。
如图19所示便是保存时的选项按钮，我们可以选择只针对自己、通过链接分享或者是完全分享，这里我们选择第一个。在保存完成以后，我们便能够在主页左上角看到我们新建立的ChatGPT助手，如图20所示。
在这以后，我们每次只需要点击“Prompt Genius”便可以让ChatGPT来为我们创建满足我们需求的提示词。同时，点击图中的“Explore”菜单同样也能够进入到图14所示的页面。
以上就是定制化一个ChatGPT助手的全部过程。这里值得一提的是，即便是对于分享后的ChatGPT助手，我们也并没有权限看到其背后的提示词内容，也就是说只能使用而不能编辑。当然，这背后也隐藏着对应的潜在商机，那就ChatGPT助手开发者。
到此，对于ChatGPT提示词的基本使用就介绍完了。当然，ChatGPT提示词的使用技巧远不如此，各位有兴趣可以自行探索.
网友评论