文章目录
〇、导言
随着人工智能技术的迅猛发展，大语言模型（LLM）以微软 为代表，初次问世，为新一次的 AI 革命打响了第一枪。在短短的几个月内，GPT-3.5 和 GPT-4 的加持下，New Bing、、 等产品也相继问世，推动了产品开发的新思路。国内厂商也紧随其后，百度文心一言、华为盘古大模型、阿里通义千问、讯飞星火认知大模型相继发布。
我们现在可以通过与 AI 进行对话来获取各种信息和解决问题。但想要获得更准确、有用的回答，我们需要掌握如何向 AI 提问的技巧和方法。本文将探讨一些技巧，帮助您在与 和其他类 的大语言模型对话时更加有效且高效。
一、Base LLM 与 Tuned LLM
在开始之前，我觉得获取有必要向大家讲解一个关于 Base LLM（基础大语言模型）与 Tuned LLM（指令调整型大语言模型）的知识点，来帮助大家更好地了解大家更好了解之后的内容。如果你对 Base LLM 与 Tuned LLM 有一定的了解，可以跳过这部分来加速阅读完这篇文章。
Base LLM（Base Model）是指大型语言模型的基础版本。这些模型具有广泛的语言理解和生成能力，能够生成连贯、有逻辑的文本回答，并在部分任务和应用中展现出强大的表现；最常见的应用就是文章续写，大家可能见过的应用比如早期 上的狗屁不通生成器、夸克浏览器中的 AI 作文灵感生成器、不少人喜欢拿来写文案的秘塔写作猫。
然而，尽管Base LLM在很多方面表现出色，它们仍然存在一些局限性。比如训练数据大多都是来自于互联网，社交平台等易于获取的数据，Base LLM可能会在某些情况下给出不准确或不合适的回答。此外，它们在理解特定领域或任务相关指令时的表现也相对较弱；比如我要询问 “安徽有哪些好玩的地方？”，根据所训练的网络数据的不同，Base LLM 生成的内容可能会有 1 与 2 以下两种结果：
Base LLM 在生成内容时，可能被一些不确定的数据所污染，导致产生的结果并不是我们所预期的结果。为了克服这些限制，研究人员提出了 Tuned LLM（指令调整型语言模型）。 Tuned LLM是一种经过专门优化以更好地理解和执行指令的语言模型。它们通过额外的训练和微调，针对特定任务或领域进行了特定的优化。
与Base LLM相比， Tuned LLM在特定任务上的性能和准确性更高。它们能够更好地理解并执行给定的指令，生成更符合特定任务需求的回答。通过对模型进行精细调整和针对性训练， Tuned LLM可以提供更加定制化和个性化的输出。
需要注意的是， Tuned LLM通常需要更多的训练数据和计算资源来进行优化，因此在实际应用中可能会受到一些限制。此外，对于不同的任务和领域，可能需要针对性地进行模型调整和优化。
总而言之，Base LLM是大型语言模型的基础版本，具备广泛的语言理解和生成能力。而 Tuned LLM是通过针对特定任务和领域进行优化的版本，能够提供更加定制化和个性化的输出。这两种模型在不同的应用场景中发挥着重要的作用，并为人工智能技术的发展带来了更多的可能性。接下来，我们以较为成熟的 ，来讲一下如何有效的向 AI 提问。
二、如何提出有效的问题 ？
How To Ask The Smart Way? 向别人提问一直是一门艺术，向 AI 提问也是如此；有效的问题能够更容易获得你想要的答案，下面就来从语义方面简单讲一下如何向 AI 提出有效的问题。
1. 明确问题：
在向AI提问之前，要先明确自己的问题。尽量用简洁、清晰的语言表达问题的核心。如果问题过于宽泛或含糊不清，AI可能会给出模糊或不相关的回答。下面给出几个例子便于大家理解：
通过将问题具体化和明确化，AI可以更好地理解您的需求并给出更有针对性的回答。确切的问题有助于AI系统准确定位并提供您真正需要的信息，从而提高对话的效果和满意度。
2. 简明扼要：
AI 喜欢简洁明了的问题。避免冗长的描述和复杂的句子结构。用简单直接的语言表达问题，可以提高AI理解问题的准确性。例如，
通过使用简洁明了的语言，您可以让问题更易于理解和处理。这有助于AI系统更好地捕捉到您问题的核心，提供更相关和准确的回答。避免过多的细节和复杂的句子结构，有助于提高交流的效率和准确性，使您与AI的对话更加流畅和顺利。
3. 避免二义性：
确保您的问题不会引起歧义或模棱两可的回答。AI可能会根据您的问题字面意思进行回答，而忽略其中的潜在含义。如果您的问题有多种解释，请提供更多上下文信息以避免混淆。下面是一些例子：
在避免二义性问题时，需要提供足够的上下文或具体细节，以确保AI能够正确理解您的意图。通过明确指定对象、时间、地点等关键信息，可以避免不必要的歧义和混淆。尽量将问题的背景和条件清晰地传达给AI，以便它能够提供更准确和有针对性的回答。
记住，AI系统是基于输入的信息来进行处理和生成回答的，所以提供清晰明了的问题有助于AI准确地理解您的意图，从而提供更好的回答和帮助。
4. 避免绝对化的问题：
AI通常不能提供关于绝对真理的回答。避免使用诸如“永远”、“最好的”或“最适合”的绝对化词汇。相反，尽量以更加客观和相对的方式提问，以便AI可以给出更有用的答案。
避免绝对化问题是确保与AI交流准确性的关键，以下是一些举例来说明如何避免绝对化问题：
避免使用诸如”最好的”、“最适合”、”永远”等绝对化的词汇，因为AI通常无法给出关于绝对真理的回答。相反，通过使用相对性的表达方式，可以让AI提供更具有客观性和实用性的答案。询问用户个人意见、建议或提供一些可选项和不同的观点，可以帮助AI给出更灵活和有用的回答。
5. 利用引导词：
在提问时，可以使用一些引导词来指导AI的回答。例如，使用“如何”、“为什么”、“哪个”等引导词可以引导AI提供更详细和有针对性的回答。这样可以帮助您更好地理解问题的背景和答案的原因。
利用引导词可以帮助您引导AI的回答，使其更加详细和有针对性。以下是一些举例来说明如何利用引导词：
通过使用不同的引导词，您可以调整问题的语气和期望的回答类型。这些引导词可以指示AI提供指导、解释、推荐或比较的回答，以满足您的具体需求和意图。根据您的问题，选择适当的引导词可以帮助AI更好地理解您的问题，并提供更加有针对性和详细的回答。
需要注意的是，引导词只是一种提示方式，AI仍然根据其训练和模型来生成回答，所以结果可能因模型的理解和数据限制而有所差异。
6. 检查语法和拼写：
在与AI对话之前，检查您的问题的语法和拼写错误。虽然AI可以理解一些错误拼写或语法错误，但确保问题清晰、准确无误可以提高回答的质量和效果。
7. 追问细节：
有时候AI可能无法准确理解您的问题或需求。如果您得到的
回答不完全符合您的期望，可以追问一些细节来进一步澄清。通过进一步的对话和交流，您可以与AI建立更好的理解和沟通，从而得到更准确的回答。以下是一些进行追问细节的例子：
通过追问细节，您可以向AI提供更具体和详细的信息需求，以获取更加准确和个性化的回答。这样可以帮助AI更好地理解您的意图，并提供更符合您具体需求的建议或答案。
需要注意的是，AI的回答可能基于其训练数据和模型的限制，可能无法满足所有细节要求。在进行追问细节时，要根据AI的回答和能力来判断何时需要进一步追问或调整问题，以使对话更加有意义和有用。
三、如何将提问的内容进行应用？
最近，300 + 火遍全网，通过这些总结后的提示词，我们能更方便的获取自己想要的内容，并将其用到应用开发上。在这之前，我们先来讲述一下如何使用 进行 相关内容的开发。
1. API 的基本使用
首先，我们要先使用 pip 下载 组件，之后创建一个 文件：
配置部分只需要两句话，首先导入 包，然后配置 的 ，我这里不方便展示 ，所以把 配置到环境变量再通过 os 获取。
import openai # 导入 openai 包
import os
from dotenv import load_dotenv, find_dotenv
_ = load_dotenv(find_dotenv())
openai.api_key = os.getenv('CHATGPT_KEY') # 配置 openai 的 api_key
接下来是一个函数，用来向 请求数据，复制即可
def get_completion(prompt, model="gpt-3.5-turbo"):
messages = [{"role": "user", "content": prompt}]
response = openai.ChatCompletion.create(
model = model,
messages = messages,
temperature = 0,
)
return response.choices[0].message["content"]
完成上述的操作后，便可以开始接下来的内容。
2. 格式化输出 ？
众所周知， 可以编写代码； 可以做的更多，只要进行合适的提问， 可以帮你输出 JSON、HTML、表格等等内容。下面举个例子来演示一下：
下面是我编写的一段 ，通过这个 可以生成 JSON 格式的数据
prompt = f"""
生成一个列表，其中包含三个虚构的书名以及它们的作者和类型。
以JSON格式提供以下键:
Book_id，Book_name，author，genre。
"""
response = get_completion(prompt)
print(response)
可以看到， 将数据以 JSON 格式展示了出来；接下来，改变关键词，分别修改成了以 HTML 、表格以及 SQL 的形式获得数据，结果如下：
HTML 格式：
表格 格式：
SQL 语句：
3. 角色扮演 ？
角色扮演？相信大家在童年时都玩过吧，不知道大家以前是扮演老师、奥特曼还是喜羊羊。而细看 300 + ，其实就是一个角色扮演的过程，这些 的前几句都是 “I want you to act as …”（我想让你扮演…），而使用角色扮演的方式来进行 的提问可以更好的代入情景，获得更好的回答结果。
值得注意的是， 虽然可以扮演很多东西，但还是尽量扮演许多更加有用且广为人知的职业或者东西，比如老师、花店老板、智能助理等等，而不是一些过于具体的动漫人物或者是一些过于抽象的人物，因为在训练模型时，可能会将动漫人物的名称当作一个词，而不是当作一个名字进行训练。
4. (应用) 十词成文助记单词
作为一个学生，我经常会有背单词的需求，然而市面上大多的背单词软件仅有拼写、选词等背单词方法，功能单一，且使用这些功能很难记住单词；因此不少背单词软件开始训练模型来实现选词成文的功能，使大家更容易记住单词。但这些记单词软件所生成的文章会有逻辑错误，背诵时会很拗口，所以就会想到使用 来实现该功能。
这里我先存储了 10 个单词，并在 中限制了生成单词的数量，在应用开发过程中你还可以加入更多丰富的东西，比如生成文章的风格（科幻、古风、穿越等等），生成文章的题材（诗歌、小说、议论、散文等等），以此来提供更多选项来给客户更丰富的体验。下面是代码以及输出结果：
代码：
words = ['apple', 'person', 'wind', 'history', 'author', 'boil', 'science', 'hunger', 'fiction', 'fantasy']
prompt = f"""
使用十个单词生成一段话，字数在100词以内。
十个单词如下：
'''{words}'''
"""
response = get_completion(prompt)
print(response)
结果：
The wrote a book about a who loved . The story was set in a world where the wind never , and for the . The , who was a , a way to boil the wind and turn it into . This the of and to the land. , the also a to the story, where grew on trees that could cure any . The in the story on a quest to find these and save their loved ones.
（翻译后：作者写了一本关于一个爱吃苹果的人的小说。故事发生在一个风不停刮的世界里，给人们带来了饥饿和困苦。主人公是一位科学家，他发现了一种将风煮沸并将其转化为能量的方法。这一发现改变了历史的进程，给这片土地带来了繁荣。然而，作者也在故事中引入了幻想元素，在那里，树上长着神奇的苹果，可以治疗任何疾病。故事中的人开始寻找这些苹果，拯救他们所爱的人。）
5. (应用) AI 脑图生成器（Chat ）
思维脑图，在大家整理阅读资料，梳理脑海中的内容的时候总是会用到，也算是日常学习科研生活中必不可少的一项工具。当文本字数较多时，整理脑图可能是一件非常麻烦的事，比如我这样懒的人可能会想着有一个提前生成好的脑图，我只需要在上面简单修改；或者 AI 直接生成一份脑图，而我只需按照脑图整理知识内容。
下面是关于 AI 脑图生成器的简单讲述。
text 是我所描述的一串文本，而接下来的过程，通过我所描述的一段 ， 将分析我所描述的 text 文本，并将其转换成 OPML 文件适用的 XML 语言
# 文本转化为 OPML 语言
text = '我的手里有三种物品。一种是水果，可能是苹果、香蕉、梨子；一种是蔬菜，可能是胡萝卜、青菜、土豆；一种是零食，可能是辣条、薯片、可乐。请分析我手里的三种物品是什么。'
prompt = f"""
You are a smart mind map software in OPML format, which analyzes text and convert text into OPML language.
The text after analyzed should be detailed, and divide the text into as many branches as possible; Then you could start to convert text into OPML language.
OPML language after converted should have ,,,、 and any other OPML label.And the outer label should be the title of converted OPML language, so the most outer should be deleted./
The text to be analyzed is as follows, please divide it into details and convert it into OPML language:
'''{text}'''
"""
response = get_completion(prompt)
print(response)
根据我所描述的文本生成的 opml 代码如下，
<opml version="1.0">
<head>
<title>我的手里有三种物品</title>
</head>
<body>
<outline text="我的手里有三种物品">
<outline text="一种是水果">
<outline text="可能是苹果"/>
<outline text="可能是香蕉"/>
<outline text="可能是梨子"/>
</outline>
<outline text="一种是蔬菜">
<outline text="可能是胡萝卜"/>
<outline text="可能是青菜"/>
<outline text="可能是土豆"/>
</outline>
<outline text="一种是零食">
<outline text="可能是辣条"/>
<outline text="可能是薯片"/>
<outline text="可能是可乐"/>
</outline>
</outline>
</body>
</opml>
紧接着，将 写入到新创建的 opml 类型的中，写入完成后使用幕布、 等能可以导入 OPML 的思维脑图软件导入你所创建完成的 OPML 脑图文件即可看到 AI 生成的脑图。
# 将内容写入 opml 文件
f = open(r'F:test.opml','w', encoding='utf-8')
f.write(response)
f.close()
使用 导入后的思维脑图如下：
当然，如果你真的想要完成一个独立的 AI 脑图生成器（Chat ），你可能需要实现一个独立的 OPML 脑图软件，或者尝试使用兼容 或其它开源轻量脑图组件来完成自己独立的项目。
四、总结
向AI提问是一个互动的过程，通过不断的实践和探索，我们可以进一步优化和改进我们的提问技巧，使得与AI的对话更加流畅和有益，构建更多丰富的应用程序。
希望本文的技巧和指导能够对您在与和其他大语言模型进行对话时有所帮助，让您能够更好地利用AI技术解决问题和获取信息。
相关文章
