2024年大数据最新ChatGPT方法论“BORE“_bore分析法，2024年最新最新大数据开发大厂高频面试题

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

需要这份系统化资料的朋友，可以戳这里获取

添加细节在ChatGPT的prompting中会起到立竿见影的效果，ChatGPT会对这些小细节做出巨大的反应。例如，有研究人员发现在GPT-3（可以理解为ChatGPT的爸爸）的输入前加入"Let’s think step by step",就让它的推理准确率从17.7%暴增到78.7% [1]。

现在，作为ChatGPT的使用者，各位自然是巴不得它能够发挥出全部性能，又快又好地出活。既然已经有了顺手的胡萝卜（OKR），那么是时候请我们亲爱的小毛驴（ChatGPT）拉磨了。

△设定了好的目标就是成功了一半

接下来我们看一个具体的例子，更好地理解这种思想与ChatGPT提示工程的结合。

应用场景3：分析具体业务场景

我们来看应用场景3，自动驾驶产品经理在工作中常常要定义各种复杂场景，我们在这个prompt中要求ChatGPT协助我们定义一个简单的他车激进切入场景：

“在我车在高速上行驶时，常常会有他车从相邻车道从非常近的距离切入我车车道，造成碰撞风险。请用自然语言描述与定义这个场景。

语言风格：清晰，有逻辑性，可靠，容易使用计算机程序建模。

建模要求：描述清楚事情的过程和时序关系。注意用数字量来定义临界点。将切入的步骤编好序号。建模要体现两辆车的交互

我们的自动驾驶车辆被称为ego，他车被称为npc。”

在这个例子中，我们在阐述了背景，定义了任务目标的基础上再给出对任务的详细要求（也就是key results）。prompt从多个方面规定了对于理想答案的标准。

用刚才的框架对这条prompt进行拆解：

1. 阐述背景：宏观的业务背景已经在“让ChatGPT快速进入角色”中给出。所以我们进一步为ChatGPT描述了微观的具体业务场景（高速上被他车切入）。
2. 定义任务目标：任务目标O是“用自然语言描述与定义这个场景。”
3. 定义关键结果：这里的KR有“a. *语言风格：清晰，有逻辑性，可靠，容易使用计算机程序建模。*b. *建模要求：描述清楚事情的过程和时序关系。注意用数字量来定义临界点。将切入的步骤编好序号。建模要体现两辆车的交互。*c. 我们的自动驾驶车辆被称为ego，他车被称为npc。”

KR可以根据个人需求定制。例如在这个例子中，我们用自然语言给场景建模的目的可能是想要给程序员写PRD，所以要求“有逻辑，容易使用计算机程序建模”。而公司内如果有“黑话”，比如把自动驾驶车叫做ego，也可以告诉它。

4. 试验并调整，改进：这是一个试验并调整的过程。如果对ChatGPT生成的内容不能让人满意，有三种可能性：第一种是我们这个老板当得不好，指令给得不够清楚。这时候可以调整prompt，看看背景和OKR有没有需要补充的地方。重新生成回答。经过几次调整后，就可以得到比较满意的答案。第二种是ChatGPT这位员工干得不好，这时候我们可以指出生成内容中的错误，让它重新回答。第三种是你运气比较背，碰到一次不太好的结果。这时候你可以优中选优，相同prompt让ChatGPT多生成几次，然后选一次最满意的，让我们一起赞美AI的任劳任怨。

在这个过程中，我们给ChatGPT定了“OKR”，干完活了还要“复盘”，一个不对还要打回返工，是不是像极了屏幕后面的各位打工人们。

下面是这条prompt的运行结果，以及为答案纠偏的过程。

△场景3的运行结果

△通过“打绩效”来对ChatGPT纠偏

ChatGPT生成的回答不是完美的，所以通过"试验并调整"来纠偏非常重要。

小作业：上面回答的第4点中，有什么明显违反常识的错误？我们可以通过什么方式来让ChatGPT修正这个错误？

小结

讲到这里，我们复习一下上面所讲的内容。我们以背景，目标，关键结果，改进四个步骤为抓手，打出了组合拳，沉淀了一套ChatGPT prompting方法论。那么，接下来，我们给这种方法取一个好记又好听的名字：BORE，读作[bɔːr],记住这个名字就等于记住了这套方法。在“BORE”方法中，四个字母分别是四个单词的首字母，B代表Background，O代表Objectives，R代表key Results，E代表Evolve，“BORE"本身也是个英文单词，有“钻孔”的意思，很好记。

最后我们给出这四个流程的详细定义：

1. 背景B（Background）：阐述任务的宏观背景和微观场景，让ChatGPT得到充分的信息。
2. 目标O（Objectives）：明确任务的目标，告诉ChatGPT需要生成的内容是什么。
3. 关键结果R（key Results）：列出完成任务所需达成的关键结果，即需要满足的具体要求和指标。这些关键结果可以根据实际需求进行定制。
4. 改进E（Evolve）：试验并调整，下面三种改进方法进行灵活组合，最终得到满意答案。

a. “从答案的不足之处着手,更新并迭代prompt”，

b. “在后续对话中指正ChatGPT答案缺点”，

c. “在prompt不变的情况下多次生成结果”

撬动外部工具，放大ChatGPT能力

这里，我们还有一些其他的ChatGPT进阶技巧：将ChatGPT的能力与外部工具结合，放大ChatGPT的能力。

作为产品经理，我们要为业务画时序图，画流程图等。有时我们也要用一些生动的图像，数据的分析去支撑需求改动，让我们的需求更有说服力，这样我们会更有可能通过产品评审会。

△很多程序员都想要的实用职场技巧

然而，到此为止，ChatGPT展现的能力都是文字 or 代码上的，难道就没有办法了吗？

等等？ChatGPT可以生成代码？

应用场景4：利用ChatGPT画时序图

既然ChatGPT可以生成代码，那么代码是不是可以转化为各种各样的图像？感谢各位程序员的开源精神，目前我们有很多基于代码的工具可以使用，让我们搜索一下“code to diagram”（代码转图表）试试。

好得很，当然有，出来的第一个结果就提供了足足6种工具，那么接下来就赶快试一下。

在这里，我们选择mermaid（意思是美人鱼），不仅是因为它支持十几种图像，而且它还提供了一个在线编辑器，代码贴进去就可以马上生成图像。生成器的网址在：https://mermaid.live/

△mermaid项目主页

那么，我们试着在应用场景3的基础上深入，以ChatGPT已有的输出为基础，要求它画出“在我车在高速上行驶时，常常会有他车从相邻车道从非常近的距离切入我车车道，造成碰撞风险*。*”的时序图。

请看下面的prompt：

"目前有一款用来将代码转化为各种图表的工具，叫做mermaid。请阅读下面的内容，写一份可以生成mermaid时序图的代码。请注意，时序图要与我提供的内容保持完全一致。

内容：在高速公路上，当ego车在行驶过程中，一个npc车辆突然从相邻车道切入ego车道，且距离非常近，这种场景可以描述为：

1.NPC车辆在相邻车道以速度V_npc靠近ego车辆。

2.当水平距离d_npc达到阈值d_critical时，NPC车辆开始切入操作：

a. NP车辆向内侧车道转向，同时NPC车辆的前轮触碰到ego车道的车道线，并压在车道线上。

b. NPC车辆逐渐进入ego车道，直到完全进入，并摆正位置。

3.在这个过程中，ego车辆应该进行以下反应：

a. 自动驾驶系统应该能够检测到NPC车辆的切入行为，并识别它的行为意图。

b. 如果检测到了NPC车辆的切入行为，自动驾驶系统应该能够进行迅速反应，采取避让措施以确保安全行驶。

c. 具体的避让措施可以包括刹车、加速、转向等，以确保避免与NPC车辆发生碰撞。

4.当NPC车辆完成切入操作后，NPC车辆的速度会逐渐回到原始速度V_npc，并行驶在ego的前方。"

我们来拆解这段prompt，仍然是上文中提到的BORE方法：

1.阐述背景：我们提示了ChatGPT对话中所说的mermaid是代码转图表工具，并在“内容”中提供了需要他转换成时序图的文字。

2.定义任务目标：请阅读下面的内容，写一份可以生成mermaid时序图的代码。

3.定义关键结果：时序图要与我提供的内容保持完全一致。

4.改进，尝试并调整：这段prompt经过多次调整，我也多次让ChatGPT打回重做，得到的结果是优中选优的（在图中我们可以看到调整prompt+重新生成加起来共9次）。

最后，我们得到了可以生成时序图的代码：

△场景4的运行结果

将得到的代码粘贴到mermaid live editor中，就可以生成结果了

△mermaid在线生成图表页面

最后是成品图。

不过，mermaid提供的能力远远不止时序图，目前官网上就有13种可用的图表，包括流程图，顺序图，类图，状态图，实体关系图，用户旅程，甘特图，饼状图，需求图，Git图，C4C图，思维导图，和时间轴。请在工作中自由取用。除了mermaid之外，还有像plantUML，Diagrams，markmap之类的code to diagram工具，这里就不赘述了。

应用场景5：用ChatGPT做数据分析

自动驾驶产品经理是一个非常需要实事求是的工作，要设计一个什么功能，空口说是不算证据的，数据很重要。再加上我司的数据基础建设做得挺好，所以我在工作中会接触到大量的数据，做很多数据分析工作。良好的数据分析也可以帮助产品设计的功能更好更合理，当然也就更容易通过需求评审会。

从工具和规模上来说，写一两行excel公式是数分，用hadoop，写spark算大数据也是数分。从方法上来说，算平均数是数分，用各种各样的机器学习方法做回归，分类也可以叫数分。数分前有时候还要做进行数据清洗，数据预处理等等。这是一门独立完整的学科，话题要展开实在是太大，我就不在这里提供具体例子了。

用ChatGPT做数分可以利用的数据分析工具

这里提供一些简单的罗列，如果不知道我在说什么，可以上网搜一搜教程。

1. excel：各位最熟悉，也是最简单的就是excel了。写点公式就算进阶用法（比如说有的岗位的JD甚至明确要求会用vlookup这一个函数），再进一步，我们可以写一点Excel宏，也就是在excel里头运行VBA程序。在excel界这已经是非常高级的用法了，它非常强大，作为产品你能用到的绝大部分需求都可以用它解决。（还有人用excel宏来写计算机病毒，叫做宏病毒，毕竟VBA也是编程语言）ChatGPT可以非常轻松地根据你的需求和描述写出可以用的excel宏。
2. python：python有很多强大的数据分析库。数分有pandas，numpy等，画图有seaborn，plotly，matplotlib等，机器学习的就更多了。这是个很大的话题，但是产品日常工作学点pandas+绘图库就够用。一般数据分析的代码可以用jupyter notebook来运行（非常合适数据分析！），用anaconda管理安装的各种包，详情请看网上的python数据分析教程。
3. R语言：这是一个专门用来搞统计的语言，不过Python已经够用，在此按下不表。

用ChatGPT做数分的一些小tips

1. BORE框架仍然管用：之前提到的设计原则仍然管用，例如“提供背景Background”，有时候你不妨把得到的运行结果直接粘贴给它看（如果是文字的话）。而ChatGPT仍然也会对你设定的“关键结果key Result”起反应，比如画图画得太丑，你就可以督促它画好看点，配色好一些等等，它会有反应的。
2. ChatGPT会有一定瞎编&错误的情况：有时候ChatGPT会对不了解的信息乱编一气，代码中的计算过程也不一定对。你必须足够小心，看看有没有错的地方，这要求你对它使用的数学方法与工具都比较了解。
3. 上下文有限：ChatGPT目前上下文能力有限，只能读到上下文的几千个字，所以会有“忘记”的情况，这种时候你可以把前面的内容重新粘贴到最新的对话里，提醒它一下。另外，这也意味着chatGPT只合适小规模数分，如果你的代码比较多，全部靠它就不现实了。
4. 思想为主，工具为辅：数据只是数据，如何解释数据才是其真正价值所在。别忘了在工作中业务价值才是数据分析的最终目的，你的思考不能省，ChatGPT只能作为辅助工具。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

257409881)]

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！