2024年ChatGPT方法论“BORE“_bore分析法(1)，大数据开发源码的Binder权限是如何控制

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！

△一些关于风水的友好建议

后来，我用它画流程图，做数据分析，帮我读懂技术与代码，它已经成为了我工作中不可或缺的生产力工具。

△该时序图的内容生成+绘图相关工作由chatGPT完成

我也发现了各种使用ChatGPT的技巧，甚至形成了一套可操作,可重复的ChatGPT方法论"BORE"。用这套方法论，每个人都可以成为ChatGPT的进阶玩家。

一眼看下去是不是有点复杂？别担心，后面的文章里，我会为大家讲清楚这套方法，并结合例子教会大家它怎么在工作中发挥ChatGPT的威力，接下来我们就一起开始看看吧。

BORE：一套ChatGPT提示设计流程

众所周知，一个描述不好需求、讲话糊里糊涂的产品会让程序员痛苦无比，不仅影响程序员的心情，也直接影响产出的质量。从这个角度看，用户在与ChatGPT的交互中就充分扮演了产品经理“给程序员派活”的角色，写得稀烂的需求自然只能得到稀烂的回应，而如果“需求”设计得当，ChatGPT会给你超乎期待的惊喜。

△我的大学舍友，一位热情洋溢的程序员朋友

写好“需求”是一门技术，在自然语言处理中这门技术其实已经有了自己的名字，我们的输入被叫做"prompt"，也就是提示。而写好提示的技术就叫做“prompt engineering”，也就是提示工程。这是一门高度依赖经验的技术，我在接下来的文章中会总结我的提示工程实践，教大家如何为这个“程序员”写好“需求”。我总结的技巧中会包含一些具体的应用场景，帮助大家更好地理解。

讲清楚背景，为ChatGPT提供充足信息

在我们告知它之前，ChatGPT对于各种具体的业务场景（背景）所知甚少。讲清楚背景是发挥ChatGPT强大能力的关键。

应用场景1：干活前先让ChatGPT进入角色

“干线物流自动驾驶“目前在自动驾驶领域是一个很火的方向，那么现在我们就以这个方向作为例子，假装自己是一家干线物流驾驶公司的产品。

来看看应用场景1，由于我们现在假装自己是一家干线物流自动驾驶企业的产品，可以在需要chatGPT辅助我工作前先运行这条prompt：

"我们公司研发L4级别的自动驾驶卡车系统。我们的车辆拥有一辆L4自动驾驶车辆所需要的算力，传感器与能力，但是目前车上会有司机作为安全员，自动驾驶系统会辅助司机的驾驶，帮助卡车司机开车更轻松，更安全，更节油。我将提供产品经理日常工作中的一些实际问题。这可能涉及设计具体的自动驾驶功能，进行数据分析，分析具体的行驶场景并提供有效的反馈等。你能够明白这件事吗？”

这个例子中，我们告诉了ChatGPT宏观的业务背景，并顺便检验了prompt的效果。在读到上面的内容后，ChatGPT就自动代入了自动驾驶产品经理的角色。后文的所有其他例子都是在ChatGPT进入角色的前提下进行的。

我们来详细拆解这条prompt的设计：

1. 阐述背景，点明当前的业务范围及业务目标：“我们公司研发L4级别的自动驾驶卡车系统。”然后进一步告知当前业务的细节：“我们的车辆拥有一辆L4自动驾驶车辆所需要的算力，传感器与能力，但是目前车上会有司机作为安全员，自动驾驶系统会辅助司机的驾驶，帮助卡车司机开车更轻松，更安全，更节油。”告诉chatGPT大致的任务范围：“我将提供产品经理日常工作中的一些实际问题。这可能涉及设计具体的自动驾驶功能，进行数据分析，分析具体的行驶场景并提供有效的反馈等。”
2. 确定效果，我一般会反问一句它是否理解，以此来检验传达的信息是否清楚，有没有被正确地理解。

下面是场景1的运行结果：

△场景1的运行结果

应用场景2：起草文档的结构与框架

熟悉了业务，就要开始干活了。ChatGPT进入角色后，我们来试试让它提供一个产品试乘报告的框架。我们为ChatGPT提供了“背景”，定义了“任务目标”：

"现在，作为一个产品经理，你需要去试乘我司的产品，用敏锐的目光去发现改进点，并提供建议。请为我提供一个试乘体验报告框架模板，模版要涵盖产品体验的不同方面，使用逻辑严密，清楚的语言，有优雅，清晰，易于理解的结构。

这是一款自动驾驶卡车。这辆卡车上有司机，它将在一条主要是高速的长途货运路线上装载货物运营。"

我们给ChatGPT的prompt可以被拆解成以下的部分

1. 阐述背景：这是一款自动驾驶卡车，车上有司机，跑的是长途
2. 定义任务目标：扮演的角色是产品，任务是写试乘报告模版框架，内容涵盖哪些方面，需要使用语言特点如何等等

下面是场景2的运行结果：

△场景2的运行结果

小作业：ChatGPT非常细心，可以捕捉到微小的细节，所以“写背景”这件事很重要。不信把场景1中的"*我们公司研发L4级别的自动驾驶卡车系统”*换成”我们公司研发L4级别的自动驾驶卡车“，再运行场景2试试。

给ChatGPT打绩效：定义目标&关键结果，试验并调整

各位在科技公司工作的同学们一定对OKR非常熟悉：这是一个标准绩效管理工具，我相信这篇文章的很多读者都写过OKR，被OKR打过绩效。不过在这里，我们主要是运用OKR来描述任务目标，管理任务的预期结果，并在任务的目标和期望上与ChatGPT达成共识。

那么，OKR是什么呢？我们先来回顾OKR的内容：OKR的英文是Objectives and Key Results，由两个部分,“Objectives”，任务目标和"Key Result"，关键结果组成。定义“任务目标”表达了我们希望实现什么，而定义“关键结果”则让ChatGPT知道实现目标所需要达成的具体、可衡量的结果。

我们在之前的场景中其实已经为ChatGPT定义了OKR，例如在“应用场景2 起草文档的结构与框架”里，“提供一个试乘体验报告框架模板”就是“O”，而"要涵盖产品体验的不同方面，使用逻辑严密，清楚的语言，有优雅清晰易于理解的结构"则可以看做“KR”。

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。

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

nFC0-1715572120428)]
[外链图片转存中…(img-0NbOqlgs-1715572120428)]

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