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。
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:
- 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。”
- 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
- 阐述背景:这是一款自动驾驶卡车,车上有司机,跑的是长途
- 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:
- 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)。
- 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。”
- 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。
- 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:
- 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。
- 目标O(Objectives):明确任务的目标,告诉ChatGPT需要生成的内容是什么。
- 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。
- 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
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