看不见的咒语，我如何让ChatGPT发挥出最大的价值？

使用ChatGPT已经一年半有余，陆续写过几篇使用GPT心得的文章，如下所示：

没有读不懂的书，ChatGPT让我的理解力提升了1000%！

我用ChatGPT搞懂GPT技术原理，只问了30个问题，这是极致的学习体验！

问了ChatGPT 上百个问题后，我断定ChatGPT可以重塑学习范式！

GPT 可以说已经是一个自身具足的智能，但是我们跟它交流还是得讲技巧和策略。现在有个专门研究怎么跟AI交流的学问叫“提示语工程”( Prompt Engineering)。这就如同要想让一个魔法发挥最大的效力，你得会念咒语一样，下面是我提供的10个咒语。

1、明确性和具体性

我以前用ChatGPT，由于急于要获得答案，因此对问题的描述往往比较简单，这样得到的答案与自己的预期会相差很远，因为这个时候我们可能根本没想清楚自己要的是什么。

比如你想学习数据安全，对GPT说：“给我讲下数据安全。” 这就不是一个很好的提示语。它的回答不会比百度好多少，往往是泛泛而谈的答案。

你应该想清楚一点，到底想学什么，比如说：“最近公司发生了数据泄露事件，主要是数据被非法导出了，请问有什么控制办法？“

你看，这一次AI的回答就更有针对性了，然后你对数据加密的技术不太了解，于是你提出进一步要求：”请解释下主要的敏感数据加密技术并举例。“

像这样的对话可以来往很多轮，直到你满意为止。这其实有点像编程，不断反馈、不断修正，你会乐此不疲的。

2、提供示例或模版

GPT有强大的小样本学习能力，看一遍就会了，有时候先举几个例子或给出模版，可以让GPT 更清楚你到底想要什么。

我们在做ChatSQL的时候，就经常发现AI无法理解自然语言的问题，然后给几个示范例子，它就能按照这些示范输出了，如下所示。

假设你是一名数据分析师，想要让GPT帮你生成一些数据清洗的SQL查询语句。你可能会这样开始：

"以下是一个数据清洗的SQL查询例子：

SELECT customer_id, TRIM(customer_name) AS customer_name,UPPER(email) AS emailFROM customers WHERE customer_id IS NOT NULL;

请生成5个类似的数据清洗SQL查询。"

然后ChatGPT举一反三的给你示例了一堆，涵盖了常见的数据清洗任务,如处理缺失值、标准化格式、删除重复项、拆分字段和数据类型转换，如下所示：

您可以根据具体需求修改这些查询，这种方式可以极大的拓展我们不知道自己不知道的东西。

3、给出具体的情境

现在很多人都会用GPT 起草报告，甚至写文章，给它一篇文章，它还可以生成摘要， 回答关于这篇文章的问题。但是要让GPT把这些事情真正做得漂亮，你最好自己先做一番功夫。

GPT 是无数语料喂出来的，我们可以想象它是无数个作家的分身叠加而成的。如果你只是提一个一般性的要求，它就只能给你生成一个一般性的、用在哪里都行，但是用在哪里都不是最恰当的内容。

但如果你能把要求细化，它就会生成适合你这个特殊情况的内容。你的独特性要体现在你提的问题里到底有多少你所处情景的描述，即上下文。

举个例子，你想优化数据库性能，可以这么提问："我需要优化我的数据库性能，你能给些建议吗？" 

ChatGPT可能会给出一些通用的优化建议，但这些建议可能不够具体或不适用于用户的实际情况。

但如果这么描述：“我有一个电子商务网站，使用MySQL数据库。最近，随着用户增加到约100万，我们注意到在高峰时段（每天晚上8点到10点）网站响应变慢。特别是产品搜索和订单处理页面加载时间增加。数据库大小约为500GB，主要包含用户、产品、订单和库存表。你能给出一些针对性的数据库优化建议吗？”

有了这个具体情境，ChatGPT可以提供更有针对性和实用性的建议，如下所示：

你说的越不具体，GPT就只好脑补，它脑补的往往不是你想要的。

4、使用角色扮演

这是AI官方推荐的标准用法，我们可以来比较下使用角色扮演和不使用角色扮演的区别，比如你想了解数据治理，对ChatGPT说：“数据治理是什么意思？” 这就不是一个很好的提示语。

下面这个GPT的答案质量很低，我是看不下去的。所以会这样，我想大致是因为喂给大模型的语料质量所致（比如要么是大众语料太多，要么是观点不够精确）。

但如果换成：“假设你是一名理论扎实，拥有30年实战经验的数据治理的咨询专家，请解释下数据治理是什么意思？” 这次回答的质量就不太一样了，如下所示：

专家的观点大多是比较严谨的，从这个回答就能看出来，其实也反映出大模型训练中的问题。

理论上，专家的语料权重比普通人要大很多，但训练的时候无法进行区分，因此只能在提示词中进行引导。

下面是一个我以前在学习数据治理时写的一个Prompt，供大家参考：

5、分步骤给出需求

我们在给AI提复杂问题的时候，尽量要拆解问题，分步骤提出你的需求 ，使用列表或编号来组织复杂的请求，这样才能得到理想的答案。大致的原因如下：

（1）自然语言本身具有模糊性，复杂问题可能导致AI在理解意图时产生歧义，容易混淆或忽略某些细节

（2）AI的推理能力在面对复杂、长链的推理任务时有一定的局限性

（3）AI训练过程中形成了特定的输入-输出对应模式，结构化的输入更容易触发正确的处理模式

（4）上下文记忆限制，AI可能无法同时考虑所有信息，从而导致不准确的回答。

比如你是一家电商公司的数据分析师，想分析其客户流失情况，你对ChatGPT简单的说：“请分析我们电商公司的客户流失情况。”  GPT给的回复会非常俗套，但如果你针对性的给出了分析步骤，那就完全不一样了，比如这么提问：

“请帮助分析我们电商公司的客户流失情况。请按以下步骤进行:

（1）定义客户流失: a) 给出客户流失的明确定义 b) 列出可能影响流失的关键指标

（2）数据准备: a) 列出分析所需的数据字段 b) 说明如何处理缺失值和异常值

（3）分析方法: a) 推荐2-3种适合的分析技术 b) 解释每种技术的优缺点

（4）可视化: a) 建议2-3种展示流失分析结果的图表 b) 解释每种图表的优势

（5）洞察和建议: a) 列出3-5个可能的流失原因 b) 提出相应的客户保留策略

请为每个步骤提供详细解释和建议。"

GPT的回复质量会高很多，如下所示：

因此，如果我们的问题比较复杂，几句话说不清楚，比如写文章，一般都是要先列出提纲，然后让GPT回答，否则写的文章一般是没法看的。

6、帮助GPT思考

GPT 的数学能力不强，这里的根本原因在于GPT的基本原理是“预测下一个词”，所以它有时候感觉强烈，就会不加思考脱口而出，就如同一个粗心大意的学生。而如果你能帮它整理一下思路，它就能做得更好。

下面这个例子出自一篇很火的论文。

直接问GPT：“150和250之间有多少个质数? ”它的回答明显错误。它一上来就说有21个，但研究也发现，哪怕你什么思路都不提供，只是简单地多说一句“咱们一步一步想”，GPT 就能给更准确的答案。

现在很多AI，比如GPT已经部分的修复了这个缺陷，给出的方法就是借助Python等工具来，但即使不使用工具，现在的AI大多也不脱口而出了，而是会给出计算步骤，然后自己一步步算出来。

大概是这些AI针对计算等特定场景已经内置了分步计算的提示词。比如针对“3.5亿 + 5000万 + 4000万 + 4000万 + 1200万  给出计算结果”这个问题，GPT的回复如下：

但即使是这样，在处理需要细致思考的复杂问题时，我们也尽可能采用这种提示词策略：

一是降低AI"脱口而出"错误答案的风险。

二是提高回答的可解释性和可信度。

三是展示更清晰的推理过程，有更高的教育价值。

7、指定输出格式

我们使用AI的输出结果，不仅仅是要得到一个答案，还需要将其集成到其他地方去，比如我以前的公众号文章要引用AI的输出结果时，会花很多时间去调整格式，指定输出格式则是使用AI时的一个重要技巧，下面示例了指定AI输出编号格式的提示词：

8、设定限制和参数

设定限制和参数是编写有效AI提示词的重要技巧之一，因为明确的参数有助于AI生成更符合您具体需求的内容，包括内容的精确度、质量、实用性，一致性以及目标导向等各个方面。

比如我要为企业制定数据治理策略，不设参数的提示词："制定一个数据治理策略。" GPT的回答是这样的：

设定参数的提示词如下：

"请为一家拥有500名员工的中型科技公司制定数据治理策略，需满足以下条件：

（1）文档长度：不超过1500字

（2）结构要求：包括执行摘要、主要挑战、策略框架、实施步骤、预期成果五个部分

（3）重点关注领域：数据安全、数据质量、法规遵从（特别是GDPR和CCPA）

（4）技术复杂度：适中，假设读者具有基本的IT和数据管理知识

（5）实用性要求：包含2-3个可立即实施的行动建议

（6）格式：使用markdown格式，每个主要部分使用二级标题"

GPT的输出变成了下面这个样子：

9、检查和验证

在一些专业领域的问答场景，AI经常会一本正经的胡说，不光如此，AI有时候还是个软脚虾，你一质疑又会来迎合你。

因此对AI的回答一定要保持批判性思考，必要时要求AI解释或证明其回答。从AI的回答中取得真经的过程，就是一个“去其糟粕，取其精华”的过程，对提问者本身的专业能力就是一个考验。

比如我问GPT："你认为数据管理包括哪些内容？"  GPT会把数据治理放在第一个，如下所示，这其实有误导作用。

然后我反问：“数据治理不属于数据管理吧？” GPT就改口了：

然后我又问：“DAMA中的数据管理包括数据治理吗？” GPT又改口了。

事实上，从严格的逻辑角度来看，数据管理是否包括数据治理难说对错，这更多是一个视角和定义的问题，而不是一个绝对的对错问题。DAMA的观点有其合理性，将数据治理视为数据管理的一部分可以确保两者的紧密集成和协调。但在许多组织中，数据治理和数据管理职能是分开的。我们必须有批判精神，才不会被AI带偏。

10、多角度分析或创意建议

我们搞IT的，对其他专业领域的知识可能并不太清楚，但这个世界的运行规则不是按照我们所谓的专业来划分的，很多问题需要提供跨专业知识才能解决。

比如你要搞清楚最近比较热的数据资产入表是怎么回事，就需要对IT、数据、财务等各专业的知识都有所了解。

AI大模型的的优势就在于它的推理能力是基于全领域语料训练出来的，天然就是打破专业壁垒的，更容易从不同的视角或学科角度审视问题，模拟不同背景的专家观点，提供独特的见解或创新性的方法。

比如取数人员要提升供数的速度，更多会从技术角度考虑解决方案，但如果你问AI：“如何提升公司的取数响应速度？” AI就会给你一个超越IT的一个全面的方案，你可以从中选择适合的来进行探索。有时候，一次AI提问顶得上100人的头脑风暴，下面是GPT的一个回复：

当然，要最大化发挥出ChatGPT的价值，首先你得养成使用它的习惯，用得越多，就越会发现它的好处。很多人用了一下就不用了，觉得对自己价值不大，这是非常可惜的。

况且现在的AI，跟大模型刚出来的时候相比，已经不是一个物种了，各类AI百花齐放，各有优势。

比如我特别喜欢Claude自动生成图表的能力，因为有助于形象化的理解概念，而Perperity事实性的智能检索有效减少了幻觉，这对于很多严肃工作非常重要。

希望对你有所启示。

傅一平：大模型在数据领域的十大价值应用 3674

基于AI大模型的数据治理 3868

实战1年半，我总结的大模型在企业落地的三个策略 4685

孙凝晖院士给正国级、副国级讲课的万字长稿《人工智能与智能计算的发展》 10506

2024年中国AI大模型产业发展报告（附下载） 1546

117家！中国大模型最新备案名单和简介汇编 3986

大企业如何推进AI 1555

查看全部文章

点击左下角“阅读原文”查看更多精彩文章，公众号推送规则变了，如果您想及时收到推送，麻烦右下角点个在看或者把本号置顶