术业有专攻，指定模型扮演专门的角色，它输出的内容会显得更加专业。

例如：请你扮演一名警探小说家，用柯南式推理描述一起离奇命案。要求：需匿名处理，字数 1000 字以上，剧情跌宕起伏。

提供适用于所有示例的一般性说明通常比通过示例演示更有效，但在某些情况下提供示例可能更容易。

举个例子，如果我告诉模型要学会游泳，只需要踢腿和摆动手臂，这就是一个一般性的说明。而如果我给模型展示一个游泳的视频，展示踢腿和摆动手臂的具体动作，那就是通过示例来说明。

我们可以告诉模型，希望它生成的输出有多长，这个长度可以以单词、句子、段落、要点等方式进行计数。

受限于模型内部机制和语言复杂性的影响，最好还是按照段落、要点来划分，这样效果才会比较好。

假如我们手头上有更多参考信息，那我们可以「喂」给模型，并让模型使用提供的信息来回答。

模型在处理对话时，受制于固定的上下文长度，不能记住所有的对话历史。

想要解决这个问题，其中一种方法是对之前的对话进行总结，当输入的对话长度达到一定的限制时，系统可以自动总结之前的聊天内容，将一部分信息作为摘要显示，或者，可以在对话进行的同时，在后台悄悄地总结之前的聊天内容。

另一种解决方法是在处理当前问题时，动态地选择与当前问题最相关的部分对话。这个方法涉及到一种叫做「使用基于嵌入的搜索来实现高效的知识检索」的策略。

简单来说，就是根据当前问题的内容，找到之前对话中与之相关的部分。这样可以更有效地利用之前的信息，让对话变得更有针对性。

由于模型只能记住有限的信息，所以不能直接用来总结很长的文本，为了总结长篇文档，我们可以采用一种逐步总结的方法。

就像我们阅读一本书时，可以通过一章又一章地提问来总结每个部分。每个部分的摘要可以串联起来，形成对整个文档的概括。这个过程可以一层一层地递归，一直到总结整个文档为止。

如果需要理解后面的内容，可能会用到前面的信息。在这种情况下，另一个有用的技巧是在阅读到某一点之前，先看一下摘要，并了解这一点的内容。

指示模型在急于得出结论之前想出自己的解决方案

以往我们可能直接让模型看学生的答案，然后问模型这个答案对不对，但是有时候学生的答案是错的，如果直接让模型判断学生的答案，它可能判断不准确。

为了让模型更准确，我们可以先让模型自己做一下这个数学题，先算出模型自己的答案来。然后再让模型对比一下学生的答案和模型自己的答案。

先让模型自己算一遍，它就更容易判断出学生的答案对不对，如果学生的答案和模型自己的答案不一样，它就知道学生答错了。这样让模型从最基本的第一步开始思考，而不是直接判断学生的答案，可以提高模型的判断准确度。

另一个很好的使用代码执行的例子是使用外部 API（应用程序编程接口）。如果我们告诉模型如何正确使用某个 API，它就可以写出能够调用该 API 的代码。

我们可以给模型提供一些展示如何使用 API 的文档或者代码示例，这样就能引导模型学会如何利用这个 API。简单说，通过给模型提供一些关于 API 的指导，它就能够创建代码，实现更多的功能。

警告：执行由模型生成的代码本质上是不安全的，任何尝试执行此操作的应用程序都应该采取预防措施。特别是，需要使用沙盒代码执行环境来限制不受信任的代码可能引起的潜在危害。

我们可以通过 API 请求，向它传递一个描述功能的清单。这样，模型就能够根据提供的模式生成函数参数。生成的函数参数将以 JSON 格式返回，然后我们再利用它来执行函数调用。

然后，把函数调用的输出反馈到下一个请求中的模型里，就可以实现一个循环，这就是使用 OpenAI 模型调用外部函数的推荐方式。

当我们对一个系统做修改时，很难判断这些修改是好是坏。因为例子太少，很难确定结果是真的改进了还是运气好。有时候一个修改在某些情况下是好的，在其他情况下是坏的。

那么我们如何评价系统输出的质量呢？如果问题只有一个标准答案，计算机可以自动判断对错。如果没有标准答案，可以用其他模型来判断质量。

此外，我们也可以让人工来评价主观的质量，又或者计算机和人工结合评价当问题的答案很长时，不同的答案质量差别不大，这时就可以让模型自己来评价质量。

当然，随着模型变得更先进，可以自动评价的内容会越来越多，需要人工评价的越来越少，评价系统的改进非常难，结合计算机和人工是最好的方法。

假设我们面对一个问题，需要给出答案。我们已经知道这个问题的正确答案，是基于一些事实的。比如问题是「为什么天空是蓝色的」，正确答案可能是「因为阳光通过大气层的时候，蓝色光波段的光比其他颜色通过得更好」。

这个答案就是基于以下事实:阳光包含不同颜色(光波段)蓝色光波段通过大气层时损耗较小

有了问题和正确答案后，我们可以用模型(比如机器学习模型)来判断，答案中的每一部分事实对于答案正确的重要性。

比如通过模型判断出，答案中「阳光包含不同颜色」这一事实对于答案的正确性非常重要。而「蓝色光波段损耗较小」这一事实，对于答案也很重要。这样我们就可以知道，这个问题的答案依赖于哪些关键的已知事实。

在和 ChatGPT 人机交流的过程中，提示词看似简单，却又是最为关键的存在，在数字时代，提示词是拆分需求的起点，通过设计巧妙的提示词，我们可以将整个任务拆分成一系列简明的步骤。

这样的分解不仅有助于模型更好地理解用户的意图，同时也为用户提供了更为清晰的操作路径，就好像给定了一个线索，引导我们一步步揭开问题的谜底。

你我的需求如同涌动的江河，而提示词就像是调节水流方向的水闸，它扮演着枢纽的角色，连接着用户的思维与机器的理解。毫不夸张地说，一个好的提示词既是对用户深度理解的洞察，也是一种人机沟通的默契。

当然，要想真正掌握提示词的使用技巧，仅依靠 Prompt engineering 还远远不够，但 OpenAI 官方的使用指南总归给我们提供了宝贵的入门指引。