导读

AI 不是来替代你的,是来帮助你更好工作。用better prompt使用chatgpt,替换搜索引擎,让你了解如何在工作中利用Prompt高效使用ChatGPT。

01背景

现在 GPT 已经开启了人工智能狂潮,不过是IT圈,还是金融圈。
一开始,我觉的它就是一个增强版搜索引擎,在使用了一段时间之后,才发现它可能不仅仅是一个搜索引擎,它可以做更多的事情,它更加智能,搜索引擎能做的,它能做,甚至做得更好,搜索引擎不能做的,它也能做。
刚开始的时候,它的很多回答都是胡编乱造的。例如你问它一些新上映的电影,它即使不知道也会胡编乱造一通。大家又开始贬低它,觉得只不过就是一个普通的聊天机器人,但是一段时间的使用之后,你会发现,它进化了。
虽然,目前chatgpt肯定不是最完善的,当时它已经可以很好的做一些工作了,我们可以看看利用Prompt,chatgpt会给我们那些惊喜。这里我们用国内的文心一言大模型,进行测试。

02AI 可以帮助我们做什么?

2.1 知识总结

刚开始接触学习新知识的时候,难免需要去查看文档。现在的各种在线文档非常丰富。往往对于一个初学者来说,需要接触的信息太多、排版五花八门,学起来很费力。
这时候就可以借助 ChatGPT 的总结能力,例如我想学习一下 K8S 的相关知识,我发给它一个文档的地址,让它帮我总结。

​
编辑切换为居中
 
添加图片注释,不超过 140 字(可选)
 
可以看到,它很好地总结了这篇中文的文档,并且对每一个关键点进行了概括,列出了文档中所有重要的知识点。
在这里你继续发一篇英文的文档给它,它也会用中文帮你总结。
prompt: 总结这篇文档https://kubernetes.io/docs/concepts/overview/components/ 。

​
编辑切换为居中
 
添加图片注释,不超过 140 字(可选)
 
让它总结一下 wikipedia 里的介绍。
prompt: 总结:https://zh.wikipedia.org/zh/%E6%B5%81%E6%B5%AA%E5%9C%B0%E7%90%832

​
编辑
 
添加图片注释,不超过 140 字(可选)
 
当我们将很长的文档的内容复制进来,让 chatgpt 进行总结。但是这时候会发现,文章太长了,可能会收到报错。 这时候,就要运用自己的想象力,使用 prompt 来进行优化了。我们需要把文章进行段落拆分,每一段都符合它的标准。

​
编辑
 
添加图片注释,不超过 140 字(可选)
 

​
编辑
 
添加图片注释,不超过 140 字(可选)
 
这样,就能得到了一篇文档的正确总结。

2.2 拆解任务

我们从需求端获取一个需求以后,很多情况下需要我们将任务拆分清楚,平且非常准确的估计时间,这时候可以简要描述一下我们这次的需求点,让 ChatGPT 帮我们进行任务拆解。

​
编辑
 
添加图片注释,不超过 140 字(可选)
 
任务整体被拆成了一个个细小的任务。它可以很快的让我们将任务转换为 task,或者是需求跟踪单。这既方便和产品经理进行沟通,也便于我们自身排期。如果仍有疑问,可以继续询问拆解。比如我们想要询问第三步应该如何进一步实现。

​
编辑切换为居中
 
添加图片注释,不超过 140 字(可选)
 

2.3 阅读代码/优化代码

开发者经常接手别人的代码。质量参差不齐,还会夹在很多奇怪的命名。当我们阅读整体逻辑或者修改逻辑,可能会因为自身阅读的问题造成理解偏差,进一步引发 bug。
如果将这个方法交给 AI 去阅读呢?可以看看效果。

​
编辑
 
添加图片注释,不超过 140 字(可选)
 
我们还可以让Chatgpt对每一行分别进行解释。这时候继续和它对话:
prompt: 在每一行代码上面加上注释

​
编辑
 
添加图片注释,不超过 140 字(可选)
 
我们还可以尝试让它帮我们做代码的优化和重构。
prompt:对代码进行优化和重构

​
编辑
 
添加图片注释,不超过 140 字(可选)
 
你可以对某一个部分提出更细节的要求,为它提出更好的优化方向。
prompt: 这个函数怎么重构为更加通用?

​
编辑
 
添加图片注释,不超过 140 字(可选)
 

2.4 代码生成

开发者在工作中还有一种场景的工作量比较大,需要复杂的逻辑思考。但是实际上最终的代码可能只需要几行就可以搞定。你在思考过程中觉得很痛苦,想和身边的同事去沟通。也许你给他解释完这个逻辑以后,他非但不能帮你思考,反而将一人份痛苦变成两人份。
例如,我们要进行数据转换,是否也可以交给AI来做?我们发送给 GPT 这样的 prompt:
将数据结构进行转换。数据源为:[ { "candidates": null, "candidatesX": null, "description": "role---用户角色", "label": "角色", "name": "role", "optional": true, "schema": null, "type": "String" },{ "candidates": null, "candidatesX": null, "description": "Topics of the pulsar server to create---需要创建的主题", "items": { "schema": [ { "candidates": null, "candidatesX": null, "description": "topic name---主题名称", "label": "主题名称", "name": "name", "schema": null, "type": "String" }, { "candidates": null, "candidatesX": null, "default": 1, "description": "partition number---分区数", "label": "分区数", "name": "partitions", "schema": null, "type": "Integer", "validator": ">0" } ], "type": "Object" }, "label": "主题列表", "name": "topics", "optional": true, "schema": null, "type": "List" }]我想要得到的数据是 type 为 List 的数据,并且数据结构为:[{type:List, name:"topics", needValidates:[{ name:"name", type:"String"},{name:"partitions", type:"Integer"}] }]
GPT 会为我们得到正确的结果:

​
编辑切换为居中
 
添加图片注释,不超过 140 字(可选)
 
我们只需要输入目标数据结构,转换后的数据结构,无需指定语言。因为它会从你的上下文里理解到你是想要问什么实现方式。
还有执行脚本,我们只需要描述清楚我们的需求,它也会帮助我们进行完善。

​
编辑切换为居中
 
添加图片注释,不超过 140 字(可选)
 
上面可以看到,我们在这里使用了一次“自然语言编程”的操作流程。不论你是否会使用 python、bash 你都可以正常的描述你的需求。进行生成。
我们这里就可以打开一下思路,我们还可以进行代码转换,例如你写了一段 js 代码,你希望将这段代码转化为python。

2.5 生成单测

我们刚刚那段数据转化的代码,如果我们想要进行测试,只需要告诉 AI 帮我生成单测即可。

​
编辑
 
添加图片注释,不超过 140 字(可选)
 

​
编辑
 
添加图片注释,不超过 140 字(可选)
 

03Prompt 能力

3.1 Prompt 是什么?

整体来说,上述 AI 的强大之处有几点:
总结/理解能力。它能够很好的总结你发给它的内容,进行总结。这也就是一种理解能力。
强大的上下文关联能力。你不需要像使用搜索引擎一样,每一次的操作都是独立的。你可以将整个对话都变成一个巨大的搜索,通过多次对话来阐述自己想要的信息。甚至还能让它帮助你向它自己提问。
为了更好使用AI、利用这些能力,我们需要做 prompt。prompt 就是提示词,表达语言的能力。我们需要转换自己的思维,从工程师到产品经理,或者是一个 Business Analysis 的角色。我们需要将接到手的任务,进行拆解,一步步的变为提示词。

3.2 Better Prompt

开发者可以利用它的上下文能力,帮助自己纠正语法以及提供更好的 prompt 的训练。
不管你用任何一种语言,它都是利用数据模型进行分析,并不是用单一的语言进行思考。也就是说结果的生成质量不会差异很大。当然每一种语言会有所差异,目前来看英文的效果是最好的。目前国内的大厂也推出文心一言、通义千问。希望国内的大语言模型越来越好,这边文章就是使用了ai回答就是文心一言,目前来看能力还是不错的。

04总结

使用 ChatGPT 一开始进行简单的尝试,并没有觉得有什么特别的。在浏览各类教程时,才发现利用 GPT 进行代码创作来丰富自己的武器库,比如进行图标分析、软件制作等等。实际上,AI 并不是简单的问答而已,它具有一定的解决问题甚至是创造知识的能力。我们要对自己手里的任务、方法、逻辑,有更清晰的认知。让人类做人类该做的事情,让 AI 做它擅长的事情。

05分享

 

如何在工作中利用Prompt高效使用ChatGPT?的更多相关文章

  1. (数据科学学习手札145)在Python中利用yarl轻松操作url

    本文示例代码已上传至我的Github仓库https://github.com/CNFeffery/DataScienceStudyNotes 1 简介 大家好我是费老师,在诸如网络爬虫.web应用开发 ...

  2. 运维工作中sed常规操作命令梳理

    sed是一个流编辑器(stream editor),一个非交互式的行编辑器.它一次处理一行内容.处理时,把当前处理的行存储在临时缓冲区中,称为"模式空间",接着用sed命令处理缓冲 ...

  3. 工作中常用Git指令操作

    常用Git指令总结 前阵子有几天好不顺,可谓是喝水都呛着,更何况被Git给呛着了,还不轻,哈哈.所以打算总结一下自己在工作使用到Git相关的东西以及和大家探讨使用GIt的心得体会.于是,关于Git的的 ...

  4. 简洁优雅的Python教你如何在工作中“偷懒”

    前言 本文的文字及图片来源于网络,仅供学习.交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理. 作者: A字头 PS:如有需要Python学习资料的小伙伴可以加点击下方链 ...

  5. 教你如何在工作中“偷懒”,python优雅的帮你解决

    前言 本文的文字及图片来源于网络,仅供学习.交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理. PS:如有需要Python学习资料的小伙伴可以加点击下方链接自行获取htt ...

  6. Git-【技术干货】工作中Git的使用实践

    Git-[技术干货]工作中Git的使用实践 置顶 2019-09-17 21:02:16 web洋仔 阅读数 11444更多 分类专栏: Git   版权声明:本文为博主原创文章,遵循CC 4.0 B ...

  7. CANN算子:利用迭代器高效实现Tensor数据切割分块处理

    摘要:本文以Diagonal算子为例,介绍并详细讲解如何利用迭代器对n维Tensor进行基于位置坐标的大批量数据读取工作. 本文分享自华为云社区<CANN算子:利用迭代器高效实现Tensor数据 ...

  8. 「Python实用秘技11」在Python中利用ItsDangerous快捷实现数据加密

    本文完整示例代码及文件已上传至我的Github仓库https://github.com/CNFeffery/PythonPracticalSkills 这是我的系列文章「Python实用秘技」的第11 ...

  9. [工作中的设计模式]享元模式模式FlyWeight

    一.模式解析 Flyweight在拳击比赛中指最轻量级,即“蝇量级”或“雨量级”,这里选择使用“享元模式”的意译,是因为这样更能反映模式的用意.享元模式是对象的结构模式.享元模式以共享的方式高效地支持 ...

  10. 转://工作中 Oracle 常用数据字典集锦

    DBA工作中数据字典就等同于我们本和笔,时时刻刻也分不开的,不管是看状态,还是监控,都需要数据字典的支持,本文整理出来常用的数据字典系列,帮助大家来记住和汇总以便查询利用 ALL_CATALOG Al ...

随机推荐

  1. 2023-01-13:joxit/docker-registry-ui是registry的web界面工具之一。请问部署在k3s中,yaml如何写?

    2023-01-13:joxit/docker-registry-ui是registry的web界面工具之一.请问部署在k3s中,yaml如何写? 答案2023-01-13: yaml如下: apiV ...

  2. url函数

    url() 函数看起来的格式象:url(r^/account/$', views.index, name=index),它可以接收四个参数,分别是两个必选参数:regex.view 和两个可选参数:k ...

  3. Redis数据结构三之压缩列表

    本文首发于公众号:Hunter后端 原文链接:Redis数据结构三之压缩列表 本篇笔记介绍压缩列表. 在 Redis 3.2 版本之前,压缩列表是列表对象.哈希对象.有序集合对象的的底层实现之一. 因 ...

  4. 前端学习 node 快速入门 系列 —— 事件循环

    事件循环 本篇将对以下问题进行讨论: 浏览器有事件循环,node 也有事件循环,两者有什么异同? node 核心特性(事件驱动和非阻塞 I/O )和事件循环有什么关系? node 中的高并发和高性能和 ...

  5. Win10环境配置(一)——C\C++篇

    Win10环境配置(一)--C\C++篇 1.工具准备 官网下载地址:https://sourceforge.net/projects/mingw-w64/ MinGW64下载地址:https://s ...

  6. 生信服务器 | 更改 CentOS/RHEL 6/7 中的时区

    这几天在学习折腾 docker 的时候遇到一个很常见的问题,就是 run container 的时候发现大部分 image 默认使用的时间都是 UTC  (Universal Time Coordin ...

  7. 【LeetCode专题#基本计算器】基本计算器I,图解中序表达式转逆波兰表达式,太难了

    基本计算器 https://leetcode.cn/problems/basic-calculator/?envType=list&envId=cKNEfNsF 给你一个字符串表达式 s ,请 ...

  8. 用postman模拟“授权代码授予”模式下获取Azure的用户信息(UserInfo)

    用postman模拟"授权代码授予"模式下获取Azure的用户信息(UserInfo) 1. 准备参数: 图1: 图2: 2. 调用: 点击按钮"Get New Acce ...

  9. 如何将mp4文件解复用并且解码为单独的.yuv图像序列以及.pcm音频采样数据?

    一.初始化解复用器 在音视频的解复用的过程中,有一个非常重要的结构体AVFormatContext,即输入文件的上下文句柄结构,代表当前打开的输入文件或流.我们可以将输入文件的路径以及AVFormat ...

  10. P8903 [USACO22DEC] Bribing Friends G 看电影

    P8903 [USACO22DEC] Bribing Friends G 看电影 目录 P8903 [USACO22DEC] Bribing Friends G 看电影 题目描述 输入格式 输出格式 ...