:::takeaways 本文要点
:::
有时候生成式 AI 会输出错误的结果。例如,它们不是很擅长乘法运算,经常会自信地给出错误的答案。尝试向 ChatGPT 提供以下提示:
ChatGPT 提供了一个错误答案(正确答案是 91,377)。我们可以修改提示,并告诉 ChatGPT 仔细思考每个步骤:
计算 923 乘以 99,我们可以分解为较小的步骤:
步骤 1:为每个项写出完整的 0 个数: 923 * 99 = 923 * 990
步骤 2: 将第一个项乘以 9: 923 * 9 = 8307
步骤 3: 将第一个项乘以 90(添加一个 0): 923 * 90 = 83070
步骤 4: 将步骤 2 和步骤 3 的结果相加。: 8307 + 83070 = 91377
因此,923 乘以 99 等于 91,377。
令人惊讶的是,通过这些额外的说明,ChatGPT 能够解决这个问题。这次成功是因为 ChatGPT 将计算过程都写出来了,从而避免了错误。通过提示工程,生成式 AI 的数学能力可以得到提升。现在,让我们尝试一个不同的例子。
:::caution 注意
由于 ChatGPT 是
非确定性
的,即使使用这个提示,有时也可能无法正常工作。你可能会看到类似于 91,177 或 91,077 的答案。
:::
这一次,我们将请 ChatGPT 为我们正在考虑创建的新型虚构 AI 产品——考古学家 AI 撰写一条营销推文。考古学家 AI 讲述着关于著名考古学家的故事。
这条推文不准确,因为考古学家 AI 只是讲述故事,而不是发现新事物。然而,这并不是 ChatGPT 的错!它对考古学家 AI 一无所知,让我们在提示中包含相关信息。
这次好多了!现在让我们尝试让 ChatGPT 以印第安纳·琼斯的风格写下推文。
好的,这可能是我们需要向考古学爱好者传达的信息!通过测试多个提示,我们可以看到哪个提示能产生最好的输出结果。
随着时间的推移,不断完善提示的过程被称为提示工程。你不可能在第一次尝试时就写出完美的提示,因此重要的是善于完善你的提示。做好提示工程主要来自大量的实践(尝试和错误)。其余文章将向你介绍可以在提示工程过程中使用的不同提示策略。