学习笔记 | ChatGPT Prompt Engineering for Developers 4

图片由Stable Diffusion绘制

摘要总结是大语言模型非常擅长的东西之一，这也是让人很兴奋的一个功能——世界上有那么多书，我不可能一一读完，但是可以用ai帮我快速总结精炼出来，这就使得快速了解什么东西有了可能。

比如商品评论可能非常长，就可以让AI快速总结精炼，比如30字以内，一下就能省去我很多时间。同理，也可以控制字数让AI来针对某个特定的方向进行总结。

这种功能对于只有一条商品评论的时候可能没什么用，但是有100条评论的时候就可以让AI协助快速把大量的文本识别为有规则的、可统计的表格数据。

在传统的机器学习中，如果要训练AI识别一段文本是正面情绪还是负面情绪，通用的做法是要准备一个单独的模型和样本集并进行训练，来让AI完成这个任务。并且不同的推理任务需要设置不同的模型，甚至在不同的业务场景中，还需要单独配置停用词表。

但是有了大语言模型之后，这种推理任务就不需要写多个模型了，只需要一些简单的提示词就可以胜任多种推理任务：如识别情感，提取姓名等。比如，想要识别评论的情感，无需部署和训练模型了，只需要简单地输入prompt：

同样的，可以通过加一些提示词来控制模型输出的形式，如只输出+-或者输出五个情感词汇等等或者输出为json格式等，都是可以实现的。

我们可以利用这一点，让AI对大段文章做主题推断，提炼文章的关键词等。在机器学习中，这被称为"零样本学习算法“，因为我们没有给它任何标记的训练数据。所以，这就是零样本。只需要一个提示，它就可以确定这篇新闻报道涉及了哪些主题。

在舆情监控的场景，也是有很好的应用的，只需要把AI提取出来的文章关键词写入一个dict，然后写个循环去读取dict，一旦出现感兴趣的新闻直接报警就可以了：

让AI处理各种转换格式的任务简直是爽得不要不要的，比如把html转json，甚至是把SQL转dax。还可以拿来作检查，校验格式是否正确。

翻译也是AI很擅长的工作，识别语言并对应翻译，甚至还能指定翻译的语气和风格，如口语化表达、商务场合表达、学术场合表达。

比如针对客户的评论生成自动回复的邮件。就可以让AI先去总结客户的评论的情感方向是正面反馈还是负面反馈，针对正面的反馈回复表示感谢，针对负面的反馈道歉并建议客户联系客服之类的。

过去的这种任务，尤其是针对负面评论的回复，用通用的模板回复往往会让人觉得很没有诚意，但是chatgpt可以在回复的时候提到一些用户提到的问题“针对您提到的XX问题我们表示……”，让人没有通用回复道歉的感觉。

尽管AI生成电子邮件很方便，但还是不要大量尝试吧，垃圾邮件一旦泛滥，这一点点“智能”就无法打动客户了。

这里就要提到语言模型参数的一个参数了，称为温度（temperature）。这个参数在控制模型随机程度的，在 temperature=0 的情况下，每次执行相同的提示时，你可以期待相同的输出。而当 temperature=0.7 时，每次都会得到不同的输出。

如果你试图建立一个可靠的和可预测的系统，你就应该使用 temperature=0。而如果你希望模型更有创造性，你可能想获得更加多样性的不同输出，你可能需要使用更高的温度参数。