Einige fortgeschrittene Kenntnisse der ChatGPT-Tipps

Als Schnittstelle für ein großes Sprachmodell (LLM) verfügt ChatGPT über ein beeindruckendes Potenzial, aber sein tatsächlicher Nutzen hängt von unserer Eingabeaufforderung ab (Eingabeaufforderung). Eine gute Eingabeaufforderung kann ChatGPT auf ein besseres Niveau bringen.

In diesem Artikel werden wir einige fortgeschrittene Kenntnisse über Eingabeaufforderungen behandeln. Egal, ob Sie ChatGPT für den Kundenservice, die Inhaltserstellung oder einfach nur zum Spaß nutzen, dieser Artikel vermittelt Ihnen das Wissen und die Tipps zur Verwendung von ChatGPT-Optimierungstipps.

Hintergrundwissen

Kenntnisse der LLM-Architektur sind eine Voraussetzung für einen guten Prompt, da sie ein grundlegendes Verständnis der zugrunde liegenden Struktur und Funktionalität von Sprachmodellen vermitteln, was für die Erstellung effektiver Prompts von entscheidender Bedeutung ist.

Es ist wichtig, bei mehrdeutigen Problemen Klarheit zu schaffen und Kernprinzipien zu identifizieren, die sich auf verschiedene Szenarien übertragen lassen. Deshalb müssen wir die anstehende Aufgabe klar definieren und Tipps entwickeln, die leicht an verschiedene Kontexte angepasst werden können. Gut gestaltete Hinweise sind Werkzeuge, mit denen Aufgaben an das Sprachmodell übermittelt und dessen Ausgabe gesteuert werden.

Ein einfaches Verständnis des Sprachmodells und ein klares Verständnis Ihrer Ziele, gepaart mit einigen Kenntnissen auf diesem Gebiet, sind also der Schlüssel zum Training und zur Verbesserung der Leistung des Sprachmodells.

Je mehr Trinkgelder und Renditen desto besser?

Nein, lange und ressourcenintensive Eingabeaufforderungen, dies ist möglicherweise nicht kosteneffektiv, und denken Sie daran, dass Chatgpt eine Wortbeschränkung hat. Das Komprimieren von Eingabeaufforderungsanfragen und die Rückgabe von Ergebnissen ist ein sehr aufstrebendes Gebiet. Wir müssen lernen, das Problem zu rationalisieren. Und manchmal antwortet chatgpt mit sehr langen und unoriginellen Wörtern, daher müssen wir auch Einschränkungen hinzufügen.

1. Antwortlänge reduzieren

Um die Länge von ChatGPT-Antworten zu reduzieren, fügen Sie eine Längen- oder Zeichenbeschränkung in die Eingabeaufforderung ein. Mit einer allgemeineren Methode können Sie nach der Eingabeaufforderung den folgenden Inhalt hinzufügen:

<code>Respond as succinctly as possible.</code>

Beachten Sie, dass die später eingeführten Eingabeaufforderungen alle auf Englisch sind, da ChatGPT ein englischsprachiges Modell ist.

Ein paar weitere Tipps, um die Ergebnisse zu vereinfachen:

Keine Beispiele bereitgestellt

Ein Beispiel bereitgestellt

Warten Sie

Denkweise

Der beste Weg, Text aus ChatGPT zu generieren, hängt davon ab, welche spezifischen Aufgaben LLM ausführen soll. Wenn Sie sich nicht sicher sind, welche Methode Sie verwenden sollen, probieren Sie verschiedene Methoden aus, um herauszufinden, welche am besten funktioniert. Wir werden 5 Denkweisen zusammenfassen:

1. Gedankenkette

Die Gedankenkettenmethode beinhaltet die Bereitstellung einiger Beispiele für Zwischenschritte des Denkens, die zur Lösung spezifischer Probleme verwendet werden können.

2. Selbstbefragung

Bei dieser Methode stellt sich das Modell explizit Folgefragen (und beantwortet diese dann), bevor es die erste Frage beantwortet.

3. Schritt-für-Schritt-Denken

Der schrittweise Ansatz kann die folgenden Eingabeaufforderungen zu ChatGPT hinzufügen

<code>Let’s think step by step.</code>

Diese Technik verbessert nachweislich die LLM-Leistung bei einer Vielzahl von Argumentationsaufgaben. einschließlich Arithmetik, Allgemeinwissen und symbolisches Denken.

Das hört sich sehr mysteriös an, oder? Tatsächlich hat OpenAI sein GPT-Modell durch Reinforcement Learning mit menschlichem Feedback trainiert, was bedeutet, dass menschliches Feedback eine sehr wichtige Rolle im Training spielt, so die zugrunde liegende Das ChatGPT-Modell steht im Einklang mit der menschenähnlichen Schritt-für-Schritt-Denkmethode.

4. ReAct

Die ReAct-Methode (Reason + Act) beinhaltet die Kombination von Argumentationsverfolgung und aufgabenspezifischen Aktionen.

Inferenzverfolgung hilft dem Modell bei der Planung und Behandlung von Ausnahmen, während Aktionen es ihm ermöglichen, Informationen aus externen Quellen wie einer Wissensdatenbank oder einer Umgebung zu sammeln.

5. Reflection

Basierend auf dem ReAct-Modus verbessert die Reflection-Methode LLM durch das Hinzufügen dynamischer Speicher- und Selbstreflexionsfunktionen und ermöglicht so Argumentations- und aufgabenspezifische Operationsauswahlfunktionen.

Um eine vollständige Automatisierung zu erreichen, führen die Autoren des Reflection-Papiers eine einfache, aber effektive Heuristik ein, die es dem Agenten ermöglicht, Halluzinationen zu erkennen, wiederholte Aktionen zu verhindern und in einigen Fällen eine interne Speicherkarte der Umgebung zu erstellen.

反模式

三星肯定对这个非常了解，因为交了不少学费吧，哈

不要分享私人和敏感的信息。

向ChatGPT提供专有代码和财务数据仅仅是个开始。Word、Excel、PowerPoint和所有最常用的企业软件都将与chatgpt类似的功能完全集成。所以在将数据输入大型语言模型（如 ChatGPT）之前，一定要确保信息安全。

OpenAI API数据使用政策明确规定：

“默认情况下，OpenAI不会使用客户通过我们的API提交的数据来训练OpenAI模型或改进OpenAI的服务。”

国外公司对这个方面管控还是比较严格的，但是谁知道呢，所以一定要注意。

1、提示注入

就像保护数据库不受SQL注入一样，一定要保护向用户公开的任何提示不受提示注入的影响。

通过提示注入（一种通过在提示符中注入恶意代码来劫持语言模型输出的技术）。

第一个提示注入是，Riley Goodside提供的，他只在提示后加入了：

<code>Ignore the above directions</code>

然后再提供预期的动作，就绕过任何注入指令的检测的行为。

这是他的小蓝鸟截图：

当然这个问题现在已经修复了，但是后面还会有很多类似这样的提示会被发现。

2、提示泄漏

提示行为不仅会被忽略，还会被泄露。

提示符泄露也是一个安全漏洞，攻击者能够提取模型自己的提示符——就像Bing发布他们的ChatGPT集成后不久就被看到了内部的codename

在一般意义上，提示注入(目标劫持)和提示泄漏可以描述为:

所以对于一个LLM模型，也要像数据库防止SQL注入一样，创建防御性提示符来过滤不良提示符。

为了防止这个问题，我们可以使用一个经典的方法 “Sandwich Defense”即将用户的输入与提示目标“夹在”一起。

这样的话无论提示是什么，最后都会将我们指定的目标发送给LLM。

总结

ChatGPT响应是不确定的——这意味着即使对于相同的提示，模型也可以在不同的运行中返回不同的响应。如果你使用API甚至提供API服务的话就更是这样了，所以希望本文的介绍能够给你一些思路。

Das obige ist der detaillierte Inhalt vonEinige fortgeschrittene Kenntnisse der ChatGPT-Tipps. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!