Beberapa pengetahuan lanjutan tentang petua ChatGPT

Sebagai antara muka model bahasa (LLM) yang besar, ChatGPT mempunyai potensi yang mengagumkan, tetapi penggunaan sebenar bergantung pada gesaan kami (Prompt yang baik boleh mempromosikan ChatGPT ke tahap yang lebih baik).

Dalam artikel ini, kami akan membincangkan beberapa pengetahuan lanjutan tentang gesaan. Sama ada anda menggunakan ChatGPT untuk perkhidmatan pelanggan, penciptaan kandungan atau hanya untuk keseronokan, artikel ini akan memberi anda pengetahuan dan petua untuk menggunakan petua pengoptimuman ChatGPT.

Pengetahuan latar belakang

Pengetahuan seni bina LLM adalah prasyarat untuk tip yang baik kerana ia memberikan pemahaman asas tentang struktur dan kefungsian asas model bahasa , yang penting untuk mencipta gesaan yang berkesan.

Adalah penting untuk memberikan kejelasan kepada isu yang samar-samar dan mengenal pasti prinsip teras yang menterjemah merentas senario, jadi kita perlu mentakrifkan dengan jelas tugas yang sedang dijalankan dan menghasilkan gesaan yang boleh disesuaikan dengan mudah kepada konteks yang berbeza. Pembayang yang direka dengan baik ialah alat yang digunakan untuk menyampaikan tugas kepada model bahasa dan membimbing outputnya.

Jadi mempunyai pemahaman yang mudah tentang model bahasa dan pemahaman yang jelas tentang matlamat anda, ditambah dengan sedikit pengetahuan dalam bidang, adalah kunci untuk melatih dan meningkatkan prestasi model bahasa.

Lebih banyak gesaan dan pemulangan, lebih baik?

Tidak begitu, gesaan yang panjang dan intensif sumber, ini mungkin tidak kos efektif, dan ingat chatgpt mempunyai had perkataan, memampatkan permintaan segera dan mengembalikan hasil adalah bidang yang sangat baru muncul, kita perlu belajar untuk menyelaraskan soalan . Dan kadangkala chatgpt akan membalas dengan beberapa perkataan yang sangat panjang dan tidak asli, jadi kami juga perlu menambah sekatan padanya.

1. Kurangkan panjang balasan

Untuk mengurangkan panjang balasan ChatGPT, sertakan had panjang atau aksara dalam gesaan. Untuk menggunakan kaedah yang lebih umum, anda boleh menambah kandungan berikut selepas gesaan:

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

Ambil perhatian bahawa kerana ChatGPT ialah model bahasa Inggeris, gesaan yang diperkenalkan kemudian menggunakan bahasa Inggeris sebagai contoh.

Beberapa lagi petua untuk memudahkan keputusan:

Tiada contoh diberikan

Satu contoh disediakan

dsb.

Cara Berfikir

Cara terbaik untuk menjana teks dengan ChatGPT bergantung pada tugas khusus yang kami mahu LLM lakukan. Jika anda tidak pasti kaedah yang hendak digunakan, cuba kaedah yang berbeza untuk melihat kaedah yang paling berkesan. Kami akan meringkaskan 5 cara berfikir:

1 Rantaian-Pemikiran

Kaedah rantaian-pemikiran melibatkan menyediakan ChatGPT dengan beberapa contoh langkah penaakulan perantaraan yang boleh digunakan untuk menyelesaikan. masalah tertentu.

2. Menyoal sendiri

Kaedah ini melibatkan model secara eksplisit bertanya sendiri (dan kemudian menjawab) soalan susulan sebelum menjawab soalan awal.

3. Pemikiran langkah demi langkah

Kaedah langkah demi langkah boleh menambah petua berikut pada ChatGPT<.>

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

Ini Teknik ini telah ditunjukkan untuk meningkatkan prestasi LLM pada pelbagai tugas penaakulan, termasuk aritmetik, akal sehat dan penaakulan simbolik.

Ini kedengaran sangat misteri, bukan? maklum balas manual memainkan peranan yang sangat penting dalam latihan, jadi model asas ChatGPT adalah konsisten dengan kaedah pemikiran langkah demi langkah seperti manusia.

4. ReAct

Kaedah ReAct (Reason + Act) melibatkan penggabungan penjejakan penaakulan dan tindakan khusus tugas.

Surian inferens membantu model merancang dan mengendalikan pengecualian, manakala tindakan membolehkannya mengumpul maklumat daripada sumber luar seperti pangkalan pengetahuan atau persekitaran.

5 Refleksi

Berdasarkan mod ReAct, kaedah Reflection meningkatkan LLM dengan menambahkan memori dinamik dan fungsi refleksi kendiri - ia boleh dibuat alasan dan spesifik Keupayaan untuk memilih operasi untuk tugasan.

Untuk mencapai automasi penuh, pengarang kertas Refleksi memperkenalkan heuristik yang mudah tetapi berkesan yang membolehkan ejen mengenal pasti halusinasi, menghalang tindakan berulang dan dalam beberapa kes mencipta memori dalaman gambar persekitaran.

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。

Atas ialah kandungan terperinci Beberapa pengetahuan lanjutan tentang petua ChatGPT. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!