系统地测试更改 如果你能测量它，提高性能就更容易了。在某些情况下，对提示的修改将在一些孤立的例子中实现更好的性能，但在一组更具代表性的例子上会导致整体表现更差。因此，为了确保变化对性能是净正的，可能需要定义一个全面的测试套件（也称为“评估”）。 有时很难判断变化——例如，新指令或新设计——是否使您的系统变得更好或更糟。看几个例子可能会暗示哪个更好，但样本量小，很难区分真正的改进或随机运气。也许这种变化有助于一些输入的性能，但损害了其他输入的性能。 参考黄金标准答案评估模型输出 假设知道一个问题的正确答案应该参考一组特定的已知事实。然后，我们可以使用模型查询来计算答案中包含多少必要的事实。 较...

使用外部工具 通过向GPT提供其他工具的输出来补偿GPT的弱点。例如，文本检索系统可以告诉GPT相关文档。代码执行引擎可以帮助GPT进行数学和运行代码。如果一项任务可以通过工具而不是GPT更可靠或高效地完成，请卸载它以充分利用两者。 使用基于嵌入的搜索来实现高效的知识检索 如果作为其输入的一部分提供，模型可以利用外部信息来源。这可以帮助模型产生更明智和最新的响应。例如，如果用户询问有关特定电影的问题，则在模型的输入中添加有关电影的高质量信息（例如演员、导演等）可能是有用的。嵌入可用于实现高效的知识检索，以便在运行时动态地将相关信息添加到模型输入中。 文本嵌入是一种可以测量文本字符串之间相关性的...

给GPT时间“思考” 如果要求将17乘以28，你可能不会立即知道，但仍然可以随着时间的推移而解决。同样，GPT在试图立即回答时会犯更多的推理错误，而不是花时间来找出答案。在答案之前询问一连串的推理可以帮助GPT更可靠地找到正确答案。 1 在匆忙得出结论之前，指示模型制定自己的解决方案 有时，当我们在得出结论之前明确指示模型从第一原则进行推理时，我们会得到更好的结果。例如，假设我们想要一个模型来评估学生对数学问题的解决方案。最明显的方法是简单地询问模型学生的解决方案是否正确。 较糟糕的例子：“一个人从10米高的楼顶掉下来，他会受伤吗？” 较好的例子：“请制定一个模型与解决方案，来确定一个人从...

将复杂的任务拆分为更简单的子任务 正如软件工程中将复杂系统分解为一组模块化组件的良好做法一样，提交给GPT的任务也是如此。复杂的任务往往比简单的任务具有更高的错误率。此外，复杂的任务通常可以重新定义为更简单任务的工作流程，其中使用早期任务的输出来构建后续任务的输入。 1. 使用意图分类来识别与用户查询最相关的说明 对于需要大量独立指令集来处理不同情况的任务，首先对查询类型进行分类并使用该分类来确定需要哪些指令是有益的。这可以通过定义与处理给定类别中的任务相关的固定类别和硬编码指令来实现。这个过程也可以递归地应用于将任务分解成一系列阶段。这种方法的优点是，与使用单个查询执行整个任务相比，每个查询...

写清楚说明详细（占比80%） GPT无法读懂你的思想。如果输出太长，请要求简短的回复。如果输出太简单，请要求专家级写作。如果您不喜欢这种格式，请演示您想要看到的格式。GPT猜测你想要什么的次数越少，你得到它的可能性就越大。 1.尽可能地提供足够的细节，让它知道你想要什么样的答案。 为了获得高度相关的响应，请确保请求提供任何重要的细节或上下文。否则，你让模型来猜测你的意思。 较糟糕的例子：“写一首歌” 较好的例子：“写一首英文流行歌，长度为三分钟左右，主题是爱情，有四个段落，每个段落有四行歌词，每行歌词有八个音节左右。” 2.要求模型扮演特定角色 系统消息可用于指定模型在其回复中使...