Làm thế nào để đặt câu hỏi Chatgpt hiệu quả?

Điều này không khó đối với chúng tôi, đến mức bạn cần phải tham gia một khóa đào tạo chuyên nghiệp. Chỉ cần dành một chút thời gian để học, tôi tin rằng bạn sẽ biết cách sử dụng LLM của mình.
Thực ra, sau khi nghiên cứu lĩnh vực nhỏ này, tôi nhận ra rằng việc đặt câu hỏi luôn rất quan trọng, nhưng chỉ thông qua sự xuất hiện của Prompt Engineering, tôi mới thực sự nghiêm túc về cách tôi giao tiếp với đồng nghiệp của mình hàng ngày vì 20% các hoạt động mà tôi sắp nói đến có thể được áp dụng trong 80% giao tiếp hàng ngày — một kỹ năng mềm mà bất kể bạn làm công việc gì, bạn cũng cần phải có. Có rất nhiều loại lời nhắc khác nhau, tôi sẽ chỉ đề cập đến một số ít mà tôi thường sử dụng.

• Tìm hiểu thêm về cách mua tài khoản Chat GPT 4 chính hãng như thế nào? 

Lời nhắc thực tế

Mẫu câu trả lời: định dạng câu trả lời LLM theo mẫu bạn muốn và sử dụng làm mẫu cho các câu trả lời tiếp theo.

Bạn chỉ cần cho LLM biết ký hiệu nào cần nhập. Ví dụ, nội dung nằm ở đâu trong hoặc <>, hoặc ().

Mẫu tinh chỉnh câu hỏi: áp dụng một điều kiện (điều kiện toàn cục) cho các câu hỏi trong tương lai

Từ bây giờ, bất cứ khi nào tôi hỏi một câu hỏi về ABC, hãy làm XYZ

Ví dụ: Bất cứ khi nào tôi hỏi một câu hỏi về chế độ ăn kiêng, hãy gợi ý một phiên bản câu hỏi hay hơn nhấn mạnh vào thói quen ăn uống lành mạnh và dinh dưỡng hợp lý. Hãy hỏi tôi câu hỏi đầu tiên để tinh chỉnh.

Mẫu xác minh nhận thức: áp dụng các câu hỏi liên quan bổ sung cho LLM để trả lời tốt hơn. Nghĩa là, yêu cầu LLM tìm ra bối cảnh chính xác của bạn để cung cấp cho bạn câu trả lời phù hợp nhất.

Ví dụ:

Khi được hỏi một câu hỏi, hãy tuân theo các quy tắc sau:

Tạo ra một số câu hỏi bổ sung có thể giúp trả lời câu hỏi chính xác hơn

Kết hợp các câu trả lời cho từng câu hỏi để đưa ra câu trả lời cuối cùng cho câu hỏi chung

Mẫu đối tượng khán giả: cũng cung cấp bối cảnh, nhưng thêm đối tượng khán giả nhận được câu trả lời — mục tiêu là để anh chàng đó điều chỉnh mức độ phức tạp trong cách LLM giải thích cho anh ta.

Giải thích X cho tôi. Giả sử tôi là Persona Y.

Mô hình tương tác đảo ngược: Tôi có một mục tiêu, bây giờ tôi muốn LLM gợi ý cho tôi nhưng có nhiều lựa chọn, bằng cách: để LLM thu thập bối cảnh của tôi (bằng cách hỏi tôi) và tôi đưa ra câu trả lời, liên tục và dần dần tinh chỉnh cho đến khi đạt được mục tiêu này.

Ví dụ: Bây giờ tôi không thể vào anime47 để xem phim. Chỉ cần hỏi tôi bạn cần gì cho đến khi tôi vào được trang này. Bây giờ hãy hỏi câu hỏi đầu tiên.

Điểm chung của những loại câu hỏi này là cung cấp bối cảnh cụ thể nhất có thể, giảm khả năng đưa ra câu trả lời sai hoặc câu trả lời chung chung.

2. Những lời nhắc nhở hiệu quả

Dựa trên những điểm yếu của LLM, những lời nhắc nhở hiệu quả được tạo ra để khắc phục những điểm yếu đó. Bây giờ chúng ta hãy đi sâu vào từng loại lời nhắc nhở để xem những điểm yếu của LLM và cách xử lý chúng.

Bạn hướng dẫn ChatGPT trả lời theo đúng định dạng để nó có thể tự tìm ra sự thật. Lời nhắc tiếp theo, bạn chỉ cần nhập:
Đầu vào: Bộ phim này thật điên rồ
ChatGPT sẽ cung cấp cho bạn kết quả cảm tính
Một ví dụ khácVí dụ về Few-shot: Giải quyết định dạng đầu ra của câu trả lời. Minh họa rõ ràng trong ví dụ dưới đây:

Chuỗi suy nghĩ thúc đẩy

Trong cuốn sách What is ChatGPT , tác giả Wolfram đã nói một ý tưởng rất quan trọng về điểm yếu của LLM. Như tất cả các bạn đều biết cách thức hoạt động của nó: đưa ra từ tiếp theo bằng cách sử dụng các từ trước đó làm đầu vào. Một cái gì đó tương tự như vậy. Và đó là lý do tại sao các câu hỏi logic và tính toán là điểm yếu của nó (Ngoài thực tế là nó thiếu dữ liệu để đưa ra câu trả lời chuẩn, tôi chắc chắn rằng điều này sẽ ngày càng được cải thiện trong các phiên bản tiếp theo). theo LLM). Ví dụ nhỏ:

Bạn có nghĩ đó là câu trả lời đúng không? Câu trả lời nên là gì? Buổi hòa nhạc đã bị hoãn lại một ngày từ ngày 1 tháng 6 năm 1943, vì vậy nó diễn ra vào hôm nay, nghĩa là hôm nay là ngày 2 tháng 6 năm 1943. 10 ngày trước hôm nay là ngày. Ngày 23 tháng 5 năm 1943 là đúng. Sau đó, tôi đã điều chỉnh một chút trong cài đặt

Bây giờ tôi hỏi lại. Lần này ChatGPT đưa ra suy luận sau:

Có lẽ bạn đang cố gắng hỏi câu hỏi này bằng phiên bản 3.5, đúng không? :v Có thể với một số bạn, nó sẽ trả lời đúng, điều này phụ thuộc vào cài đặt bạn áp dụng cho ChatGPT. Hoặc nếu bạn không thích độ dài xuất hiện trong mọi câu hỏi với ChatGPT, bạn hoàn toàn có thể tạo lời nhắc của riêng mình trong cuộc trò chuyện đó.

Nguyên lý là nó sẽ suy luận chậm rãi và kết nối các dấu chấm để đưa ra câu trả lời — tức là đưa ra chuỗi suy luận — chuỗi suy nghĩ. Bạn tưởng tượng rằng thay vì chúng ta tính toán trong đầu, nó sẽ suy nghĩ thành tiếng. Giống như trong câu hỏi đầu tiên, nó đưa ra câu trả lời, có thể chỉ dựa trên một vài manh mối như: Ngày của 10 ngày trước tính từ hôm nay là bao nhiêu?
Kết quả không chính xác. Sau đó, chúng tôi yêu cầu ChatGPT làm rõ bối cảnh đó, sau đó trả lời và tất nhiên bối cảnh cụ thể hơn có nghĩa là câu trả lời có khả năng chính xác cao hơn.

Nhắc nhở ReAct

Ngoài điểm yếu về tính toán và tư duy logic, LLM còn gặp khó khăn trong lý luận và hành động (*). Bất cứ nơi nào bị tổn thương, thì đó là nơi nó chữa lành, đúng không? ReAct prompting là sự kết hợp giữa lý luận (ví dụ như chuỗi suy nghĩ) và hành động (ví dụ như tạo kế hoạch hành động).

ReAct trình bày một khuôn khổ toàn diện tích hợp cả lý thuyết và hành động trong LLM. Nó hướng dẫn LLM tạo ra cả lý luận và hành động cụ thể cho một nhiệm vụ nhất định. Cách tiếp cận kép này cho phép LLM đưa ra lý luận linh hoạt hơn, cho phép liên tục xây dựng và tinh chỉnh hành động phù hợp. và hành động cụ thể cho một nhiệm vụ nhất định. Đồng thời, nó tạo điều kiện cho tương tác với các nguồn bên ngoài (như Wikipedia), do đó tích hợp thông tin mới vào quá trình suy luận. Hình minh họa được cung cấp minh họa phương pháp ReAct, cho thấy các bước khác nhau mà nó sử dụng trong các tình huống trả lời câu hỏi.

Sử dụng cách tiếp cận này, LLM cung cấp các câu trả lời hợp lý hơn, giảm ảo giác so với chuỗi suy nghĩ và có xác suất cao hơn để nhận được câu trả lời đúng. Trên thực tế, đối với tôi, nó phụ thuộc vào Trong ReAct này, mọi thứ đều nghiêng về kỹ thuật nhắc nhở hơn là bạn tối ưu hóa câu hỏi của mình để nó trả lời nhanh chóng, và sau đó bạn chuyển sang các nhiệm vụ khác, vì trên thực tế, chúng ta không muốn lãng phí thời gian vào các hướng dẫn. LLM cần làm gì? Cần rất nhiều kiên nhẫn để đi đến phần chuỗi suy nghĩ, phải không :)) Tôi đã thử nhắc nhở ReAct trên ChatGPT 4.0 và 3.5, ChatGPT không thể đưa ra câu trả lời theo định dạng. Tại sao tại sao? Tôi muốn để nơi này mở, với tư cách là người dùng LLM, tôi cũng muốn biết liệu các phiên bản sau đã được sửa tốt để chỉ tập trung vào các tác vụ chung của người dùng cuối hay chưa, vì vậy đó là câu trả lời. chỉ chia sẻ cùng một định dạng chuỗi suy nghĩ.

Vì vậy, chỉ riêng với ChatGPT, so với phiên bản 3.0, phiên bản 3.5 và 4.0 đã cải thiện đáng kể khả năng tính toán logic, lý luận và ra quyết định. Nhưng nếu chúng ta có một số nhiệm vụ phức tạp hơn cần sự trợ giúp của LLM, tôi tin rằng một lời nhắc tốt sẽ không thừa.

Kết luận

Hôm nọ tôi có cơ hội tham gia một cuộc thi nghiên cứu và được nhóm kỹ sư AI của Google giới thiệu về Gemini. So với ChatGPT, tôi nghĩ Gemini có nhiều tính năng thú vị và đáng thử. Họ giới thiệu cho tôi một khái niệm khá mạnh mẽ mà tôi chưa từng thấy trên ChatGPT 4.0: Đa phương thức — khả năng xử lý thông tin ở nhiều định dạng khác nhau (video, hình ảnh và văn bản cùng lúc) và đưa ra câu trả lời của Gemini. thực sự gây ấn tượng với tôi, nhưng cũng không có gì đáng ngạc nhiên.

Thay vì tự ảo tưởng về việc LLM có nhiều lỗi như thế nào, chúng tệ đến mức nào, chúng không thể thay thế lực lượng lao động của con người trong bao lâu, tôi thấy những gì cần phải làm nhiều hơn là biết cách sử dụng chúng, vì chúng được tạo ra để sử dụng. để hỗ trợ chúng ta. Công việc của tôi thực sự được đẩy nhanh và chất lượng tốt hơn nhiều nhờ LLM. Khi tôi sao chép mã lỗi và rác của mình vào đó, tôi cảm thấy nhẹ nhõm vì không phải căng mắt ra tìm và tổng hợp từ nhiều nguồn khác nhau. như tôi đã làm cách đây 1-2 năm. Tuyệt vời phải không mọi người?

Sau đó, việc tìm kiếm bằng LLM một ngày nào đó sẽ trở thành thói quen của chúng ta. Hãy bắt đầu bằng một tìm kiếm hiệu quả.