ChatGPT 之赋能提示词工程

原文：Chatgpt Empowers Your Prompt Engineering with AI Tools

译者：飞龙

协议：CC BY-NC-SA 4.0

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

介绍

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

在当今这个时代，设计和人工智能工具对于企业在不断发展的市场中蓬勃发展至关重要。ChatGPT 为探索一系列可能性提供了机会，这些可能性可以帮助将您的设计项目提升到一个新的水平。本电子书将指导您如何利用 ChatGPT 的力量优化您的设计流程并最大化生产效率。

人工智能（人工智能）技术在设计任务中的协调已经改变了企业处理简报设计的方式。随着强大的自然语言处理（NLP）工具的出现，例如 ChatGPT，企业现在可以利用人工智能驱动的对话专家来优化流程，提高效率并改善协作。

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

这本名为“ChatGPT Engages Your Brief Designing with man-made intelligence Devices - Releasing Limitless Potential outcomes”的电子书探讨了企业如何利用 ChatGPT 的力量改变他们的设计任务。从自动化例行任务到实现更好的导航，该电子书为将 ChatGPT 整合到设计工作流程中提供了全面指南。

涵盖了一系列主题，包括在设计项目中利用 ChatGPT 的好处，整合人工智能工具的最佳实践，使用 ChatGPT 的企业的真实案例以及围绕在设计中使用人工智能的道德考虑。

在这本电子书的结尾，读者将对 ChatGPT 如何与模拟智能工具结合起来推动简报设计有着坚实的理解，并且了解其中无限的可能性。

第一章：

理解提示工程

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

通过 ChatGPT 发挥提示工程的全部潜力的全面指南

提示工程的定义：

简要工程是自然语言处理（NLP）概念，涉及发现产生期望或有用结果的输入。挑战相当于告诉神奇灯中的大师该做什么。在这种情况下，神奇灯是 DALL-E，训练用于生成您希望的任何图像。

通过挑战进行内部学习

在科学中，发展是一个复杂的属性，其中聚集在一起的部分，由于它们的相互作用的结果，展示出新的行为方式（称为新的），你无法在更小的尺度上看到。更令人难以置信的是，即使更小尺度的版本看起来与更大尺度相似，更大尺度包含更多的部分和相互作用，最终展示出完全不同的行为方式。

此外，绝对没有办法预测这种行为会是什么。这就是规模的美丽之处！在最近的人工智能革命中，最有趣的方面是规模运作的人工智能模型的新兴属性。

而一切始于能够以单一方式训练这些人工智能模型。毫无疑问，单一学习一直是这场人工智能革命的重要基础之一，它解开了过去几年人工智能进展的枷锁。

在 2017 年之前，大多数人工智能通过使用小型、结构化的数据集进行有监督学习，这些数据集可以在非常狭窄的任务上训练 AI 模型。2017 年后，随着一种称为 transformer 的新架构的出现，事情开始发生变化。这种新架构可以与无监督学习方法一起使用。AI 模型可以在一个非常庞大、非结构化的数据集上进行预训练，目标能力非常简单：文本到消息的预测。

令人兴奋的视角是，AI 模型为了找出如何适当执行文本到消息的预期（看起来可能是一个非常简单的任务），开始学习大量关于其训练数据的示例和启发式规则。这使得 AI 模型能够学习各种各样的任务。

与尝试执行单个任务不同，大型语言模型开始从数据中推断模式，并在执行新任务时再次使用这些模式。这是一个核心革命。此外，随着 GPT-3 论文的出现，另一个转折点是能够引导这些模型。简而言之，它使这些模型能够通过自然语言指导进一步学习用户的背景，这可能会极大地改变模型的结果。

这种另一视角也是显现的，因为没有人明确要求它。因此，这就是我们通过挑战作为当前人工智能模型的核心，得到内部学习的方式。简洁设计是最近人工智能范式的一个关键、显现的属性。

人工智能商业模式：

简洁设计中最有趣的部分之一是它作为将变压器架构扩展到训练大型语言模型的新兴属性而出现。就像你表达的期望可能会出卖你一样，当你向机器简要说明时，你表达它需要做什么的方式可以决定性地改变结果。

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

最有趣的部分是什么？挑战并不是人工智能专家创造的功能。它是一个不断发展的特征。简而言之，通过开发这些庞大的人工智能模型，挑战成为让机器执行输入的方法。

没有人要求它；它只是奏效了！

在 2021 年的一篇论文中，斯坦福的专家们强调了基于变压器的模型已经成为基本模型。

中心模型人工智能：

如在一篇类似的论文中所解释的；

人工智能的故事一直是不断崛起和同质化的过程。随着人工智能的引入，企业的执行方式从模型中产生（被自然解释）；通过深度学习，用于预测的明显级别要素出现；通过基础模型，甚至高级功能，如内部学习出现。同时，人工智能同质化了学习算法（例如，战略回归），深度学习同质化了模型结构（例如，卷积脑组织），基础模型同质化了模型本身（例如，GPT-4）。

简洁设计是人工智能中使用的一种过程，其中一个或多个任务完全转换为基于简报的数据集，然后训练语言模型学习。简洁设计的动机可能在表面上难以理解，因此让我们用一个例子来描述这个概念。想象一下，你正在设计一个在线食品配送平台，你有成千上万张不同蔬菜的图片要放在网站上。

主要问题在于，没有一张图片的元数据描述了哪些蔬菜在哪些照片中。此时，你可以枯燥地整理图片并将土豆照片放在土豆文件夹中，西兰花照片放在西兰花文件夹中，依此类推。

你也可以通过分类器运行所有图片，以便更轻松地对它们进行分类，但是，正如你所发现的，训练分类器模型实际上需要有标记的数据。利用简要设计，你可以撰写一个基于文本的简要，你认为会产生最佳的图片分类结果。

例如，你可以建议模型展示“包含土豆的图片”。这个简要设计 - 或者描述模型如何感知图片的解释 - 对于激发设计至关重要。撰写最佳简要在许多情况下是一个试验的问题。可以肯定的是，“包含土豆的图片”这个简要与“土豆的照片”或“一堆土豆”非常独特。

简要设计推荐程序：

像大多数循环一样，信息源的质量决定了结果的质量。设计成功的提示可以提高模型返回既理想又相关的响应的概率。撰写出色的提示涉及弄清楚模型对世界的“了解”，然后相应地应用这些信息。

一些人认为这类似于幽默游戏，演员给予他们的搭档足够的信息，以便他们能够猜出构成他们思维的单词或短语。将模型视为在行动中回答搭档。通过训练简要提供给模型足够的信息来解决模式并完成任务。

过度负担模型并立即干扰其正常的洞察流是没有意义的。简要设计和 Clasp 模型

Clasp（对比语言-图片预处理）模型是由人工智能研究实验室 OpenAI 于 2021 年开发的。

据研究人员称，Clasp 是“在各种（图片，文本）匹配上训练的大脑网络。它可以用日常语言告诉模型，在给定一张图片的情况下，预测最重要的文本部分，而不是直接为任务优化，类似于 GPT-2 和 3 的零-shot 能力。”

基于一个大脑网络模型，Clasp 在超过 4 亿个图片文本匹配上进行了训练，其中包括一张图片与一个标题相匹配。利用这些数据，可以向模型添加一张图片，它将生成一个它认为最准确的标题或摘要。上述引用还涉及到 Clasp 的零-shot 能力，这使其在 AI 模型中有些独特。

大多数经过训练以识别苹果和橙子的分类器，例如，据说在定义苹果和橙子方面表现良好，但通常无法识别香蕉。

一些模型，包括 Clasp、GPT-2、GPT-3 和 GPT-4 可以识别香蕉。换句话说，它们可以执行它们没有明确训练的任务。这种能力被称为零样本学习。

提示工程的例子：

从 2022 年开始，人工智能模型的发展正在加速。这使得提示工程变得越来越重要。

我们已经通过像 GPT-3、BERT 等语言模型实现了文本到文本的转换。

然后，我们有了 Dall-E、Imagen、MidJourney 和 StableDiffusion 的文本到图片。

在这个阶段，我们正在向 Meta 的 Make-A-Video 转变为文本到视频，目前谷歌正在开发自己的 Imagen Video。

当今引人注目的人工智能模型专注于用更少的资源实现更多！一个模型是 DreamFusion：使用 2D 分发进行文本到 3D，由谷歌研究实验室开发。简而言之，分发模型是生成模型，意味着它们生成与它们训练的数据类似的结果。此外，分发模型通过向训练数据添加噪声并通过恢复该数据的逆噪声过程来生成结果。

由谷歌研究开发的 DreamFusion 可以将文本翻译成 3D 图片，而无需拥有大规模的标记 3D 数据集（目前不可用）。

这就是事情的全貌！

正如研究小组所发现的；

调整这种方式以处理 3D 联合将需要大量命名的 3D 信息数据集和有效的去噪 3D 信息模型，目前两者都不存在。在这项工作中，我们通过利用预训练的 2D 文本到图片分发模型来执行文本到 3D 联合，避开了这些限制。

为什么这很重要？

在一个主要基于文本或 2D 图片的网络已经存在了 20 多年的情况下，现在是启用增强图形（如在 AR 环境中能够很好地运行的 3D）的理想时机。简而言之，想象一下你戴着谷歌的 AR 眼镜，这些人工智能模型可以改善现实世界，通过即时生成 3D 物体，从而使您能够创建更加引人入胜的 AR 体验。

Meta 人工智能，一个制作视频的人工智能系统，被提供了一个简短的任务，机器返回了一个短格式视频。

OpenAI 同时宣布与 Murmur 进行对话。综合起来，这些人工智能模型将建立一个多模块环境，一个人或小团队可以利用这些工具进行内容生成、电影制作、医学等等！这意味着一些以前无法进入的行业变得更容易适应，因为进入障碍被消除了。

可以更快地测试/部署/强调，从而使市场更快地发展。如果在互联网发展近 30 年后，仍然有许多行业（从医疗保健到教育）被困在旧范式中。十年的人工智能可能会完全重组它们。每个人工智能模型将以相同的方式被激发，但激发机器的方式可能有微妙的差别，以至于机器可以通过短暂的变化产生各种结果。

强大的人工智能为开源人工智能融资 1.01 亿美元。Jasper 人工智能，一家正在开发所谓的“人工智能内容”平台的初创公司，以 15 亿美元的估值筹集了 1.25 亿美元。Jasper 目前正在收购人工智能初创公司 Outwrite，这是一个拥有超过 100 万用户的拼写和风格检查器。OpenAI，估值近 200 亿美元，正在与微软进行更多融资的高级谈判。今天，通过挑战，您可以产生越来越多的结果。

开放人工智能用例：

OpenAI 的一些用例，可以通过提示生成。从问答到分类器和代码生成器。通过提示，人工智能所能实现的用例数量正在急剧增长。

另一个很酷的应用？您可以通过提示设计自己的鞋子：

激发 DreamStudio 人工智能设计了几双定制鞋；

11 月 30 日，OpenAI 发布了 ChatGPT。一个具有出色能力的对话人工智能。当我尝试 ChatGPT 时，它令人惊叹！我用它来生成工作描述。通过简单的提示，它在几秒钟内为我提供了非常准确的结果！这让我意识到这是人工智能的又一个转折点……而这还不是全部，确实，人工智能的最新范式是它可以编码得非常出色！

什么是 ChatGPT？

ChatGPT 是一个工具，结合了 GPT-3 模型和一个名为 InstructGPT 的额外模型，通过从人类反馈中获得支持来进行校准，使其比 GPT 更强大。使用 ChatGPT，您可以在任何主题上找到任何答案（但对于这个 Beta 版本，它被限制在不同领域）。这还远远不止这些。

使用 ChatGPT，你可以将自己变成一个编码者。你所需要的只是挑衅！

在这里，我挑衅 ChatGPT 为股票交易网络应用程序创建代码！

ChatGPT 如何赚钱：

ChatGPT 采用了一个免费模型，其中包括有限功能的免费版本和一个高级版本（从每月 20 美元起），该版本还包括在繁忙时段的访问、更快的响应时间以及对新功能和改进的早期访问。

一个简要设计师赚多少钱？

在人工智能（buzz）和革命之中，一个简要设计师每年可以赚取 150-300 美元。作为一个有趣的例子，一个简要专家和策展人的工作职位似乎是这样的。

OpenAI 如何运作？

这是一个简要设计模型，其中包含一些最佳实践，包括在交互中；

电视退款给客户；

想象一下，一个客户联系一个电子公司，要求退还他们最近购买的电视的款项。公司需要使用一个模型，通过生成一个可能的回应来帮助客户关怀部门。在一次试验尝试中，一个假设或“测试”客户通过以下问题联系公司：嗨，我想要为我购买的电视退还款项。这可能吗？

为了设计简要，以及有用的方式，专家可以与客户互动，公司首先通过说明一般背景和简要的其余部分来启动模型。

简要可能会这样写：这是一个有用和有礼貌的客户与客户关怀专家之间的对话。客户的问题：我想要为购买的电视退还一笔合理的款项。这可能吗？

由于现在已经很明显可以预料到的情况，它展示了它应该向客户提供的反应的开始：客户关怀专家的反应：嗨，我们感谢您与我们联系。实际上，将简要说明的第一部分和第二部分结合起来，解释了客户问题的反应来自客户关怀专家，并且反应应该是积极的。

上述情况可以通过对实际模型的部分进行表征来总结：

任务描述 - 这是一个有用和礼貌的客户与客户关怀专家之间的对话。

输入标记 - 客户的问题。

当前数据，以及

输出标记 - 客户关怀专家的反应：嗨，我们感谢您与我们联系。实际上，

请注意，数据和结果标记是描述向模型描述所需任务的有效方法 - 尤其是当简要中包含多个模型时。基于此，模型可能会产生三个消息输出（称为完成）来完成逗号后的句子：

是的，如果电视未使用、未开封且未损坏，我们可以接受退货。

是的，我们很高兴为您的电视购买处理退款。但是，请注意我们需要将电视退回到您最近的商店。

是的，这是可能的。请在可能的情况下回复您的姓名、地址、电话号码和收据号码。我们的客户服务人员将尽快与您联系。

尽管这是一个相当完善的方法，显然在这个模型中，模型只通过少数客户支持交互就解释了一些可能的完成情况。理论上，设备公司可以通过示例来调整模型，说明它应该如何回答特定问题、请求和评论。

数据分析：

简要工程是自然语言处理（NLP）的一个概念，涉及查找产生期望或有用结果的输入。与大多数过程一样，输入的质量决定了简要工程结果的质量。设计有效的提示可以提高模型返回既理想又符合上下文的响应的可能性。由 OpenAI 开发的 Clasp（对比语言-图像预处理）模型是一个利用提示对超过 4 亿个图像标题匹配进行分类的模型的示例。

阅读下一篇：人工智能芯片，人工智能商业模式，企业人工智能，人工智能产业价值多少？，人工智能经济。

人工智能与机器学习

人工智能的总结包括可以独立处理各种任务的设备或系统。总结的人工智能的扩展最终导致了人工智能的发展。作为对模拟智能的扩展，人工智能（ML）研究一系列计算机算法，以创建一个自动化操作的程序。在没有明确编程操作的情况下，系统可以学习并改进总体智能。它通过学习来探索大量数据，以找到常见模式并设计数学模型。

AIOPS

AIOps 是将人工智能应用于 IT 运营的过程。在混合、分布和动态环境中，AIOps 对现代 IT 管理尤为有用。AIOps 已成为现代数字化组织的重要实用组成部分，围绕软件和算法构建。

人工智能

MLOPS

人工智能运营（MLOps）描述了一套有效帮助企业运行人工智能的最佳实践。它包括创建、运行和维护人工智能模型的能力、工作流程和流程，以支持组织内的各种运营流程。

持续智能

商业知识模型已经发展到持续洞察，其中动态创新框架与不间断的安排和交付相结合，以提供持续的洞察。简而言之，在云中提供的软件将与公司的数据集成，利用人工智能/机器学习实时为组织可能遇到的最新问题提供答案。

持续创新

这是一个需要持续反馈循环来培养有意义产品和建立适当商业模式的过程。持续创新是一种心态，产品和服务被设计和交付以围绕客户的关注点进行调整，而不是其领导者的技术解决方案。

创新建模

技术建模是一种为企业提供支持创新的基础的学科，从而产生稳定的产品。同时，还要关注领先的创新产品，可以为长期成功铺平道路。在一种自由权重系统中，技术建模建议采取双重方法，一方面，持续支持创新作为商业模式的核心部分。另一方面，它押注未来的发展，有可能突破并取得飞跃。

商业设计

为什么简洁设计在任何业务中都很重要？

挑战是一种与人工智能系统进行交流以激发其执行特定任务的方法。它涉及向人工智能提供一组指令，称为提示，以指导它。这些提示可以从简单的问题到更复杂的指令集。挑战的目标是通过为其提供清晰简洁的指令来引导人工智能朝着期望的结果发展。

简洁设计对计算机程序员、组织以及所有人都很重要。原因如下：

它允许与人工智能系统进行有效沟通：通过了解如何制定有效提示，用户可以更好地利用人工智能系统的能力。

提高效率：组织可以利用简洁设计快速准确地生成特定语言输出，简化其操作并减少在重复任务上花费的时间。

改善个性化：通过创建直接满足用户需求和偏好的语言输出，企业可以提供更个性化的体验，建立信任和忠诚度。

进一步提高性能：简洁设计可以帮助优化人工智能系统的性能，提高其整体效果。

人工智能的道德和负责任使用：简要设计对引导语言模型生成可靠、道德和价值平衡的输出至关重要。通过精心创建提供给语言模型的输入，组织可以确保人工智能技术得到负责任和道德的使用。

总之，简要设计是任何希望有效与人工智能系统进行交流并发挥其最大潜力的人所必备的关键技能。通过了解如何创建有效的提示，用户可以更好地利用人工智能系统的能力，从而提高效率、增强个性化和改善性能。

这对于企业来说具有重要的好处，使它们能够优化其运营并为客户提供更个性化的体验。此外，简要设计对于确保人工智能技术的道德和负责任使用至关重要。

简要设计所使用的基本工具是什么？

用于简要设计的一些工具包括 GPT-4、ChatGPT 和 Copilot。

这些工具是可以根据给定提示生成文本的巨大语言模型（LLMs）。它们可以与其他工具（如 LangChain、Dust.tt、OpenPrompt、BetterPrompt、Brief Motor、Promptify、TextBox 2.0 和 ThoughtSource）结合使用，设计出与 LLMs 和其他工具交互的有效和有效的提示策略。

这些工具提供功能，如并行运行多个完成、评估性能输出、形成简要链、自定义编程语言以处理数据和文本，以及为不同模型和外部服务提供 API 集成。通过使用这些工具，开发人员可以与人工智能系统进行直接交流，并激励它们执行特定任务。

计算机程序员如何学习简要设计？

以下是程序员可以遵循的一些步骤来学习简要设计，以及资源链接：

1. 理解人工智能和自然语言处理（NLP）的基础知识：在深入研究简要设计之前，了解人工智能和 NLP 概念是重要的。

2. 了解巨大语言模型（LLMs）：简要设计包括与像 GPT-3、ChatGPT 和 Copilot 这样的 LLMs 一起工作。真正了解这些工具及其能力。

3. 努力创建提示：学习简要设计的最佳方法是通过努力创建提示。从简单的提示开始，逐渐增加其复杂性。

4. 利用在线资源：有许多在线资源可供学习简要设计。其中一些资源包括简要设计指南、学习提示网站和简要设计：2023 年终极指南[GPT-4 和 ChatGPT]。

5. 加入社区：加入简要设计师社区可以为您在学习过程中提供宝贵的支持和指导。考虑加入一个 Disunity 群组或在线论坛，与其他简要设计师互动。

通过遵循这些方法并利用提供的资源，计算机程序员可以在简要设计方面培养自己的能力，并成功地与人工智能系统进行交流，激励它们执行特定任务。

成为简要工程师需要哪些技能？

对于一名简要设计师来说，最重要的要求之一是具有计算机科学和设计基础的专业领域。这不仅会让你对该领域有广泛的理解，还会帮助你培养成功从事这一职业所需的技术能力。根据您选择追求的具体路径，相关课程和学位项目可能会有所不同，但一些常见选择包括计算机科学、编程和信息技术。

除了正规教育外，实习和其他实践经验对于为成为简要设计师做好准备非常有价值。作为一名人工智能简要设计师，一些任务可能需要您制定简要集，设计试验以测试提示的有效性，并改进人工智能模型的质量。总之，作为一名程序员，学习简要设计可以帮助您提高准确性，节省时间，通过提高从大型语言模型中提取价值的能力。

通过设计和开发有效的自然语言提示，您可以从人工智能模型中生成更准确的响应，减少手动干预或更正的需求。这可以节省时间，提高工作效率。就职业利益而言，拥有简要设计技能可以使您成为与人工智能模型合作的团队中更有价值的成员。它还可以为您打开新的职业机会，并增加您的收入潜力。

利用模拟智能设备进行简要设计的好处

在人工智能领域，简要设计是一个强大的工具，可以极大地提升人工智能系统的能力。无论您是在自然语言处理、计算机视觉还是其他人工智能领域工作，简要设计都可以帮助您实现更好的结果，创造更智能和有用的系统。在这篇博客文章中，我们将探讨简要设计对人工智能的好处，并探讨两种具体的方法：思维链提示和 learnprompting.com。我们还会加入一些幽默，以马克·吐温的风格，使讨论更加有趣。

首先，让我们谈谈简要设计是什么，为什么对人工智能如此重要。简单来说，简要设计是使用特定提示或输入来规划和训练人工智能系统的最常见方式。通过精心选择和安排这些提示，我们可以引导人工智能的学习路径，并帮助其在明确任务上取得更好的表现。

简要设计的一个关键优势是，它可以帮助我们创建更精确和可靠的人工智能系统。通过提供精心选择的输入，我们可以确保人工智能接触到各种模式，并学习数据中的潜在模式和关系。这可以带来更好的性能和更强大的系统。

在简要设计中可以使用的一种具体方法是思维链提示。这涉及给人工智能一系列旨在引导其思考并帮助其深入理解主要任务的提示。例如，如果我们正在训练一个人工智能来理解自然语言，我们可以从简单的提示开始，比如“‘猫’这个词是什么意思？”然后逐渐增加复杂性，比如“‘猫在地毯上’这个表达是什么意思？”

一个在简要设计中非常有帮助的工具是 learnprompting.com，这是一个提供各种预先准备的人工智能模型和提示的网站，可以用来训练您自己的人工智能系统。对于寻找自己项目起点的研究人员和工程师来说，这可能是一个很好的资源。

总的来说，简明设计是一种强大的技术，可以帮助我们创建更智能和有用的人工智能系统。通过精心设计和组织人工智能接收的信息源，我们可以引导其学习路径，并在明确的任务上取得更好的表现。此外，借助像思维链和 learnprompting.com 这样的工具，开始简明设计比以往任何时候都更容易。

然而，请记住，简明设计并不是一种魔法棒，你仍然需要付出艰苦的努力，但相信我，结果是值得的。正如马克·吐温曾经说过的那样，“成功的秘诀在于开始行动。”因此，不要犹豫，立即投入简明设计的世界，并开始尝试不同的方法和工具。谁知道，你可能会创造出下一个重大的人工智能突破。

简明设计是一种强大的方法，可以在各种业务应用中利用，从优化工作流程和改进客户服务到改善营销信息和简化销售流程。以下是简明设计在工作、营销和业务中的几种应用方式：

工作流程和客户服务

使用引导来提高客户服务互动的效率和效果，例如聊天机器人和自动响应系统

通过引导员工完成工作流程和流程，减少错误，提高效率

营销

使用引导制定更具针对性和个性化的营销信息，增加参与度和转化率

制定引导，引导用户通过销售渠道，提供有价值的信息和行动建议，以促进每个阶段的互动

销售

使用引导制定更有效的销售脚本和客户互动，提高转化率并更快地完成所有工作

制定引导，引导代理商完成销售周期，提供有价值的信息和见解，帮助他们做出更明智的决定

工作、营销和业务中简明设计的最佳实践

要在工作、营销和业务中充分利用简明设计，遵循一些最佳实践是很重要的：

保持引导清晰、简洁和与任务相关。

使用提示引导用户完成一个过程或在恰当的时机提供有价值的信息。

随着时间的推移测试和完善提示，以提高其有效性和准确性。

避免偏见和过拟合，通过使用多样化的数据集和在不同人口群体和人群上测试引导来测试

定期监控和评估简明设计的表现，以识别改进的领域并提高结果。

简短设计的实际应用 - 您如何在日常生活中应用它的示例

简短设计不仅仅局限于商业应用，还可以应用于其他日常生活场景。以下是一些实际应用简短设计的实例：

个人生产力

使用提示设置每日任务的提醒，如锻炼或服药

制定指导您进行早晨或晚上例行程序的提示，减少决策疲劳，简化您的一天

健康和健康

使用提示跟踪您的饮食和运动习惯，提供反馈和指导，帮助您实现健康目标

制定指导您进行压力管理和关怀练习的提示，改善心理和个人福祉。

教育和学习

使用提示制定个性化学习计划，根据您的偏好和学习风格提供相关信息和资源。

制定指导您进行学习会议和考试准备的提示，提高记忆和理解

要充分利用简短设计在日常生活中，遵循一些最佳实践是很重要的：

辨别生活中可以使用提示的部分，如个人生产力、健康和健康，或教育和学习。制定清晰、简洁且与您特定需求和目标相关的提示。随着时间的推移测试和完善提示，以提高其有效性和准确性。利用不同的提示，如文本提醒、语音助手或可穿戴技术，找到最适合您需求的最佳解决方案。

不断监控和评估提示执行情况，以识别改进领域并优化结果。

简短设计的好处 - 听听其他已经在使用它的人对人工智能技术的利用

简短设计是一种强大的方法，可以帮助组织和个人提高人工智能技术的准确性和有效性。以下是一些正在使用简短设计的个人和组织的一些好处：

更先进的客户体验

“通过在我们的客服聊天机器人中使用简短设计，我们看到了客户满意度评级的显著提高。” - 艾玛，客服主管

“我们的客户重视我们通过简短设计促进的定制广告信息，从而提高了参与度和转化率。” - 约翰，市场总监

提高效率和效能

“通过使用提示指导我们的员工完成工作流程，减少了错误，并在各个方面提高了生产力。” - 莎拉，运营总监

“简短设计使我们能够简化业务流程，更快地完成工作，增加收入和利润。” - 马克，项目负责人

更准确和有价值的人工智能结果

“自从我们开始使用简短设计来指导，我们的人工智能模型变得更加精确和有价值。” - 迈克尔，信息研究员

“通过长期完善我们的提示，我们已经能够减少偏见并提高我们的人工智能生成的回应的包容性。” - 玛丽亚，人工智能科学家。

总的来说，简短设计可以帮助组织和个人实现更好的结果，增强人工智能技术的有效性。通过使用清晰、简洁和相关的提示，并不断在长期内完善它们，组织可以提高客户满意度，提高效率和生产力，并实现更准确和有价值的人工智能产出。

对于教练和专家，简短设计可用于制定更有效的销售脚本和客户互动，从而提高转化率并更快地完成。通过使用提示指导代理商完成销售过程并提供相关信息和见解，教练和顾问可以做出更明智的决策，并为客户实现更好的结果。

您如何开始为自己使用简短设计？

实施简短设计起初可能看起来令人生畏，但通过正确的方法和工具，它可以是一种简单有效的方法，用于提高人工智能技术的准确性和有效性。以下是使用简短设计开始的指南：

确定您的需求

确定您的业务或个人生活中哪个领域可以从简短设计中受益。示例包括客户服务、营销、销售、个人生产力、健康和健康以及教育和学习。

培养清晰、简洁和相关的提示

确定信息或必要指导，以提高您的人工智能技术或个人日常的有效性。

培养清晰、简洁且与工作相关的提示。

随着时间的推移测试和完善提示，以提高其准确性和有效性。

使用各种简短安排

利用不同的简短安排，如文本更新、语音关联或可穿戴技术，找到最适合您需求的最佳解决方案。

监控和评估简短执行

不断监控和评估简短表现，以识别改进的领域并提高结果。

使用数据分析和测试工具随时间完善提示，确保其持续有效性。

与专家合作

与人工智能和自然语言处理领域的专家合作，开发和实施适合您特定需求和目标的简短设计解决方案。

通过遵循这些步骤，您可以开始利用 brief designing 来提高您的人工智能技术或个人日程安排的准确性和效果。通过持续的完善和优化，brief designing 可以帮助您实现改善的结果，并提高您的整体生活质量或业务成功。

为什么您需要关注并掌握 Brief Designing？

保持领先地位的重要性。随着技术的不断发展，向消费者提供的产品和服务也在不断增加。Brief designing 是自动化中的新兴趋势，旨在简化操作并提高效率。组织和机构应该跟上其行业的最新进展，以保持竞争力。

通过了解如何使用和实施 brief designing，您将能够保持领先地位，并确保您的业务以最大效率运作。无论您是推出新产品还是提供客户服务支持，了解 Brief designing 都可以帮助您取得成功。

随着组织向着 embracing 人工智能 (computer based intelligence) 技术迈进，优化这些系统的准确性和效率变得日益重要。Brief designing 是组织可以利用的有力工具，以实现这些结果，从而导致更高级的客户满意度和忠诚度，以及流程的优化。

在现代商业环境中，客户越来越期待与企业进行个性化体验和互动。Brief designing 可用于开发更具针对性和个性化的对客户需求的响应，从而导致增加的忠诚度和留存率。

此外，能够优化工作流程并减少错误的组织可以提高其效率和生产力，从而取得更多成功。通过 brief designing，组织可以优化其流程并提高整体效率，从而产生改善的结果和更高的生产力。

随着技术领域的快速发展，新的人工智能和自然语言处理模型和框架不断涌现，brief designing 已成为组织保持在这些发展前沿的关键技能。通过理解并将 brief designing 纳入其业务策略，组织可以实现改善的结果，并在快速发展的市场中保持竞争力。

作家和出版商可以利用简洁工程制定更准确和有意义的书籍概要和海报，从而提高读者参与度和书籍销量。通过使用提示来引导人工智能生成的回应，并确保它们专注于书籍的重要部分，作家和出版商可以优化其营销工作，并在竞争激烈的书籍市场取得更好的结果。

简洁工程的未来 - 下一个大事件的前景

简洁工程正在蓬勃发展，其潜在应用广泛。随着人工智能技术的不断发展和改进，简洁工程将变得更加重要，以使企业和组织保持竞争力。从更先进的客户服务管理系统到自动化销售流程，利用简洁工程的可能性是无限的。

简洁工程的未来看起来非常有前途，它的能力很快就会被充分实现。随着企业逐渐了解简洁工程的力量，他们将能够轻松地将其业务提升到更高的水平，在愉快的写作、营销、销售等方面取得更好的成果。

正如您所看到的，简洁工程是一项独特而强大的技术，正在迅速改变我们的工作方式。

简洁工程是任何与人工智能和自然语言处理技术打交道的人都必备的技能，从数据科学家和人工智能专家到企业家、教练和顾问。以下是您需要了解和掌握简洁工程的原因：

提高人工智能技术的准确性和效率

通过利用清晰、简洁和相关的提示，您可以引导人工智能模型创建更准确和强大的反应。随着时间的推移，优化提示还可以进一步改善人工智能的执行，减少错误并提高效率。

进一步提高消费者满意度和忠诚度

通过创建个性化和有针对性的提示，您可以提高客户满意度和参与度。更相关和准确的人工智能生成的回应可以带来更好的客户体验，从而增加忠诚度和留存率。

简化业务流程和工作流程

简洁工程可用于优化业务流程和工作流程，减少错误并提高生产效率。

通过引导员工完成工作流程并提供相关信息和指导，企业可以实现改善结果并降低成本。

提高个人效率和福祉

简明格式可用于制定个性化的提醒和日程安排，提高个人效率和幸福感。通过引导人们完成日常日程并提供相关信息和指导，简明格式可以改善心理和精神健康。

在在线营销领域，简明格式可用于制定更具针对性和个性化的电子邮件营销活动，从而提高开启率和点击率。通过使用提示来引导人工智能生成的回应，并确保它们清晰、简洁且与受众相关，企业可以改善其电子邮件营销策略，并为品牌实现更好的结果。

总的来说，简明格式是任何与人工智能技术打交道或试图提高个人效率和幸福感的人的重要技能。通过掌握并实施简明格式，个人和组织可以实现改善的结果，提高客户满意度，并增加效率和生产力。

简明格式示例

假设您正在开发一个聊天机器人，为电子商务网站提供客户服务。您希望聊天机器人能够准确回答客户关于运输和退货的问题。但是，目前聊天机器人提供的回答不一致且错误。

为了提高聊天机器人的准确性，您可以使用简明格式。您可以开始分析客户提出的问题类型，并制定一组清晰、简洁和相关的提示，以回答这些问题。

例如：

简明 1: “我的订单的运输时间是多少？”

简明 2: “我如何退货？”

简明 3: “我可以换一个尺寸的订单吗？”

然后，您将这些提示整合到聊天机器人的编程中，并测试它们的有效性。随着时间的推移，您将监控和评估聊天机器人的表现，并根据具体情况调整提示，以提高其准确性和有效性。

通过这种方式使用简明格式，您可以确保聊天机器人向客户请求提供准确和有用的回应，从而提高客户满意度，增强对您品牌的忠诚度。

假设您需要利用 ChatGPT 来创建新闻故事的摘要。但是，您会发现 ChatGPT 生成的摘要有时是错误的或多余的。为了提高 ChatGPT 摘要的准确性和相关性，您可以使用简明格式。您可以开始分析您认为 ChatGPT 应该总结的新闻故事类型，并制定一组清晰、简洁和相关的提示，指导 ChatGPT 专注于文章的主要部分。

例如：

简明 1: “用一段话总结这篇文章，重点放在要点上。”

简明 2: “这篇文章的主要发展或要点是什么？”

简要 3： “您能否简要概述文章，突出主要数据？”

然后，您将这些提示输入到 ChatGPT 中并测试其有效性。随着时间的推移，您将监控和评估 ChatGPT 的表现，并根据具体情况完善提示以提高其准确性和相关性。

通过这种方式利用简要设计，您可以确保 ChatGPT 提供准确和相关的新闻摘要，节省您在跟上领域最新发展方面的时间和精力。

制作 Talk GPT 的提示的指导

确定您的目标

目标：为特定城市提供用餐的最佳推荐。

简要： “你最喜欢的食物是什么？”

分析客户信息

客户信息：“我喜欢意大利食物。”

简要： “你在城里最喜欢的意大利餐厅是哪家？”

制定清晰和适用的提示

简要： “你最喜欢的意大利菜系是什么？”

简要： “您最近尝试过城里的任何新意大利餐厅吗？”

使用变化的提示

简要 1： “您在城里最喜欢的三家餐厅是哪些？”

简要 2： “你在最喜欢的意大利餐厅最喜欢的菜是什么？”

简要 3： “哪家意大利餐厅是适合浪漫约会的最佳选择？”

测试和完善

与用户互动测试提示并监控 Talk GPT 的响应。

根据情况完善提示以提高准确性和相关性。

使用最佳实践

最佳实践：不要使用过于明确或过于广泛的提示。

过于明确的简要示例：“你上周去的意大利餐厅的地址是什么？”

过于广泛的简要示例：“告诉我关于意大利食物的情况。”

通过使用这些技巧，您可以为 Talk GPT 制定有效的提示，指导其生成准确和相关的响应。请记住，持续完善和优化提示，并遵循简要设计的最佳实践。

简要设计师还负责随时间测试和完善提示，以提高其准确性和有效性。他们利用数据分析和测试工具监控人工智能系统的性能，并确定改进的领域。

此外，简要设计师与模拟智能和自然语言处理领域的专家合作，创建和执行定制的简要设计解决方案，以满足客户或系统的特定需求和目标。他们时刻关注人工智能技术的最新发展，并可以根据具体情况调整其方法以实现最佳结果。

总的来说，简明设计师在提高人工智能系统的准确性和效果、提高客户满意度和参与度、以及优化业务流程方面发挥着关键作用。

什么是基于提示的学习？

基于提示的学习是一种学习方法，侧重于使用提示来引导学生通过教育体验。在这种方法中，提示被用来为学生提供清晰、简洁和相关的指导，帮助他们理解所学的重要概念和思想。

基于提示的学习经常在在线和混合学习环境中使用，学生需要更多的结构和指导来帮助他们保持专注并实现他们的学习目标。提示可以是问题、提示或指导，帮助学生保持参与并专注于所学内容。

基于提示的学习对于具有不同学习风格或能力的学生也是有效的。通过使用照顾个体学习风格和能力的提示，教师可以建立一个更具包容性的学习环境，使所有学生都能成功。

基于提示的学习是一种有效的教学和学习方法，可以帮助学生保持参与、专注和积极性。通过使用提示来引导教育体验，教师可以创造一个更有效和包容的学习环境，从而促进所有学生的改善结果。

您是否可以获得简明设计证书？

简明设计结合了人工智能、自动化和数据的力量，从根本上推动业务流程效率等方面。这项技术可以应用于许多领域，从营销到客户服务和产品创造。通过简明设计，组织可以提高效率，同时减少与任务完成相关的成本。这就是为什么这种工具在各行各业的组织中变得如此受欢迎和越来越有用的原因。

通过了解如何利用简明设计，投资于新兴技术的组织将比竞争对手更具优势。当我们接近本文关于简明设计的结尾时，让我们总结一下主要观点：这是一个改善业务流程的强大工具，带来多种好处，并且在效率上比传统方法更高。如果您认为您想探索您的公司如何从简明设计中受益，请不要犹豫，随时与我们联系以获取更多信息！

简而言之，简要设计是一种强大且革命性的人工智能技术，有可能颠覆工作、营销和商业。我们希望这篇文章让读者了解了简要设计，并让他们了解如何在日常生活中有效使用它。无论您是想为自己使用它还是只是对可用的人工智能技术感到好奇，我们强烈建议您自己尝试简要设计。除了可以更好地控制工作流程外，还可以洞察客户行为和趋势。

ChatGPT 简要设计的关键要素

作为一种语言模型，ChatGPT 旨在根据提供给它的提示或输入生成类似人类的文本。为了生成最佳回应，ChatGPT 在简要设计中结合了几个关键特性，包括：

自然语言处理（NLP）：ChatGPT 利用先进的 NLP 技术分析输入提示并从中提取含义。这包括识别提示的主题，理解背景和意图，并识别任何相关要素或关键词。

上下文导向的正念：ChatGPT 旨在具有相关的正念，这意味着在生成回应时考虑讨论历史和讨论的当前状态。这使得 ChatGPT 能够提供更相关和准确的回应，以满足用户特定需求。

情感分析：ChatGPT 能够分析输入提示的情感，以及对话过程中生成的任何后续回应。这使 ChatGPT 能够调整其回应以更好地匹配用户的语气和情绪。

语言模型：ChatGPT 利用深度神经网络生成类似人类的回应以包含提示。这包括分析大量文本数据以了解人类语言的模式和结构，然后利用这些数据生成语法正确、合理和有意义的回应。

多语言支持：ChatGPT 能够以多种语言生成回应，使其成为那些使用多种语言的用户的有价值工具。通过在不同语言的大型文本数据集上训练模型，它能够学习每种语言的细微差别和复杂性。

当大多数人考虑使用 ChatGPT 进行写作时，他们想象的是人工智能几乎可以做所有事情。然而，写作教师和编剧 Ryan Briggs 让我们意识到了一种全新的使用 ChatGPT 进行写作的方法。

“我写艺术科幻。考虑电影《Ex Machina》、《Her》或《永恒的阳光美丽的心灵》。我认为这些电影与我所做的写作类型有着深刻的联系，” Ryan 说。Ryan 正在寻找新的合作者，所以如果您正在寻找的话，请查看他的作品集。

除了在 Cal State LA 写剧本并向他人展示艺术作品外，Ryan 还掌握了一门新兴的艺术：简短格式化。

告诉 ChatGPT 写作一部作品是不够的，至少如果您想要预期的结果的话。您需要给 ChatGPT 提供详细的指示，几乎就像编写计算机程序一样，只是用英语而不是编程语言。例如，“以莎士比亚风格写一篇关于名叫汉娜的女士的文章” 这样的提示将给您更可预测的结果。

使用 ChatGPT 进行简短格式化以制作通用作品。

Ryan 和他的学生使用 TextExpander 来保存和完善他们的 ChatGPT 提示，然后用于分析和练习写作。Ryan 制作了复杂的提示，评估场景，识别关键情节点，并提供即时反馈。

这些提示可能非常冗长和详细，并且应该保持一致以产生可预测的结果。这就是 TextExpander 的用武之地。一旦 Ryan 制作了一个独特的提示，他将其保存为 Scrap，以便随时在 ChatGPT 中访问。

“对我来说，这就像花生酱和果酱。如果您依赖记忆，那么在简短写作技能上就不会取得进展，因为通常需要的提示非常冗长和复杂。您需要将其转移到计算机上，” Ryan 说。

我们创建了一个公共论坛，其中包含一些有用的 ChatGPT Pieces，包括 Ryan 慷慨与我们分享的内容。让我们告诉您如何使用它们来改进您自己的写作。

评估技术备忘录

一种 Ryan 在他的作文课上使用 ChatGPT 的方式是帮助学生评估技术备忘录。普渡大学提供了一个示例备忘录，您可以用来进行简短的格式化。

在 ChatGPT 中开始写入以下内容：

“阅读以下内容。我有一个后续问题：”

按住 Shift 键，按两次 Return 键以换行，然后粘贴备忘录的内容。或者，如果您已经订阅了我们的 ChatGPT 公共论坛，您可以复制备忘录，然后使用 Scrap gpt.feedmemo 插入具有正确提示的备忘录。

在您将备忘录输入 ChatGPT 后。使用 Ryan 的 Piece gpt.peermemo 根据他的标准评估它。ChatGPT 将以复杂的方式回答其优缺点的分析，您将获得的成绩预估，以及如何改进备忘录的清单。

ChatGPT 评估备忘录

请注意，当您将修订版粘贴到 ChatGPT 中时，可能会丢失一些元素，这可能会导致 ChatGPT 抱怨您没有标题，而实际上您已经有了。“学生学会更加理性地欣赏 ChatGPT，并感觉不太倾向于简单接受它所说的话。” Ryan 说。

“这比大多数学生将从教师那里看到的关于这种任务的反馈要好。而我所做的只是制作一个出色的提示，再次重申了教科书中的限制、规则等。” Ryan 说。

使用 ChatGPT 分析剧本场景

ChatGPT 还可以评估剧本中场景的质量并分析文学元素。Ryan 向我们展示了一个对话设计的示例。

对于我们的测试，我们使用了《这是一个美好的生活》的文本，特别是电影中乔治·贝利早期跳入冰水救他的兄弟哈里的场景。

一旦您找到要使用 ChatGPT 评估的场景，请使用 Piece gpt.follow1 并按 Enter。ChatGPT 提示您输入场景。粘贴并按 Enter。然后，观看提示设计的魔法。

ChatGPT 对“这是一个美好的生活”的摘要

如果您需要更丰富的回应，您可以在提示中添加句子，“在您的回应中给我 500 个单词。”

请注意，ChatGPT 目前无法接受整个文本，因为太长了。Ryan 相反会逐个输入场景和剧本摘要。

由于 ChatGPT 具有场景并展示了它的理解能力，我们为什么不使用 ChatGPT 来识别反转。

使用 ChatGPT 识别反转：

Ryan 解释;

“在编剧中，有一个技术术语叫做反转。在你的 90%场景中，你会在场景结束时有一个惊人的转折，你回想并在心里反思，‘我应该想到这一点。我喜欢这种惊喜。我迫不及待地想看下一页。’”

“反转往往是对场景中放大镜下的人物价值的价值的调整。反转标志着一个惊喜，也标志着人物内部价值的描述的调整。” Ryan 说。

接下来，根据上面的“这是一个美好的生活”示例，您可以使用 Bit gpt.scenereversalsteps 来分析场景中的反转：

ChatGPT 分析场景中的反转

在 gpt.scenereversalsteps 下键入此快捷方式

您可以使用 Bit gpt.total1 来添加 ChatGPT 回应中的单词数量。

我们鼓励您在公共聚会中探索更多 Scraps，并尝试自己，希望它们为您提供如何利用 ChatGPT 功能进行自己的提示设计的想法。

ChatGPT 提示设计的技巧

我们要求 Ryan 分享一些他对 ChatGPT 简短内容设计的秘诀。

“所以其中一个关键是你需要要求 ChatGPT 想象自己在 x 方面是世界上最厉害的，” Ryan 说。

你这样做是为了愚弄 ChatGPT，使其提供它本来不愿提供的答案。

有时候会发生这样的情况，你问这些模型你是否会执行某事，它们会说，‘我不能，我只是一个语言模型。我没有意见，’" Ryan 说。

Ryan 分享了一个简短设计的技巧：要求系统假装是与你的问题相关的主题的专家，以解决系统在被视为个人时的问题。

然后，尝试给 ChatGPT 明确的指示。

然后你给它任务：‘我坚持认为你应该完成 y’，然后你可以要求回答中的特定交付。比如现在，“我认为你应该在这里使用粗体字体，” “在这里使用项目符号，” “不要使用任何语言，” 和 “我需要少于 500 个字，” Ryan 说。

当你找到一个令人满意的简短内容时，将其保存为 TextExpander 中的一个 Bit。

“我以前使用 TextExpander 是因为[片段]是为我或[另一个]人而设的。现在我发现自己重新思考我的 TextExpander[片段]，因为我依赖于它们的主要受众是语言模型，” Ryan 说。

“例如，我有 — 我称之为 The Glove。我将我的每个场景都通过一个 93 页的问题手套，这些问题来自你可以质疑一个场景的各个方面，所有的对话交流，一切，” Ryan 继续说。

这是 GPT 对 The Glove 中一个片段问题的解决方案的示例，分析了"It’s a Superb Life"。

ChatGPT 在场景中理解情感变化

“对于 150 个场景来说，这是一个漫长而繁琐的过程。我在 TextExpander 中重新制定了这些问题…然后它在几秒钟内输出了我需要几个小时才能写出的内容，” Ryan 说。

Ryan 在 2022 年通过 TextExpander 节省了超过 225 小时。这相当于超过九整天。

Ryan Briggs 节省的时间：225 小时 15 分钟

你可以尝试一种变体的 The Glove。在公共集会中有三个版本。你可以使用内联搜索找到这三个版本。

ChatGPT 简短内容设计的限制

记住 ChatGPT 的限制是很重要的。我们尝试了一两次，并不总是得到相同的结果，因为 ChatGPT 是概率性的，而不是确定性的。上面，它识别了"惊人的转折"方法。下面，它识别了"完全颠倒"方法，并用表格概述了场景中的颠倒。

ChatGPT 简短内容设计来概述一个颠倒

ChatGPT 是一个令人惊讶的工具，但是人工智能还没有达到超越人类思维的地步。然而，它擅长增强你的思维能力，并且像 TextExpander 一样，可以消除重复和繁琐的工作。

根据 ChatGPT 的说法，“作为一种人造智能语言模型，ChatGPT 在某些情况下会根据输入和问题的解释产生各种反应。记住这一点并确认回应的准确性是很重要的。”

第二章：

利用人工智能工具进行提示工程

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

人工智能工具概述

有一些人工智能工具可用于简短工程，可以帮助改善像 ChatGPT 这样的语言模型生成的响应的准确性和相关性。以下是一些最受欢迎的简短工程人工智能工具概述：

自然语言处理（NLP）库：像 spaCy、NLTK 和 CoreNLP 这样的 NLP 库提供了一系列工具，用于分析输入提示，包括分词、词性标注、命名实体识别和情感分析。这些工具可以帮助从输入提示中提取含义，并为上下文和目的提供有价值的见解。

文本预处理工具：像 TextBlob、gensim 和 scikit-learn 这样的文本预处理工具可以帮助清理和预处理输入提示，然后再由语言模型进行分析。这可能包括去除停用词、词干提取或词形还原，以及将文本完全转换为模型可以理解的数学格式。

词嵌入：像 Word2Vec 和 GloVe 这样的词嵌入可以帮助语言模型更好地理解数据简报中单词之间的语义关系。通过在高维空间中表示单词为向量，词嵌入可以帮助模型识别单词之间的相似性和差异，这对于命名实体识别和情感分析等任务非常有用。

数据图表：像 DBpedia 和 Wikidata 这样的数据图表提供了数据的结构化表示，可用于通过额外的上下文和信息改善输入提示。通过将数据简报中的实体链接到数据图表中的相关节点，语言模型可以生成更准确和有意义的响应。

强化学习：强化学习可用于训练语言模型，使其长期生成更有意义和准确的响应。通过对模型响应质量提供反馈并相应地调整其参数，强化学习可以帮助模型在明确任务上提高性能。

理解 Chatgpt 在简短工程中的作用

作为语言模型，ChatGPT 可以用于简短工程，为包括自然语言处理、聊天机器人和人工智能在内的成千上万的应用程序生成优质提示。简短工程是指设计出能够从 AI 模型获得期望响应的提示的最常见方法。

ChatGPT 可以以多种方式生成高质量提示。一种方法是使用模型生成与任务相关的自然语言问题或陈述。例如，如果目标是训练一个聊天机器人为特定产品提供客户服务，ChatGPT 可以生成用户可能询问产品的问题列表，如“产品的特点是什么？”或“如何解决产品问题？”。

另一种方法是使用 ChatGPT 生成专门设计用于获取特定类型回应的提示。例如，如果目标是训练模型识别文本中的情感，ChatGPT 可以生成包含特定类型词语或短语的提示，这些词语或短语很可能引起人们的个人回应，如“当…时我感到快乐”或“当…时我感到悲伤”。

总的来说，ChatGPT 可以在简要设计中发挥重要作用，通过生成针对特定应用和目标量身定制的高质量提示。这有助于提高不同领域中 AI 模型的准确性和有效性。

人工智能工具与 ChatGPT 的整合

ChatGPT 可以与其他人工智能工具和技术集成，以增强其功能并提供更强大的解决方案。以下是一些人工智能工具如何与 ChatGPT 集成的示例：

自然语言处理（NLP）库：

ChatGPT 可以与流行的 NLP 库（如 NLTK、SpaCy 或 StanfordNLP）集成，以提高其处理自然语言的能力。这些库可以帮助 ChatGPT 执行情感分析、命名实体识别和词性标注等任务。

语音识别工具：

ChatGPT 可以与语音识别工具（如 Google 语音转文本、Amazon Transcribe 或 Microsoft Speech API）集成，以实现基于语音的与聊天机器人的交互。这对于应用程序（如虚拟助手或客服机器人）可能特别有用。

AI 平台：

ChatGPT 可以与 AI 平台（如 TensorFlow、PyTorch 或 Scikit-Learn）协同工作，以提高其在文本分类、序列标注或语言建模等任务中的表现。

知识图表：

ChatGPT 可以与数据图表（如 Google Knowledge Graph 或 Microsoft Academic Graph）集成，以提高其对世界中实体和关系的理解能力。这有助于 ChatGPT 回答更复杂的问题并提供更准确的响应。

聊天机器人框架：

ChatGPT 可以与 Rasa、Botpress 或 Dialogflow 等聊天机器人框架集成，提供完整的端到端聊天机器人解决方案。这些框架可以提供目标分类、对话管理和与外部 API 集成的工具。

将 ChatGPT 与人工智能工具结合可以提高其性能，并使其能够为成千上万的应用程序提供更强大的解决方案。

通过人工智能工具进一步提高准确性和效率

人工智能工具可以以多种方式用于提高各种应用程序的准确性和效率：

数据预处理：人工智能工具，如数据清洗和标准化算法，可以通过减少数据中的噪音并使其更稳定，提高 AI 模型的准确性。

包括选择：人工智能工具可以帮助识别给定任务中最重要的要素，这可以提高 AI 模型的准确性并减少计算复杂性。

模型选择：人工智能工具可以根据性能指标如准确性、精确度和召回率，帮助选择适合给定任务的最佳模型。这可以提高 AI 模型的准确性并减少模型开发所需的时间和精力。

超参数优化：人工智能工具，如贝叶斯优化或网格搜索，可以帮助优化 AI 模型的超参数，这可以提高其准确性并减少训练所需的计算资源。

动态学习：人工智能工具可以用于识别训练 AI 模型最具信息量的模式，这可以减少训练所需的标记数据量，并提高模型的效率。

人工智能工具可以用于提高各种应用程序的准确性和效率，包括自然语言处理、计算机视觉和人工智能。通过利用人工智能的力量，工程师可以创建更准确和高效的系统，提供改进的结果并节省时间和资源。

第三章：

如何 ChatGPT 可以改进您的工程流程

在工程项目中使用 ChatGPT 的好处

将 ChatGPT 纳入设计任务中有几个优势：

自然语言理解：ChatGPT 是一个能够理解和生成自然语言文本的语言模型。这意味着它可以用来创建聊天机器人或对话交互点，能够理解和回答人类语言。这可以改善用户体验，减少在某些任务中需要人类干预的需求。

灵活性：

ChatGPT 可以针对特定应用程序进行定制，如聊天机器人、问答系统或机器翻译。这意味着它可以根据不同工程项目的需求进行定制。

效率：

ChatGPT 可以快速而准确地产生反应，这可以节省设计任务中的时间和资源。这在应用程序中尤其有价值，例如客户服务，在这些应用中，快速而准确的反应至关重要。

灵活性：

ChatGPT 可以部署在 AWS 或 Google Cloud 等云平台上，使其能够处理大量请求。这意味着它可以用于需要高可扩展性的应用程序，如在线娱乐监控或客户服务。

实时学习：

ChatGPT 可以根据新数据进行训练，以提高其随时间的准确性。这意味着它可以用于数据经常变化的应用程序，如新闻监控或舆情分析。

将 ChatGPT 纳入设计项目中可以带来几个好处，包括自然语言理解、灵活性、效率、可扩展性和实时学习。这些好处可以帮助开发人员为成千上万的应用程序创建更强大和有效的解决方案。

使用 ChatGPT 提升与团队成员的协作

ChatGPT 可以用多种方式增强与团队成员的协作：

虚拟团队：

ChatGPT 可以用于安排虚拟会议并为团队成员提供建议。它还可以用于分享会议议程、会议记录和待办事项，从而改善团队内的沟通和协作。

任务管理：

ChatGPT 可以用于管理团队内的任务和项目。它可以与 Trello 或 Asana 等任务管理工具集成，为团队成员提供一个统一的交互点，以便协作完成任务。

知识共享：

ChatGPT 可以用于在团队内分享知识和专业知识。它可以在内部文件、维基或其他知识来源上进行训练，并用于回答团队成员的问题或为他们提供见解。

团队建设：

ChatGPT 可用于促进团队建设活动，例如问答比赛、破冰活动或聚会。这有助于改善团队之间的凝聚力，并培养团队内的社区感。

批评和评估：

ChatGPT 可用于收集反馈并评估同事的表现。它可以与绩效评估工具集成，以提供更客观和数据驱动的绩效评估方法。

利用 ChatGPT 提升与同事的互动可以帮助改善团队内的沟通、效率和生产力。通过利用自然语言处理的力量，ChatGPT 可以为同事提供更个性化和互动的体验，有助于促进更具合作性和有益的工作环境。

第四章：

ChatGPT 在工程领域的实际应用示例

使用 ChatGPT 进行即时工程的企业案例研究

以下是一些公司案例研究，这些公司利用 ChatGPT 进行即时工程：

OpenAI：

OpenAI 是 GPT 语言模型的制造商，包括迄今为止最大和最显著的语言模型之一 GPT-3。OpenAI 利用 GPT-3 制作了不同的应用程序，例如聊天机器人、语言翻译和文本完成。该公司还开发了一个名为 GPT-3 Jungle gym 的平台，允许开发人员探索语言模型的能力并构建自己的应用程序。

肯德基：

肯德基，这家快餐连锁店，利用由 GPT-3 驱动的聊天机器人与客户进行在线娱乐互动。该聊天机器人经过培训，了解肯德基的菜单和客户服务信息，并能够回答客户问题并提供个性化建议。该聊天机器人每天能处理多达 20,000 个客户对话，从而减少了肯德基客服团队的工作量。

联合利华：

消费品公司联合利华利用 GPT-3 开发了一款名为 Copy.ai 的工具，帮助营销人员创建广告文案和虚拟娱乐帖子。Copy.ai 利用 GPT-3 根据用户反馈生成多个版本的广告文案，例如消息的语气和目标受众。这帮助了联合利华的营销人员节省时间并提高广告活动的效果。

Algolia：

Algolia，一个搜索和发现平台，利用 GPT-3 开发了一款名为 Algolia Replies 的工具，允许开发人员创建基于搜索的聊天机器人。Algolia Answers 利用 GPT-3 解决用户的问题并以对话格式提供相关的搜索结果。这帮助了 Algolia 的客户为他们的用户创造更具吸引力和有效的搜索体验。

这些案例研究展示了 ChatGPT 在各种应用中进行工程简化的潜力，例如客户支持、营销和搜索。 ChatGPT 可帮助企业为其客户创造更个性化和互动的体验，同时减少团队的负担。

在工程中整合 ChatGPT 的案例学习和最佳实践

以下是在工程项目中整合 ChatGPT 的案例学习和最佳实践：

确定明确的用例：

在整合 ChatGPT 之前，定义项目的明确用例和目标至关重要。这将有助于确保整合与业务目标一致，并有助于指导开发过程。

选择正确的工具：

有几种可用的 ChatGPT 工具，选择适合项目的正确工具至关重要。要考虑的因素包括模型的大小和复杂性，训练数据的质量和可用性，以及所需的定制和控制程度。

制定培训策略：

要在 ChatGPT 中取得最佳结果，重要的是制定一个培训过程，包括选择正确的数据来源，预处理数据，并为特定用例微调模型。

监控性能：

一旦整合了 ChatGPT，监控其性能并根据需要进行调整至关重要。这包括测量准确性，跟踪用户反馈，并确定改进的领域。

考虑道德影响：

ChatGPT 可用于创建强大和引人入胜的体验，但考虑其使用的道德影响至关重要。这包括确保模型公正，不传播有害刻板印象，并且用户数据得到可靠处理。

结合现有框架：

ChatGPT 应与现有系统和工作流程集成，以确保无缝运作，避免重复努力。

提供适当的培训和支持：

ChatGPT 系统的最终用户应该提供适当的培训和支持，以确保他们真正能够使用系统并提供反馈以改进。

定期更新和改进系统：

ChatGPT 模型应定期更新和改进，以确保随着时间的推移保持有效和相关性。

这些最佳实践可以帮助确保 ChatGPT 在工程任务中的成功整合，从而提高效率、准确性和用户体验。

人工智能与人类互动的更广泛影响

对简短工程的研究具有更广泛的影响，并不仅仅适用于人工智能生成的艺术领域，还适用于人类与深度学习模型和整体人工智能的关系。

模拟智能与创新工作的命运。未来，我们可能会看到具有生成能力的大脑网络，超越我们今天所能设想的。基于这种强大的模拟智能框架将对我们如何与计算机交互以及创新工作的未来产生影响。人工智能不仅会改变我们在网上工作的方式，还会改变我们工作的内容和人类在工作中的组织。

一个具有这种变革潜力的新应用示例是 OpenAI 的 Codex。Codex 是一个巨大的语言模型，可以将自然语言中的命令转换为编程代码。未来，我们将能够用自然语言描述软件及其预期结果，而不是编写代码。深度学习模型，如 OpenAI 的 Codex，或者更大的基础模型，将根据人类口头或书面输入提示生成可执行的软件代码。这种人与计算机的组织方式的改变可能对创意工作产生跨越式的影响，如软件开发。类似技术以前已在 GitHub 的 CoPilot8 中找到应用，这是一个“人工智能伙伴程序员”，可以帮助用户自动完成编程代码。

深度学习有很大的潜力来颠覆和改变创意经济的整个领域。例如，生成系统可以根据简短的文本提示创建整个互动式叙事世界和游戏。未来，用于创建在线产品和体验的低代码和无代码工具将变得越来越普遍，决策性的人工智能系统可能会将人工智能带给非编程人员作为下一波人工智能。根特公司估计，到 2024 年，80%的技术产品和服务将由非技术专家构建。

与模糊人工智能模型的合作在未来的用例和人工智能的应用中将变得越来越普遍。

因此，设计有效的提示将在今后发挥越来越重要的作用。基于文本的生成艺术的使用案例只是众多使用案例之一，对未来创意工作和人工智能交流的影响。后者可以从不同的角度看待，如以人为中心的模糊人工智能、人机人工智能组织和人机人工智能协作。无论用什么术语来描述我们与人工智能的关系，我们将来会越来越多地通过自然语言与模糊模型进行交流。

因此，关于信息提示如何被真正塑造的研究是及时且重要的。在这一领域的研究将推动我们如何理解人们如何与机器学习模型进行交互。这项研究将为未来由人工智能（AI）驱动的应用程序和系统的设计提供启示，并促进对使用这些人工智能驱动系统的不同利益相关者需求的理解。对用户的更好理解不仅可以推动可解释性和理解能力的研究，还可以为如何设计用于公平性、责任性和透明度的电子系统提供有价值的见解。

这三个要素可能是帮助建立与人工智能的信任关系的基石。对简短设计的自传式研究得到了在 Twitter 上兴起的基于文本生成工艺社区的人种学探索的补充。这种虚拟娱乐人种学的目的是了解基于文本生成工艺社区中使用的印刷提示。从这个社区获得的见解被用于基于文本生成框架的自传式实验中。

人种学探索得到了对基于文本生成工艺的兴起实践的文献调查的补充。虽然文本到图片的结合绝对不是一个新的研究领域，但基于文本的生成工艺是一个非常新颖的特点。围绕基于文本生成的网络社区直到 2021 年中期才刚刚兴起。除了刘和奇尔顿对简短设计的计划规则外，目前对基于文本生成工艺的实践并没有太多有见地的文献。因此，我们的文献综述聚焦于一些不太为人所知的文献来源，比如网络博客上的帖子和其他在线文章。

这被选为探索基于文本生成工艺的实验。Clasp 在 2021 年中期发布后不久就被制作出来，并且在基于文本生成工艺社区中变得非常流行。Clasp 可以被视为基于文本生成工艺社区发展的关键。该系统可在谷歌的 Colaboratory（Colab）上免费执行。Colab 上的笔记本非常开放且易于使用。Clasp 还需要比较少的内存，因此不太可能因为内存不足而在 Colab 上生成图像失败。

有许多种类的扣子被制作出来。本文中的研究是使用一个名为“VQ 和 Clasp（z +量化方法与扩展）”的笔记本进行的。这个特定的笔记本最初是由凯瑟琳·克劳森创建的。在为期 3 个月的研究期间，主要作者跟踪推特上的帖子，以了解文本生成艺术社区中使用的各种提示。并非每位文本专家都分享他们的提示，正如在介绍中所提到的。

特别是如果涉及商业利益（例如，将文本艺术作品作为不可替代的代币（NFTs）出售），一些专业人士会保持对他们的提示保密。其他人则更愿意分享他们的提示。正是这群推特用户的帖子启发了这项研究。

由于这些材料的普遍稀缺性，数据被如下分析。一个预期的简短修饰语候选人列表被迭代地和归纳地收集和选择。每当在推特上的帖子中遇到一个有趣类型的简短修饰语候选人时，主要作者就会回顾预期候选人列表。因此，当遇到新类型的简短修饰语时，简短修饰语的列表会被迭代地和归纳地扩展。

在这种方式收集数据的几个月后，即使遇到了独特提示的特殊模式，简短修饰语的列表也不再增长。作者进一步参与了文本生成艺术社区，参与了讨论，并在推特上发布了使用基于文本的生成系统制作的数字图像。人工智能生成的图像（包括中间步骤）与每次运行 VQ+CLIP 系统时使用的相应设置（例如，文本数据提示，LAN 模型，种子等）一起收集起来。

文档化

发现记录在一个带有文本和图片的 PowerPoint 演示中，以生成一个回忆和美学描述的民族志研究。如有必要，文档将被迭代地扩展和更正。主要作者与演示幻灯片的创作和互动作为与研究材料的日常对话。

这使得主要作者能够同时迭代地在视觉和文学上发展和表达对主题的理解。在研究期结束时，主要作者参与了对田野笔记的总结性分析。

简短修饰语的科学分类

文本生成工艺社区立即发现，通过向基于文本的输入提示添加修饰语，可以改善图片的审美特征和情感吸引力。这些简短的修饰语旨在指导基于局域网的框架朝特定方向发展。

我们的研究指向艺术家在基于文本的生成艺术社区中使用的至少五种不同类型的简短修饰语（主题词、风格修饰语、质量增强剂、重复和魔法术语）。主题词指示模型的理想主题（例如“草地上的一辆旧车”或“黎明时分的场景”）。虽然可以在没有主题词的情况下生成图片，但主题对于控制图片生成过程至关重要。另一方面，由于 Clasp 是在图片的描述性文本背景下训练的，主题词有时对结果的影响较小。

一个这样的例子是艺术家 Zifslaw，他开发了一种独特而鲜明的风格，但从未为他的作品命名。因此，特定主题在被设计成类似 Beky 的艺术品的图片中可能不太可靠地复制。

简短设计的行为

简短设计是将简短修饰语应用于添加提示的迭代行为。简短设计类似于与基于文本的生成框架进行对话。简短修饰语可以迭代应用，也可以根据经验学习的最佳实践进行应用。了解哪些简短修饰语对于给定主题词效果最好往往是迭代试验和错误、在网络社区中的研究以及利用在线工具和其他支持简短设计行为的资源的结果。

本部分概述了如何通过具体关注使用 VQ+CLIP 生成静态图片时逐步应用各种类型的简短修饰语。我们意识到存在其他文本到图片组合的方法，例如基于分布的系统和用于制作关键帧动画（例如缩放）的系统。我们将这些选择留给未来的工作。我们进一步只关注基于文本生成图片，将任何后处理步骤（例如使用图形编辑器进行编辑或更复杂的工作流程，包括几个

附加的基于局域网的模型）留给未来的工作。

虽然图片可以从随机文本甚至单个字符和表情符号中生成，但主题词对于控制数字图片的生成至关重要。因此，在实践中，简短工艺家使用修饰语进一步改进生成的图片，并对图片生成过程进行控制。

修改器通常被添加，目的要么是增强质量，要么是调整生成图片的风格。风格修改器和质量支持者并不构成不同的集合。相反，这两种类型的修改器可能具有重叠效应，两种简短修改器之间的区别有时并不完全明显。

例如，修改器“格雷格·鲁特斯利”展示了这一特性。格雷格是一位当代艺术家和概念艺术家，他在文本生成艺术社区的简短设计实践中得到了支持。使用修改器“by greg rutkowski”或“in the style of greg rutkowski”生成的图片具有出色的质地，富有细节。因此，这种风格修改器经常被用作质量支持者。

一旦添加了风格修改器，风格就可以被建立和“设置”，而不会失去表现力。强化剂，如重复的术语，可以应用于各种不同类型的修改器（主题、风格修改器和质量支持者），尽管它们通常应用于主题术语。最后，可以选择性地添加魔术术语以增加可能的惊人结果。使用魔术术语将导致结果更加多样化，同时保持整体风格。

这种修改器的示例可以在 Twitter 用户的简短说明中找到。用他的话说，“当给出这么多词时，一致性保持稳固，但信息图片的分类变得更具解释性”。每一种五种类型的简短修改器都可以分配权重。加权术语可以是负面的，以避免主题和风格被创建。例如，当简短包含“爱情”时，VQ+CLIP 通常会生成带有红色调的心形物体。通过向简短添加负载（例如，“心脏：-1”），系统可以被告知不要激活其大脑组织中的相关潜在因素。因此，生成的图片将不再包含心形物体。现在，任何人都可以使用普通语言生成类似于过去和当代艺术家的艺术品的图片，而无需技术专业知识和技能。

使用风格修改器对这种新兴的创意实践至关重要。

简短设计是一个新兴领域。除了刘和奇尔顿的设计原则外，关于基于文本生成艺术的简短设计几乎没有学术著作。本文对简短设计实践进行了分析，并提出了五种不同类型的简短修改器的分类。简短修改器的分类作为未来关于基于文本生成艺术的简短设计的结构化研究的明确起点。

此外，围绕基于文本的生成艺术的新兴社区以及简短工程实践的出现，提供了许多未来研究的机会，如下一节所示。

未来研究的有价值的机会

围绕基于文本的生成艺术的艺术社区是一个有吸引力的研究主题。未来的研究问题可能包括：

基于文本的生成艺术社区及其简短工程实践：

新兴基于人工智能的艺术社区的优势是什么，特别是涉及将组织归因给人工智能、版权和道德行为等及时议题？

基于文本的生成艺术社区中艺术家采用的简短工程工作流程和策略是什么？

使数据简报成功生成“美丽”的人工智能生成艺术品的因素是什么？

“创意”提示是否会产生更具创意的图片和艺术品？

更广泛的道德、本体论和认识论问题：

人工智能生成的艺术是否具有创造性？考虑到任何人都可以从打印提示中生成艺术作品，人类创造力与基于文本的生成艺术的本质是什么？

人工智能在创作艺术过程中是否具有组织？专家们如何看待人工智能在生成基于文本的艺术作品过程中的作用？

未来的工作还可以进一步探讨基于文本的生成艺术社区及其简短的工程实践，更详细地使用本文提出的数学分类，作为一个理论起点或框架。例如，艺术家们可能会开发复杂的实践和工作流程来创作他们的作品（例如，使用 ruDall-E 生成初始图像，并用 Clasp 进行指导分发来解决问题）。一些基于局域网的系统还允许图像修补，这提供了比简单的打印输入提示更多的互动性。

此外，专业人士在创作基于文本的生成艺术作品时可能会追求特定的决策（例如，选择特定的值作为模型的种子或调整材料大小以匹配特定主题术语）。其中一些决策可能属于社会理论领域，即可能为真实的因果归因，而其他决策可能基于专业人员的试错和在简短工程方面的经验。

围绕基于文本生成艺术的新兴社区还为人机交互研究人员提供了一个机会，可以开发技术支持工具、用户界面和互动体验，以支持文本生成艺术的创作，教授学习者简短工程的实践，并推动新兴的人工智能生成艺术环境。在这一领域的研究可能为一种新型的计算媒介和新兴的数字艺术做出及时贡献。

伦理和文化相关性的更广泛跨学科影响，超越了简短的工程和通过文学提示与人工智能的合作，如下一节所示。

人机智能协作的更广泛影响

简短工程的研究具有更广泛的影响，并不仅仅适用于人工智能生成艺术领域，还适用于人类与深度学习模型和人工智能整体的互动。

人工智能和创新工作的未来。将来，我们可能会看到具有生成能力的大脑网络，超越我们今天所能想象的。这种强大的基于人工智能的系统将对我们与计算机的互动方式产生影响，从而影响创新工作的未来。人工智能不仅将改变我们在线工作的方式，还将改变我们工作的内容和人类在工作中的组织形式。

一个具有这种变革潜力的新应用示例是 OpenAI 的 Codex。Codex 是一个巨大的语言模型，可以解释自然语言中的命令并生成编程代码。将来，我们将不再需要编写代码，而是可以用自然语言描述软件及其预期结果。深度学习模型，如 OpenAI 的 Codex，或者更大的基础模型，将根据人类表达或书写的输入提示生成可执行的软件代码。这种人与计算机的组织形式的改变可能对创新工作产生跨发展性的影响，如软件开发。类似技术已经积极应用于 GitHub，这是一个帮助用户自动完成编程代码的“人工智能伙伴开发者”。

深度学习在颠覆和改变整个创意经济领域方面有着巨大的潜力。例如，生成系统可以根据简短的文本提示创建整个互动式叙事世界和游戏。未来，用于创建在线产品和体验的低代码和无代码工具将变得越来越普遍，决策性人工智能系统可能会作为下一波人工智能将人工智能带给非编程人员。根特公司估计，到 2024 年，80%的技术产品和服务将由非技术专家构建。与黑盒人工智能模型的互动在未来的用例和人工智能应用中将变得越来越普遍。因此，从现在开始，设计有效的提示将扮演越来越重要的角色。

其他用例。基于文本的生成艺术的使用案例只是众多用例之一，对未来创意工作和人机交互的影响有着深远的意义。

最后一种选择可以从多个角度看待，比如以人为中心的人工智能、人工智能组织和人工智能协作。无论用什么术语来描述我们与人工智能的关系，我们将在未来通过自然语言与未知模型进行越来越频繁的交流。

研究信息提示如何真正被理解是非常理想和重要的。在这一领域的研究将推动我们如何解释人们如何实际与机器学习模型进行交流。这项研究将指导未来由人工智能（AI）驱动的应用程序和系统的设计，并促进对使用这些人工智能驱动系统的不同利益相关者需求的理解。对用户的更好理解不仅可以推动可解释性和人工智能驱动系统的可理解性的研究，还可以提供有关如何设计公平、负责任和透明的电子系统的有价值见解。这三个要素可能是帮助建立信任友好人工智能关系的基石。