2.7 灵活组合多种方法

至此，你已经学习了本节中所有提到的提高准确度的 Prompt 优化方法。我想再次强调，「格式大于内容」这一点。

在实际应用中，我们也不应该局限于使用单一的方法，而应该根据问题的需求灵活地组合这些提到的技巧。这样，无论是自己撰写一个全新的 Prompt 还是修改网上流传的 Prompt，我们都能游刃有余。

在本章，我们将以三个生活中常见的问题为例，而这些问题具有一些共性。通常，GPT 可以比人工更快、更有效地解决。但直接向GPT提问可能不会产生理想的结果，即便我们采用之前学过的某一种优化方法，输出的效果可能仍不尽如人意。在这种情况下，我们需要灵活地组合和运用已经掌握的技巧。

例子 1：论文写作

第一个例子我们将选择刚刚学完的长内容生成，这里仍然以撰写一篇关于气候变化的论文为例，如果我们直接询问 GPT，得到的答案往往过于自由发散且每次生成的内容都不尽相同，无法保持稳定性。

如果我们只采用一种优化方法，答案的质量或许稍有提升，但可能无法直接生成最终内容，或者质量增长有限。在此情况下，我们可以借鉴自己撰写论文或文章时的思路和流程：

1. 首先用角色扮演的方法，让 GPT 主动理解并搜索相关的结构，方便我们接下来用内容去填充。

2. 然后结合分步、举例和思维链的方法，让 GPT 自己搜索或者我们主动给到 GPT 能够填充结构的相关概念。

3. 最后让 GPT 结合上面提到的结构和概念来生成最后的文章内容。这个部分需要根据 GPT 的生成内容来修改增加限制，比如 GPT 列出的内容喜欢列表，就用之前的关键词优化方法加上{{口语化的语气}}等。

GPT 直接生成论文的结果

GPT 使用组合优化方法后生成论文的结果

为配合最后截图的字数限制，我未对 Prompt 和文章进行深度优化，且一部分内容因主题原因并未完全符合上述结构和步骤。但你可以看到，相比之前，文章的质量已有大幅度提升。

在这一步，如果你想生成更长的文章内容，或者让内容完全贴合 GPT 自己列举的结构。记得用上我们前两章文章生成部分提到的优化方法进一步优化。也可以让在每个问题里 GPT 按照之前的结构生成一部分内容，比如先用一个回答让 GPT 生成开头，然后再用一个回答让 GPT 生成引言，以此类推。

例子 2：理解和学习复杂的新知识

学习是人类永恒的本能，但数学不会就是不会（误）。虽然是开玩笑，但我们学习新知识的时候，最好还是有一个贴合自己认知平滑曲线，缓慢增加难度。当我们将学习新知识和理解新概念等教学任务交给 GPT 时，可能会遇到问题。以「广义相对论是什么？」这个问题为例，如果你直接向 GPT 提问，可能收到的专业级别的回答会非常晦涩难懂。如果没有相关的背景知识，这样的回答对我们来说依然无法理解。

这个时候我们就要用上组合方法，通常是角色扮演，分步，降低想象力三个组合：

1. 角色扮演用来限定 GPT 本身的角色和锚定目标受众，也就是我们自己的认知范围。比如 GPT 是物理教师，我们就是高中生。

2. 分步用来将某个复杂的概念拆分成一些简单的概念，进一步降低学习难度，或者是限定某些我们需要学习的知识，避免 GPT 生成太多无关知识。

3. 最后一步只是限定 GPT 不要太过于放飞自我，出现瞎编或者乱说。

使用组合优化方法后 GPT-3.5 的回答结果

组合优化后的概念解释更符合我们的认知和实际情况。提供的例子口语化、易懂，虽然可能存在不准确之处，但对高中生这个级别的读者来说，着实贴切。然而，需要注意一点：即使我们对 GPT 的想象力加以限制，GPT 的工作原理意味着它总有可能说些没有根据的话。因此，我们在获得回答后，仍需与经过认证的第三方信息源进行交叉验证。

另一种策略是引用例子或提供素材，让 GPT 直接根据这些素材降低学习难度，这也是很多学习网站采用的「AI 老师」的方法。

例子 3：提取需要的数据信息

第三个常见需求是信息提取。在日常生活中，我们有时需要收集、整理数据，并将其转化为特定格式。数据并非总是清晰地呈现出来，而且收集完毕后，通常并未按我们所需的格式进行整理，而这正是 GPT 擅长的任务。

以「2022 年智能手机市场的销量增长率和影响因素」为例，因涉及时效性信息，我们选择使用 New Bing。这也向大家展示了这些优化方法在其他应用和服务中的效用。如果我们直接向 New Bing 提问，得到的结果可能既不准确也不全面，并且作为数据的表述也缺乏简洁性：

直接提问 New Bing 得到的结果

但是我们可以综合提取关键信息、分步、思维链和 json 格式提取信息大法这四个优化方法，组合为一个长 Prompt。这样可以让 New Bing 搜索信息的时候更有效率，不仅可以找到更准确的信息，速度也更快。

使用组合优化方法后 New Bing 得到的结果

请注意，如果我们没有直接从素材或示例中为 GPT 或其他应用程序提供信息，我们必须先确认最终生成的数据的准确性。例如，上述问题中的销售量可能是准确的，但是增长率很可能是错误的。在这种情况下，你需要在 Prompt 的结尾处增加一句话，让 New Bing 提供每一个 jso n数据的来源。你也可以在 json 中直接添加一个数据来源字段。

总结

在本章中，我通过三个生活中比较常见的例子回顾了之前我们学到的各种优化 Prompt方法。也许这些方法在实际使用的时候你记不住，但没关系，只需要经常练习使用，很快你就能熟练掌握这些诀窍，问问题时只需要下意识就能用上这些方法。

在我看来 GPT 只是我们众多工具中的一种。学习使用它与其他复杂工具并无太大区别，只要顺利度过上手阶段，剩下的就是多加练习，就能达到熟练的程度。从下一章开始，我们将深入解决 GPT 胡言乱语的问题。