欢迎访问chatgpt中文教程网,学习chatgpt相关知识,以下是正文内容:
本文首先会简要的介绍下 ChatGPT 是如何实现与人类的聊天交互;然后会给你一个与ChatGPT聊天的公式 - 提示词三层结构 - 上手如何正确地和AI进行对话。从宏观的角度来看,人类输入文本,然后等待ChatGPT生成回答。这中间其实隐藏了以下几个步骤。首先会进行预处理,这又分为两个步骤,对提示词进行编码和分词。其次是模型生成的过程,这里分为三步:编码、进行推理生成、解码。解码后的文本就是最后ChatGPT回复的内容。我们在对话框中输入的文本就是Prompt。提示编码是一种基于模板的编码方式,就是将用户输入的Prompt和预先定义号的Prompt模板库中的模板进行匹配。之所以如此做是为了让ChatGPT的回答更具有针对性,当匹配上某个模板后,它就会在这个模板框定的范围内进行回答。分词的目的是给一串文本标记出基本单元,即Token,它可以是单词、数字、标点符号或任何其他文本单元,分词后的数据可以方便模型进行下一步的处理。将人类的自然语言转为成计算机可以处理的数字向量形式。这个过程很类似与你用中文和英语国家的人聊天,他得先将中文转化成英文。推理生成(Model inference and Generation)这是指模型对上一步生成的向量数据进行理解和分析,从而能够对用户的问题做出回答。就像人类说话的时候也是一边思考一边生成输出。这其中推理是指模型根据预测生成下一个Token,接着这个Token连同之前的上下文继续预测生成,依此类推,最终生成一段向量码(Decoding)将模型生成的向量串转化为人类可读的文本形式。也就是英语国家的人将自己的回答意图从英文转化为中文。以上过程就是ChatGPT生成回复的整个过程。这里或许会有疑问,它是如何做到输出基本响应的呢?首先它用到了注意力机制 - 让ChatGPT生成的内容更符合主题和逻辑 - 这个机制能够让ChatGPT抓住对话的重点和主题,从而预测出与主题相关的符合逻辑的内容;其次是引导ChatGPT推理生成能力的训练技术 - 该技术在各类数据集上对ChatGPT进行训练,从而让它能学习到数据集对应的特性。以上两种技术涉及到比较复杂的计算机相关知识,这里就不做展开了。后续我会对这些内容进行系列讲解。感兴趣的读者可以保持持续关注,或者留言对那些内容比较感兴趣,我也可以提前输出。这里我从一个实际例子出发,来带出提示词的三层结构公式。这种直白的提问方式,导致它说了一堆大家都知道的通识类废话,并没有给到我什么实质性的帮助。- 目的优先:当我们在提问时,需要先明确自己的需求和目的是什么。目的,是将关于搬家的模糊想法,拆解成具体的任务清单。
- 输入资料:在提问时,提供尽可能多的背景信息,以便ChatGPT可以更好的理解我们的问题或需求。背景资料:“旧的家具有些要扔掉,有些要搬到新家。新家需要购买一些新家具,另外还要找时间打扫一下新家,完成这些后,才能花一天时间请搬家公司一次性完成搬家任务。还要回到旧房子清理卫生,最后和房东办理退租...”
- 输出设定:确定我们期望的输出结果是什么。比如表格、任务清单等。输出:根据我的问题,给我提供一份任务清单,以及帮我看一下是否有什么遗漏的任务需要处理?
接着我们来尝试一下这个公式,先整理一下三层结构的语序。“帮我把下面这个模糊的搬家想法,拆解成任务清单,并且帮我补上可能遗漏掉的任务:我最近需要搬家,一些老旧和破损的家具需要扔掉和置换,一些家具需要打包好再搬到新家,还要购买一些新家具,最后可以进行一些布置。家具搬到新家之前,需要先去打扫一遍房子。还需要请搬家公司来帮忙,我希望一次性把东西都搬完,但这可能需要花费一天的时间。最后,我要把旧房子打扫完之后,才能和房东办理退租,否则可能会被扣钱。”可以看到,现在ChatGPT的回答明显比之前好多了,已经可以给到我帮助了。但你可能会发现是否还能更好的明确一些任务呢?比如,扔掉或置换老旧和破损的家具,这一项,我们本来就很明确,它只是进行了简单的重复,并没有对我们起到更好的帮助,如果它能从价格的角度给出回复是不是会更好呢?这就涉及到对提示词进行优化的策略了,这个我会在后面的文章继续说明,请大家千万不要错过。本文到此结束,大家可以多多练习提示词的三层结构,希望能够帮到你。
本文链接:http://xiaogongchang.cn/chatgpt/1039.html
chatgpt 胡锡进chatgpt叫法的由来GPT模型chatgpt download注册chatgpt的虚拟手机号chatgpt 注册详细流程chatgpt会员和普通版企业版ChatGPTchatgpt4.0是真的人工智能吗