当前位置: 首页 > article >正文

ChatGPT高效提问—prompt常见用法(续篇五)

ChatGPT高效提问—prompt常见用法(续篇五)

1.1 种子词

​ 种子词(seed word)通常指的是在对话中使用的初始提示或关键词,用于引导ChatGPT生成相关回复。种子词可以是一个词、短语或句子,通常与对话的主题或问题相关。例如,想生成科技类文章,可以将“人工智能”“机器学习”等关键词作为种子词,这些词可以帮助ChatGPT更好地理解文章主题。

​ 使用种子词可以引导ChatGPT生成更准确的回复,使对话更具针对性。种子词可以作为对话的起点,提供上下文或明确的指导,以便ChatGPT更好地理解和满足我们的需求。

1.1.1 种子词使用的方法

1. 明确的问题或指令

​ 对话中包含明确的问题或指令作为种子词,以引导ChatGPT回复相关的信息。种子词的prompt公式为“请根据以下种子词生成文本+种子词”。

​ 输入prompt:

Screenshot 2024-02-08 at 09.23.36

​ ChatGPT输出:

Screenshot 2024-02-08 at 09.25.40

​ 从输出结果来看,包含种子词“龙”的prompt成功引导ChatGPT生成了一篇关于龙的介绍,涵盖了龙的传说和文化象征。

2. 上下文引用

​ 在种子词中提到之前的对话内通,以便ChatGPT可以回应特定的问题或继续之前的讨论。promt公式为“前面我们讨论了xx,请继续谈谈[种子词]“。

​ 输入prompt:

Screenshot 2024-02-08 at 09.29.49

​ ChatGPT输出:

Screenshot 2024-02-08 at 09.30.57

​ 从输出结果来看,ChatGPT根据我们的种子词提示,简要介绍了明朝的历史。

3. 主题提示

​ 使用与特定主题相关的关键词或短语,以引导ChatGPT生成回复。这种方式比较简单,prompt公式为“请谈谈[主题(种子词)]“。

​ 输入prompt:

Screenshot 2024-02-08 at 09.37.12

​ ChatGPT输出:

Screenshot 2024-02-08 at 09.40.35

​ 我们使用主题提示的方式让ChatGPT抖音,它立即给出了相关介绍。

4. 配合角色使用

​ prompt种子词可以配合角色使用,以生成更具体和有针对性的文本。通过提供种子词,模型可以生成与之相关的文本;通过提供有关期望输出和角色的信息,模型可以模仿特定角色的风格或语气生成文本。这样可以更好地控制生成的文本,并应用于各种场景。以写诗为例。

任务:写一首诗

指令:诗应与种子词“思乡”相关,并且为五言律诗形式

角色:诗人苏东坡

Prompt: 模仿诗人苏东坡,根据种子词“思乡”写一首五言律诗

​ 输入prompt:

Screenshot 2024-02-08 at 09.49.05

​ ChatGPT输出:

Screenshot 2024-02-08 at 09.49.56

​ 使用种子词“思乡”配合角色“诗人苏东坡”,生成了一首有浓浓思乡之情的五言律诗。接下来我们看看种子词配合角色生成摘要的例子。

​ 任务:生成摘要

​ 介绍:摘要应与种子词“ChatGPT“相关

​ 角色:中学生

​ prompt:以中学生的口吻为这篇关于ChatGPT的文章生成摘要[插入文章内容]

​ 输入prompt:

Screenshot 2024-02-08 at 11.26.59

Screenshot 2024-02-08 at 11.27.40

​ ChatGPT输出:

Screenshot 2024-02-08 at 11.48.29

​ 从输出结果来看,ChatGPT确实以中学生的口吻生成了通俗易懂的摘要。种子词配合角色,让ChatGPT的输出更加个性化和人性化。

1.1.2 如何发现种子词

​ 既然种子词如此重要,那么如何发现种子词呢?以下几种方法可供参考。

  • 名词对象。因为目标对象往往作为一个名词存在,所以名词可以作为种子词,如篮球。
  • 领域知识。如果对特定领域有深入了解,可以根据该领域的专业术语、关键词和热门话题来确定种子词。
  • 数据挖掘。通过对大量数据进行挖掘和分析,可以发现与主题相关的高频关键词和短语,并将其作为种子词。
  • 关键词工具。使用关键词工具(如Google AdWords)可以找到与主题相关的高频搜索关键词,并将其作为种子词。

在寻找种子词时,需要考虑场景、目标、内容类型等因素,并尝试不同的方法。充分利用种子词,不断探索新的使用方法和技巧,以生成更加精准、有效、符合期望的文本内容。有了种子词,输出内容大致符合我们的预期,但还有待控制。接下来介绍如何控制输出。


http://www.kler.cn/a/233347.html

相关文章:

  • Zookeeper的安装与使用
  • Java结合ElasticSearch根据查询关键字,高亮显示全文数据。
  • JavaWeb后端开发知识储备1
  • Ruby编程语言全景解析:从基础到进阶
  • 字节跳动Android面试题汇总及参考答案(80+面试题,持续更新)
  • 「Py」Python基础篇 之 Python都可以做哪些自动化?
  • Flask 入门8:Web 表单
  • 【前端web入门第四天】03 显示模式+综合案例热词与banner效果
  • 使用navicat导出mysql离线数据后,再导入doris的方案
  • 【51单片机Keil+Proteus8.9】门锁控制电路
  • 法国实习面试——计算机相关专业词汇
  • ElasticSearch之倒排索引
  • 车载测试中:如何处理 bug
  • SparkJDBC读写数据库实战
  • c#表达式树(MemberInitExpression)成员初始化表达式
  • 工厂方法模式(Factory Method Pattern)
  • 【开源计算机视觉库OpencV详解——超详细】
  • 【Scala】 2. 函数
  • containerd中文翻译系列(十)镜像验证
  • 《PCI Express体系结构导读》随记 —— 第II篇 第4章 PCIe总线概述(11)
  • Python学习路线 - Python高阶技巧 - PySpark案例实战
  • Javaweb之SpringBootWeb案例之异常处理功能的详细解析
  • C#中的浅度和深度复制(C#如何复制一个对象)
  • 深度学习技巧应用36-深度学习模型训练中的超参数调优指南大全,总结相关问题与答案
  • UI自动化之Poco常用断言方式
  • RCE(命令执行)知识点总结最详细