ChatGPT 诞生以来，凭借划时代的创新，被无数人一举送上生成式 AI 的神坛，
我们总是期望它能准确理解我们的意图，却时常发现其回答或创作并非百分之百贴合我们的期待。这种落差可能源于我们对于模型性能的过高期望，亦或者我们在使用时未能找到最有效的沟通途径。
正如探险者需要时间适应新的地形，我们与 ChatGPT 的互动也需要耐心和技巧，此前 OpenAI 官方发布了 GPT-4 使用指南 Prompt engineering，这里面记载了驾驭 GPT-4 的六大策略。
相信有了它，未来你和 ChatGPT 的沟通将会更加顺畅。
简单总结一下这六大策略：
写出清晰的指令
提供参考文本
将复杂的任务拆分为更简单的子任务
给模型时间「思考」
使用外部工具
系统地测试变更
写出清晰的指令
描述详细的信息
ChatGPT 无法判断我们隐含的想法，所以我们应该尽可能明确告知你的要求，如回复的长短、写作的水平、输出的格式等。
越少让 ChatGPT 去猜测和推断我们的意图，输出结果满足我们要求的可能性越大。例如，当我们让他写一篇心理学的论文，给出的提示词应该长这样
请帮助我撰写一篇有关「抑郁症的成因及治疗方法」的心理学论文，要求：需要查询相关文献，不能抄袭或剽窃;需要遵循学术论文格式，包括摘要、引言、正文、结论等部分;字数 2000 字以上。
让模型扮演某个角色
术业有专攻，指定模型扮演专门的角色，它输出的内容会显得更加专业。
例如：请你扮演一名警探小说家，用柯南式推理描述一起离奇命案。要求：需匿名处理，字数 1000 字以上，剧情跌宕起伏。
使用分隔符清楚地划分不同部分
三引号、XML 标签、节标题等分隔符可以帮助划分需要区别对待的文本节，帮助模型更好地消除歧义。
指定完成任务所需的步骤
将部分任务拆成一系列条例清晰的步骤，这样更有利于模型执行这些步骤。
提供示例
提供适用于所有示例的一般性说明通常比通过示例演示更有效，但在某些情况下提供示例可能更容易。
举个例子，如果我告诉模型要学会游泳，只需要踢腿和摆动手臂，这就是一个一般性的说明。而如果我给模型展示一个游泳的视频，展示踢腿和摆动手臂的具体动作，那就是通过示例来说明。
指定输出长度
我们可以告诉模型，希望它生成的输出有多长，这个长度可以以单词、句子、段落、要点等方式进行计数。
受限于模型内部机制和语言复杂性的影响，最好还是按照段落、要点来划分，这样效果才会比较好。
提供参考文本
让模型使用参考文本回答
假如我们手头上有更多参考信息，那我们可以「喂」给模型，并让模型使用提供的信息来回答。
让模型引用参考文本来回答
如果输入中已经包含了相关的知识文档，用户可以直接要求模型通过引用文档中的段落来为其答案添加引用，尽可能减少模型胡说八道的可能性。
在这种情况下，输出中的引用还可以通过编程方式验证，即通过对所提供文档中的字符串进行匹配来确认引用的准确性。
将复杂的任务拆分为更简单的子任务
使用意图分类来识别与用户查询最相关的指令
处理那些需要很多不同操作的任务时，我们可以采用一个比较聪明的方法。首先，把问题分成不同的类型，看看每一种类型需要什么操作。这就好像我们在整理东西时，先把相似的东西放到一起。
接着，我们可以给每个类型定义一些标准的操作，就像给每类东西贴上标签一样，这样一来，就可以事先规定好一些常用的步骤，比如查找、比较、了解等。
而这个处理方法可以一层层地递进，如果我们想提出更具体的问题，就可以根据之前的操作再进一步细化。
这么做的好处是，每次回答用户问题时，只需要执行当前步骤需要的操作，而不是一下子把整个任务都做了。这不仅可以减少出错的可能性，还能更省事，因为一次性完成整个任务的代价可能比较大。
对于需要处理很长对话的应用场景，总结或过滤之前的对话
模型在处理对话时，受制于固定的上下文长度，不能记住所有的对话历史。
想要解决这个问题，其中一种方法是对之前的对话进行总结，当输入的对话长度达到一定的限制时，系统可以自动总结之前的聊天内容，将一部分信息作为摘要显示，或者，可以在对话进行的同时，在后台悄悄地总结之前的聊天内容。
另一种解决方法是在处理当前问题时，动态地选择与当前问题最相关的部分对话。这个方法涉及到一种叫做「使用基于嵌入的搜索来实现高效的知识检索」的策略。
简单来说，就是根据当前问题的内容，找到之前对话中与之相关的部分。这样可以更有效地利用之前的信息，让对话变得更有针对性。
分段总结长文档并递归构建完整摘要
由于模型只能记住有限的信息，所以不能直接用来总结很长的文本，为了总结长篇文档，我们可以采用一种逐步总结的方法。
就像我们阅读一本书时，可以通过一章又一章地提问来总结每个部分。每个部分的摘要可以串联起来，形成对整个文档的概括。这个过程可以一层一层地递归，一直到总结整个文档为止。
如果需要理解后面的内容，可能会用到前面的信息。在这种情况下，另一个有用的技巧是在阅读到某一点之前，先看一下摘要，并了解这一点的内容。
给模型时间「思考」
指示模型在急于得出结论之前想出自己的解决方案
以往我们可能直接让模型看学生的答案，然后问模型这个答案对不对，但是有时候学生的答案是错的，如果直接让模型判断学生的答案，它可能判断不准确。
为了让模型更准确，我们可以先让模型自己做一下这个数学题，先算出模型自己的答案来。然后再让模型对比一下学生的答案和模型自己的答案。
先让模型自己算一遍，它就更容易判断出学生的答案对不对，如果学生的答案和模型自己的答案不一样，它就知道学生答错了。这样让模型从最基本的第一步开始思考，而不是直接判断学生的答案，可以提高模型的判断准确度。