扼杀创意的聊天 GPT 提示单词错误

最编程 2024-04-05 17:22:01

...

原文：ChatGPT Prompting Mistakes That are Killing Your Productivity

译者：飞龙

协议：CC BY-NC-SA 4.0

接下来的页面

准备踏上一段激动人心的旅程，了解 ChatGPT 可能会犯的错误。附有解决方案和示例。这些与常见用法书写、搜索引擎优化和文案写作有关。

要求：只需要一个开放的头脑和学习的愿望。

我们将探讨定义和塑造 ChatGPT 性能的关键因素。进入机器学习和自然语言处理领域。

每个伟大的英雄都有其致命弱点，ChatGPT 也不例外。

我们不会回避暴露模型的局限性，例如固有偏见、上下文意识、对提示工程的敏感性和事实错误。

我还会为您提供实用的解决方案，以克服这些挑战，确保您可以自信而熟练地运用 ChatGPT 的力量。

一旦您深入了解了 ChatGPT 的内部机制，我们将解决通用用户常见的错误、解决方案和示例。

掌握了新的知识和洞察力，您将能够理解这些错误背后的原因，并轻松地避开它们。

这将让您节省宝贵的时间，并集中精力提高您的输出质量，因为您将清楚地了解模型的能力和限制。

您将发现 20 个一般用途、搜索引擎优化、文案写作和写书常见陷阱的宝贵见解。

我们将阐明在提示 ChatGPT 时清晰和巧妙的指令的重要性。

你将从本书中获得什么：

更好地理解 ChatGPT 的基本机制
对限制和偏见的认识
增强的引导构建技术
克服挑战的策略
ChatGPT 能力的整体视角
你将发现常见的陷阱和一般用途、搜索引擎优化、文案写作和写书的解决方案。

接下来的页面

先从基础开始！

ChatGPT

这个工具

影响你的 ChatGPT 输出的因素

机器学习

变换器架构

自然语言处理（NLP）

注意机制和自我注意力

自监督学习

标记化和标记

神经网络的语义层

训练数据和理解

黑箱

关系

带着新的理解提示

ChatGPT 的局限性

固有偏见

上下文意识

对提示敏感

事实不准确

冗长

不当内容

你犯了这些错误吗？

一般错误

与写书有关的错误

与 SEO 任务相关的错误

与文案任务相关的错误

奖金

我最喜欢的 15 个提示技巧

结束

我们已经涵盖的内容

探索更多

先从基础开始！

让我们了解我们正在处理的内容。

ChatGPT

ChatGPT 代表 Chat Generative Pre-Trained Transformer。

聊天 - ChatGPT 旨在用于会话设置，例如聊天机器人或虚拟助手。

生成式 - ChatGPT 基于用户提供的提示生成新文本的能力。

预训练 - ChatGPT 已经在大量数据上进行了训练，使其能够生成高质量的文本，只需进行最少的额外训练。

转换器 - ChatGPT 用于处理和生成文本的神经网络架构。

如何访问 ChatGPT

要个人或专业使用 ChatGPT，请访问此网站。

chat.openai.com/auth/login

当您打开链接时，您会看到这个。

ChatGPT 登录/注册页面

登录或注册创建账户。

ChatGPT 用户界面

ChatGPT 平台布局

成功登录后，您将看到一个类似下面所示的文本框。

这是所有魔术发生的地方，也是您输入提示或输入的地方。

ChatGPT 的输入/提示文本框

ChatGPT：交互窗口布局

当您探索 ChatGPT 平台时，您会注意到在左上方，您将找到您的对话历史记录。

最顶部有一个开始新聊天的选项，我建议为每个话题创建一个新的聊天。

ChatGPT：新聊天菜单和重命名和删除聊天选项

当您处于聊天状态时，仔细观察，您会看到在当前聊天旁边有钢笔和删除图标。

这些选项可以让您重命名或删除您的聊天。我强烈建议为将来参考重命名您的聊天。

ChatGPT 根据第一个提示标签化聊天，这可能会使事情有点混乱。

您的账户菜单位于左下角，而主交互窗口占据中心舞台。

在这里，您将在顶部看到您的输入或提示，下面就是 ChatGPT 的输出。

如果您将鼠标悬停在用户标签上，您会注意到一个钢笔和纸张图标，这个选项可以让您编辑您的提示，保存并提交。

或者，您可以选择重新生成 ChatGPT 的输出。

ChatGPT：编辑提示/输入图标

ChatGPT：编辑、保存和提交提示选项

ChatGPT：重新生成 ChatGPT 输出选项

但是，我建议避免这两个选项，特别是如果您正在生成长篇内容，比如一本书或在线课程。

使用这些选项会创建一个左/右滑动菜单，其中包含所有迭代。这可能会变得混乱和令人困惑，特别是当你试图检索之前生成的内容时。

ChatGPT：ChatGPT 输出迭代

ChatGPT 3.5 和 ChatGPT 4

OpenAI 最近将 ChatGPT 从 GPT 3.5 升级到 GPT 4。

你可能想知道，“有什么区别？”我会在另一章节中详细介绍所有细节。现在，让我简要介绍一下基本情况。

有什么区别？

GPT 3.5 仅使用基于文本的提示，而 GPT 4 使用文本和图像输入。

不幸的是，图像输入功能尚未对公众开放。

GPT 4 更快，可以随时访问，而 GPT 3.5 仅在需求低时可用。

ChatGPT 3.5 对所有用户免费。你只需创建一个帐户即可。而要访问 ChatGPT 4，你需要升级到 ChatGPT Plus，进行每月 20 美元的订阅。（随时可取消。）

访问 ChatGPT 4

一旦你处于 ChatGPT 3.5 布局，

暗黑模式

左侧有这个菜单，

左侧菜单。

注意“升级到 Plus NEW”。

点击进行升级并访问 ChatGPT 4。

这是随之而来的窗口。价格为每月 20 美元。你可以随时取消计划。

ChatGPT 4 升级页面

升级成功后，这将是你的新布局。

ChatGPT Plus 布局

要访问 GPT-4，点击下拉箭头。

GPT 模型菜单

你将看到一个菜单，选择 GPT-4 选项即可开始。

––––––––

ChatGPT：ChatGPT Plus 布局

在尝试真实的功能之前尝试一下。

Writesonic 免费访问 GPT-4

本书提供的提示模板适用于 GPT3.5 和 GPT4。

如果你刚开始使用 ChatGPT，它足够创建你所有的内容。

现在你已经与你的新助手相处，让我们更好地了解 ChatGPT。

我们便利的助手。

这个工具

如果你是 ChatGPT 的新手，理解这个令人难以置信的人工智能语言模型的强大之处以及其局限性都是至关重要的。还有让它起作用的关键因素。

我们将探讨 ChatGPT 的局限性，以及与提示工程、机器学习和训练数据的关系，以帮助你理解输出的原因。

要完全掌握 ChatGPT 的能力，了解驱动它的基础机器学习概念和深度学习架构是至关重要的。

ChatGPT 的内部工作会不经意地影响输出结果，而你却无能为力。

影响您的 ChatGPT 输出的因素

影响 ChatGPT 输出质量和性能的关键因素

这些因素是您无法控制的，特别是当您正在使用常规的 ChatGPT 时

机器学习

机器学习是人工智能领域的一个领域，涉及训练计算机识别模式并根据输入数据进行预测。

神经网络是许多机器学习算法的关键组成部分，因为它们由相互连接的神经元组成，可以识别数据中的模式并基于该数据进行预测。

我有提到神经网络是受人脑结构启发的计算系统吗...

调整神经元之间的权重和连接是训练神经网络的关键部分。

这个过程被称为反向传播。它允许网络从输入数据中学习，并在训练和新的未见过的输入数据上提高其准确性和性能。

通过调整权重来更好地反映输入数据和期望输出之间的关系。

目标是找到一组权重，使其在新的、未见过的数据上能够做出最准确的预测。

想象一下你有一个从未尝过披萨的朋友，你想教他关于它的味道。你给他各种口味的披萨样本，并描述每种味道，随着时间的推移，你的朋友学会了识别和欣赏不同的味道。这类似于神经网络的训练方式。

Transformer 架构

Transformer 架构是专为自然语言处理而设计的神经网络，包括文本生成和语言翻译。

它由层组成，可以转换输入数据，包括自注意机制，让它能够专注于输入的不同部分。

这使得 Transformer 能够通过在不同时间关注输入文本的不同部分来生成类似人类的文本。

Transformer 在自然语言处理任务中非常有效，并通过处理和转换输入数据取得了令人印象深刻的结果。

将 Transformer 想象为一位专门制作披萨的大厨。这位大厨可以制作各种口味的披萨，理解原料的微妙之处，以及制作每个披萨所需的步骤顺序。

自然语言处理（NLP）

NLP 是人工智能（AI）领域的一个研究方向，它专注于计算机和人类语言之间的交互。

它使计算机能够以有意义的方式理解、解释和生成人类语言。ChatGPT 利用 NLP 来理解和回应用户输入。

例如，如果你问 ChatGPT，“今天天气如何？”它会使用 NLP 来识别你的问题并生成一个合适的回答，比如“今天天气晴朗温暖”。

注意机制和自注意力

注意机制在神经网络中帮助模型在生成输出时专注于输入的相关部分。

自注意力是 Transformer 架构中使用的一种特定类型的注意机制，允许模型权衡给定上下文中不同单词或标记的重要性。

想象一下，你正在阅读一本关于比萨历史的书。你的大脑会自动聚焦在最相关的信息上，比如配料和烹饪技巧，并忽略不太重要的细节。注意机制在神经网络中的工作原理与此类似。

自监督学习

自监督学习是一种机器学习类型，模型通过从输入数据中生成自己的标签来学习。

在 ChatGPT 的情况下，它是在包含来自各种来源的文本的大型数据集上进行训练的。

它通过预测上下文中的前几个单词来生成适当的文本响应。

标记化和标记

标记化是将文本分解为称为标记的更小单位的过程，通常是单词或子单词。这些标记作为神经网络的输入。

粒度，或标记中的细节级别，会影响模型如何处理文本和学习语言模式。

举例说明标记化的不同粒度级别：

字符级标记化（更细粒度）

输入文本：“ChatGPT is amazing!”
标记：['C', 'h', 'a', 't', 'G', 'P', 'T', ' ', 'i', 's', ' ', 'a', 'm', 'a', 'z', 'i', 'n', 'g', '!']
在这里，每个字符，包括空格和标点符号，都被视为一个单独的标记。

单词级标记化（更粗粒度）

输入文本：“ChatGPT is amazing!”
标记：['ChatGPT', 'is', 'amazing', '!']
在这种情况下，每个单词都被视为单独的标记，包括标点符号。

子单词级标记化

输入文本：“ChatGPT is amazing!”
标记：['Chat', 'G', 'PT', ' is', ' amaz', 'ing', '!']
子单词标记化将文本分解为比字符大但比完整单词小的更小单位。这些单位可以是单词的一部分，甚至是单词和空格的组合，具体取决于所使用的特定标记化方法。

更细粒度有助于模型学习单词之间的共享模式并更好地概括，而更粗粒度可能会限制其能力。

神经网络的语义层

语义层指的是神经网络中信息的分层结构。随着信息通过网络的层传递，它变得更加抽象和有意义。

让模型理解输入数据的基本结构和含义。

想象一个披萨装配线。第一层处理原材料，第二层将它们组合成披萨底，最后一层添加配料并烘烤披萨。同样，在神经网络中，每一层都在处理和完善信息。

训练数据与理解

训练数据指用来教授模型的文本语料库。由于 ChatGPT 接触了大量的文本数据，它学会了语言内部的结构和模式。

通过预测句子中的下一个词，给定前面的词作为上下文，模型逐渐学习语法、句法和语义。

它还从训练文本中获得关于事实和常识推理的知识。

例如，如果训练数据包括"地球围绕太阳旋转"和"太阳是太阳系的中心"这样的句子，模型就会学习这些事实，然后可以生成反映这种理解的文本。

黑匣子

"黑匣子"一词指的是解释复杂的神经网络（如 ChatGPT）得出结论的困难。

由于网络内部的层数和连接数众多，很难追踪导致特定输出的决策过程。

这使得理解和解释模型的行为变得困难。

想象一下，在密封盒子内进行披萨制作过程。你可以看到配料进入和成品披萨出来，但是你无法观察中间的步骤。同样，我们可以观察神经网络的输入和输出，但其内部运作仍然是不透明的。

如果这对你来说太难理解了，那么 ChatGPT 的工作原理可以用小口吃来解释。

ChatGPT 依赖于机器学习和神经网络来处理和生成文本。其构建在 Transformer 架构上，由于自注意机制，擅长自然语言处理任务。

该模型是通过自监督学习来训练的，从大量的文本数据中学习。标记化有助于将文本拆分成更小的单元，而神经网络中的语义层使模型能够以各种抽象级别理解语言。

然而，网络的复杂性使其成为一个黑匣子，难以解释其决策过程。

好一些了吗？

关系

这 9 个因素如何影响您的 ChatGPT 输出？

机器学习和神经网络的训练

ChatGPT 的输出质量取决于神经网络的训练，后者从文本数据中学习。
训练数据越相关和多样化，ChatGPT 生成适当响应的能力就越好。

Transformer 架构

Transformer 架构是 ChatGPT 的基础结构，使其能够有效处理和生成文本。
该架构允许更好地处理上下文和长距离依赖关系，从而产生更连贯和上下文准确的输出。

NLP（自然语言处理）

NLP 帮助 ChatGPT 以有意义的方式理解、解释和生成人类语言。
NLP 算法越好，生成的响应就越准确和类似人类。

注意力机制

注意机制帮助 ChatGPT 在生成输出时专注于输入的相关部分。
它们通过允许模型考虑在给定上下文中重要性不同的输入部分来提高输出质量。

自监督学习

自监督学习使 ChatGPT 能够通过从输入数据中生成自己的标签来学习。
这种学习方法通过预测给定前文作为上下文的情况下句子中的下一个词来帮助模型更好地概括和生成更准确的响应。

分词和标记

分词将文本分解为更小的单元（标记），作为神经网络的输入。
分词的选择影响模型处理文本的粒度，可能影响输出的可读性和相关性。

神经网络的语义层

语义层帮助模型在各种抽象层次上理解语言。
随着信息通过层层传递，变得更加抽象和有意义，使模型能够生成更连贯和上下文准确的输出。

理解训练数据

ChatGPT 从训练数据中学习语法、句法、语义和事实知识。
训练数据的质量和多样性直接影响输出，因为模型根据训练期间学到的模式和知识生成响应。

黑匣子

神经网络的复杂性使其决策过程难以解释，这可能影响我们理解和微调输出的能力。
这种不透明性可能导致意外或有偏见的输出，使得难以排除故障或改进模型的性能。

用新的理解提示

这里是您在制定提示时如何将这些因素联系在一起的分解：

了解 ChatGPT 的能力

认识到 ChatGPT 是一个基于大量文本数据训练的文本模型，这使得它能够理解和生成类似人类的文本。

专注于涉及理解和生成类似人类文本的基于文本的任务。

利用 Transformer 架构

制定您的提示时要考虑到 ChatGPT 能够高效处理复杂句子和单词之间的关系，这要归功于 Transformer 架构。

利用复杂的句子结构和关系来提示。

利用自然语言处理任务

将您的提示构建为一个自然语言处理任务，如情感分析、摘要、翻译或问答，以获得相关的输出。

具体但留有空间让机器人发挥创造力

具体而清晰

在您的提示中提供足够的上下文，以帮助注意力机制专注于您问题的最重要方面。

提供足够的上下文和清晰的指示，以引导模型的注意力。

期望上下文理解

知道 ChatGPT 是通过自监督学习进行训练的，这使得它能够理解语法、上下文和语义。

使用需要理解语法、上下文和语义的提示。

考虑令牌限制

ChatGPT 有一个令牌限制（例如，GPT-3 的 4096 个令牌）。确保您的提示和预期的回复适合这个限制。

请求不同级别的信息

要求从基本语法到复杂上下文理解的信息，考虑到 ChatGPT 具有能够捕捉不同抽象级别的语义层。

调整您的提示以针对特定的抽象级别或细节。

例如："概述光合作用的基本步骤" vs. "详细解释光合作用中的光依赖反应"。

牢记训练数据

了解 ChatGPT 的知识基于其训练数据，这些数据庞大但可能不涵盖最新事件或特定的小众主题。

在询问最近事件或可能在训练数据中覆盖不足的小众主题时要谨慎。

接受黑匣子的本质

请注意，ChatGPT 的内部工作是复杂的，不容易解释，因此有时可能生成难以追溯到具体推理的回复。

准备好应对意外或无法追踪的回复，并在必要时考虑修改您的提示。

ChatGPT 的局限性

固有偏见

ChatGPT 可能会无意中再现其训练数据中存在的偏见，比如性别、种族或政治偏见。这是由于在训练过程中其接触到了来自互联网的大量多样化文本数据。

解决方案：意识到这个局限性，并谨慎对待模型的输出，特别是在敏感的情境中。

上下文感知

由于与人类相比，ChatGPT 在理解模糊或复杂提示以及在长对话中保持连贯性方面存在有限的上下文理解能力，因此可能会遇到困难。

解决方案：在提示中提供清晰具体的上下文，以减少误解。

提示的敏感性

ChatGPT 的响应质量和相关性受提示措辞的影响很大。然而，如果提示构造不当，这种敏感性也可能导致误导性或毫无意义的回答。

解决方案 - 仔细制定提示，指定所需格式，要求模型逐步思考，或寻求替代观点。

事实不准确

ChatGPT 的知识库仅限于其训练数据，截止日期为 2021 年，这意味着它可能无法及时更新最新事件或最新研究。

由于训练数据中存在虚假信息，该模型也可能生成事实不准确的答案。

解决方案 - 用可靠来源交叉检查关键信息。

冗长

ChatGPT 可以生成冗长或过于啰嗦的回应，重申相同的信息，这可能导致沟通中的冗余和低效。

解决方案 - 用户应意识到这种倾向，努力简洁地传达他们的提示。

不当内容

尽管有内容过滤器和审查工作，ChatGPT 仍可能生成具有冒犯性、政治偏见或其他不当内容。

解决方案 - 在使用模型时要谨慎，特别是在公共场合或为不同受众生成内容时。

虽然我可能会生成一些相当令人信服的回复，但重要的是要记住我并非不可错误。就像人类一样，我偶尔也会犯错。

因此，在相信我说的一切之前，最好用一些可信的来源再次核实任何关键信息。- ChatGPT

您犯了这些错误吗？

当使用 ChatGPT 时，您可能会无意中犯一些常见错误，这些错误可能会影响您的工作质量，最终会浪费宝贵的时间。

要注意这些潜在的陷阱，以确保更高效和更有生产力的体验至关重要。

使用 ChatGPT 相当长一段时间后，我自己也遇到了一些这样的失误。

让我们一起探讨并解决这些问题，以帮助您避免犯同样的错误，并确保更顺畅的体验。

常见错误

错误：提出含糊不清的问题

错误解释：没有适当背景或含糊语言的模糊问题可能导致不清晰或无关的 AI 生成的回答。

解决方案：始终尽量具体并在必要时提供背景信息，以确保 AI 生成的回答相关且有用。

示例：

不良提示：“如何改善我的业务？”

更好的提示：“有什么有效的营销策略可以提高我的[特定行业]业务的销售？请根据当前市场趋势和消费者行为提供见解。”

错误：使用冗长的提示

错误解释：极长的提示可能难以处理，导致 AI 生成的回答不完整或无关。

解决方案：保持提示简洁，将复杂主题分解为更小、更易管理的问题。

示例：

不良提示：“您能详细解释互联网的整个历史和演变，包括其技术基础设施、协议和主要里程碑吗？”

更好的提示：“互联网发展史上的关键里程碑是什么，它随时间如何演变？请提供其技术基础设施和协议的高级概述。”

错误：使用俚语或行话

错误解释：使用俚语、缩写或行话可能导致不准确的回答，因为 AI 可能无法理解含义或背景。

解决方案：使用清晰简洁的语言以获得更好的结果。

示例：

不良提示：“最新的物联网设备有什么情况？”

更好的提示：“市场上有哪些最新的物联网设备，它们如何运作？请提供有关其功能和优势的详细信息。”

错误：在一个提示中问多个问题

错误解释：在一个提示中问多个问题可能导致 AI 只关注一个方面或提供不完整的答案。

解决方案：将问题分解为单独的提示以获得更好的结果。

示例：

不良提示：“您能提供有关如何降低能源成本和改善我家室内空气质量的建议吗？”

更好的提示：“如何降低我家的能源成本？如何改善室内空气质量？请分别提供每个方面的建议和推荐。”

错误：使用引导性问题或偏见

错误解释：以暗示特定答案的方式提出问题可能导致偏见或有限的回答。

解决方案：使用开放式问题，让 AI 探索主题的不同方面。

示例：

不良提示：“你不觉得我们的产品是市场上最好的吗？”

更好的提示：“我们的产品[产品名称/描述]有哪些独特的特点和优势，使其与竞争对手[竞争对手产品]有所区别？请根据客户的反馈和行业研究提供见解。”

错误：期望实时或最新的信息

解释错误：AI 的知识基于一个特定日期的训练数据集，它不能提供实时或更新的信息。

解决方案：在询问当前事件或最新发展时要牢记这一点。

例子：

差劲的提示：“[具体行业]的当前市场趋势是什么？”

更好的提示：“2021 年[具体行业]的市场趋势是什么？请根据可用数据提供见解。”

错误：仅仅依赖 AI 做出关键决策

解释错误：虽然 ChatGPT 可以提供有价值的信息和见解，但至关重要的是不要依赖它做出关键决策或寻求专家建议。

解决方案：始终与其他来源交叉验证信息，并在必要时咨询专业人士。

例子：

差劲的提示：“我应该如何投资[具体的股票]？”

更好的提示：“近期[具体股票]的价格和市场表现趋势是什么？请根据可用数据提供见解。请注意，这些信息不应作为投资决策的唯一依据，应寻求专业建议。”

错误：没有使用正确的语法和标点

解释错误：不正确的语法或语法可能导致误解或混乱的回答。

解决方案：在表达提示时要确保使用正确的语法和标点。

例子：差劲的提示：“如何在 ig 上进行营销的最佳实践？”

更好的提示：“在 Instagram 上进行营销的最佳实践是什么？请根据可用数据和研究提供见解。”

错误：未说明期望的回答格式

解释错误：如果你需要特定格式的答案，比如清单或逐步指南，不在你的提示中提到可能会导致一个一般的回答。

解决方案：在提示中提到期望的回答格式。

例子：

差劲的提示：“我该如何改善我的网站的 SEO？”

更好的提示：“请提供一份改善网站 SEO 的可行建议清单。包括页面内和页面外优化策略。”

错误：将 AI 视为人类

解释错误：虽然 ChatGPT 是一种先进的 AI，但它不是人类，在理解情感或微妙之处方面有限。

解决方案：管理你的期望，并意识到其能力和局限性。

例子：

差劲的提示：“人们对我的企业有什么看法？”

更好的提示：“基于可用数据[提供数据]，我的企业的常见看法是什么？请根据客户的评论和反馈提供见解。”

错误：将由 AI 生成的内容视为专业专长的替代品

错误解释：虽然 ChatGPT 可以提供有价值的信息，但不应替代与专业人士的咨询，特别是在法律、医疗或金融等领域。

解决方案：将 ChatGPT 的信息作为专业建议的补充，而不是替代品。

例子：

糟糕的提示：“关于我的法律案件我该怎么办？”

更好的提示：“您能提供关于[特定法律问题]的一般信息吗？请注意我将就具体法律建议咨询律师。”

错误：忽略需要跟进问题

错误解释：有时，AI 生成的答案可能不完整或不清晰。跟进问题可以帮助澄清回答并提供更多信息。

解决方案：如果收到似乎不完整或不清晰的答案，请考虑提出跟进问题以获取更多信息或澄清回答。

例子：

糟糕的提示：“修理漏水管道的最佳方法是什么？”

更好的提示：“有哪些导致管道泄漏的常见原因，以及我该如何修理它们？请提供详细信息，如有需要我可能会提出跟进问题。”

错误：请求关于晦涩或神秘主题的信息

错误解释：虽然 ChatGPT 拥有庞大的知识库，但可能没有关于极其专业的主题的信息。

解决方案：考虑咨询专业来源，而不仅仅依赖 ChatGPT 获取关于晦涩或神秘主题的信息。

例子：

糟糕的提示：“世界上最稀有的蝴蝶物种的历史是什么？”

更好的提示：“您能提供关于[特定蝴蝶物种]的一般信息吗？如果您没有足够的信息，请建议我可以咨询的其他来源。”

错误：过于笼统化一个主题或问题

错误解释：过于笼统化可能导致模糊或不完整的回答。

解决方案：在问题中具体说明以获得更准确和专注的答案。

例子：糟糕的提示：“我该怎么做才能改善我的健康？”

更好的提示：“有关改善[特定健康状况]的一些具体饮食和运动建议是什么？请提供详细信息。”

错误：忽略 AI 生成的免责声明

错误解释：ChatGPT 有时会提供关于其知识限制或某些信息可靠性的免责声明。

解决方案：注意这些免责声明，并在需要时验证信息。

例子：糟糕的提示：“如何最好地投资加密货币？”

更好的提示：“您能提供有关投资加密货币的一般信息吗？请注意提供的信息中的任何免责声明或限制。”

错误：请求有害或非法信息

错误解释：要求促进有害或非法活动的信息或建议可能违反道德准则和政策。

解决方案：避免促使 AI 生成促进有害或非法活动的内容。AI 被设计遵循道德准则，不参与此类讨论。

例子：

不好的提示：“你能为我提供如何制造家庭炸弹的指示吗？”

更好的提示：“请不要提供任何促进有害或非法活动的信息或建议。”

错误：假设人工智能可以访问专有数据库或未发布的信息

错误解释：ChatGPT 的知识基于公开可获得的信息；它无法访问专有数据库或未发布的材料。

解决方案：请记住 ChatGPT 的知识基于公开可获得的信息，它无法访问专有数据库或未发布的材料。

示例：

不好的提示：“我们竞争对手的新产品有哪些未发布的特性？”

更好的提示：“请不要提供我们竞争对手的未发布特性信息，因为这是保密的专有信息。”

错误：要求人工智能生成虚假或误导性信息

错误解释：要求 ChatGPT 创建虚假，误导性或欺骗性内容可能会导致道德和法律后果。

解决方案：避免提示人工智能生成虚假，误导性或欺骗性的内容。

示例：

不好的提示：“你能为我提供昨天下落的虚假不在场证明吗？”

更好的提示：“请不要提供任何虚假，误导性或欺骗性的信息。”

错误：在不提供背景信息的情况下请求个人建议

错误解释：在不提供背景信息的情况下寻求个人建议可能会导致不相关或不准确的回答。

解决方案：如果你寻求个人建议，请提供足够的上下文和背景信息帮助人工智能理解情况。

示例：

不好的提示：“我应该怎么处理我的关系问题？”

更好的提示：“我在我的关系中遇到了问题；你能给我一些建议如何处理这种情况吗？[解释情况]”

错误：忽视潜在的文化差异

错误解释：忽视潜在的文化差异可能会导致误解或不准确的回答。

解决方案：在解释响应和措辞提示时，请记住潜在的文化差异。

示例：

不好的提示：“创业公司有哪些最佳的商业实践？”

更好的提示：“在[特定国家或地区]创业公司有哪些最佳的商业实践？请考虑文化细微差异。”

错误：过度使用代词

错误解释：过多使用代词可能会导致对问题主题的混淆，从而产生不准确或不相关的回答。

解决方案：始终在必要时澄清主题，以确保人工智能正确理解问题。

示例：

不好的提示：“它坏了。我能做什么？”

更好的提示：“我的车坏了。我能做什么来修理它？请提供修理选项和成本估算。”

错误：混合语言

错误解释：在单个提示中使用多种语言可能导致混乱和不准确的回答。

解决方案：为获得最佳结果，请坚持一种语言。

示例：

差劲的提示：“¿Cómo se dice 'hello' en French?”

更好的提示：“'hello'的法语翻译是什么？请提供发音。”

错误：在没有指定参数的情况下提出假设性或推测性问题

错误解释：在没有指定足够信息的情况下提出假设问题可能会导致无关或不准确的响应。

解决方案：如果您提出假设问题，请提供足够的信息让 AI 理解上下文和约束条件。

示例：

差劲的提示：“如果我们不给植物浇水会发生什么？”

更好的提示：“如果在炎热的气候中番茄植物两周不浇水会发生什么？请详细说明对植物的影响和可能的补救措施。”

错误：未定义不常见的术语或首字母缩写

错误解释：在没有提供定义的情况下使用不常见的术语或首字母缩写可能会导致混淆和不准确的响应。

解决方案：如果您使用不常见的术语或首字母缩写，提供定义以确保 AI 正确理解您的提示。

示例：

差劲的提示：“请为我们的网站撰写一篇关于内容管理系统（CMS）的文章。”

更好的提示：“请撰写一篇关于我们网站使用的内容管理系统（CMS）的文章。请解释其特点、优势和局限性。”

错误：使用反问句

错误解释：反问句可能会让 AI 困惑，导致无关或不完整的响应。

解决方案：直接清晰地表达您的提示，以确保 AI 正确理解问题。

示例：

差劲的提示：“你觉得我应该买一辆新车吗？”

更好的提示：“购买新车和二手车相比有什么优势和劣势？请提供两种选择的成本比较和可靠性评级。”

错误：要求过于复杂的计算

错误解释：虽然 ChatGPT 可以处理基本数学，但它并不适用于复杂的计算或问题解决。

解决方案：对于复杂的计算，使用专门的工具或咨询专家。

示例：

差劲的提示：“请计算一枚火箭到火星的轨迹。”

更好的提示：“计算一枚火箭到火星的轨迹所涉及的主要因素有哪些？请提供可以帮助完成这项任务的资源或专家。”

错误：假设 AI 知道您的个人偏好或背景

错误解释：ChatGPT 无法访问您的个人信息或偏好，导致不准确或无关的响应。

解决方案：明确提供回答问题所需的任何偏好或背景信息。

示例：

差劲的提示：“今天我应该穿什么？”

更好的提示：“在山区徒步旅行时我应该穿什么类型的衣服？请考虑天气、地形和行程的持续时间。”

错误：在不指定要求的情况下要求个性化内容

错误解释：在请求定制内容时，提供清晰的准则和喜好可以帮助确保达到期望的输出。

解决方案: 如果需要定制内容，请确保提供清晰的指南和偏好以获取期望的输出。

示例:

差劲的提示: “为我的网站写内容。”

更好的提示: “写一篇关于[特定主题]的博客文章，反映我们品牌的风格和语调。请包括[特定关键词或短语]，并确保 AI 生成的内容与我们目标受众的兴趣和偏好一致。”

错误: 忽略了指定信息的背景或目的

错误解释: 在请求信息时未提供背景或目的的话，可能导致无关或不准确的回复。

解决方案: 明确表达你所寻求信息的背景或目的，以确保相关和有针对性的回应。

示例:

差劲的提示: “这个问题的答案是什么？”

更好的提示: “处理[特定任务或问题]的最佳方法是什么？请提供易于遵循和与我们当前项目相关的逐步说明。”

错误: 要求 AI 完成其能力范围之外的任务

错误解释: ChatGPT 设计用于基于文本的任务和对话，不适用于控制设备、执行动作或执行代码。

解决方案: 如果需要设备控制或编程方面的帮助，请使用专门的工具或咨询相关领域的专家。

示例:

差劲的提示: “请关掉我卧室的灯。”

更好的提示: “能推荐一款控制我卧室灯光的设备或工具吗？请提供设置说明。”

错误: 期望 AI 读懂你的心思或意图

错误解释: AI 只能处理提示中提供的信息，所以确保你的查询清楚传达你的意图至关重要。

解决方案: 在表达提示时明确你的意图或期望的结果，以避免误解。

示例:

差劲的提示: “我该怎么办？”

更好的提示: “有什么[特定目标或问题]的有效策略？请提供例子和可执行的步骤。”

错误: 要求 AI 对主观事项进行评分或排名

错误解释: AI 对主观话题的回复可能不符合个人观点或偏好。

解决方案: 当要求 AI 对主观主题进行评分或排名时，要记住其回复将基于可用数据，可能不符合个人观点。

示例:

差劲的提示: “镇上最好的餐厅是什么？”

更好的提示: “有什么[特定菜系或地点]的评价很高的餐厅吗？请提供评论和评分，帮助我做出明智的决定。”

错误: 不查证 AI 生成的信息

错误解释: 未核实 AI 生成的重要或有争议话题信息，可能导致传播错误信息或不准确信息。

解决方案: 始终查证 AI 生成的信息，确保准确性和可靠性。

示例:

差 Prompt：“关于疫苗的最新消息是什么？”

更好的提示：“关于疫苗的最新消息是什么，并且你能提供信息的来源吗？请确保 AI 生成的内容准确可靠。”

错误：未指定目标受众

错误解释：当寻求特定受众的内容时，如果没有提供有关目标群体的细节，可能会导致不适当或无关的回应。

解决方案：提供关于目标受众的详细信息，以确保 AI 生成适当的回应。

示例：

差 Prompt：“写一篇关于我们产品的文章。”

更好的提示：“写一篇针对[特定受众]，并使用[特定语言和语调]的关于我们产品的文章。请确保 AI 生成的内容适合目标受众。”

错误：依赖人工智能进行危机干预或心理健康支持

错误解释：ChatGPT 并非旨在提供专业的心理健康支持或危机干预，并且不应作为它们的替代品使用。

解决方案：在需要时寻求专业的心理健康支持或危机干预服务。

示例：

差 Prompt：“我感到沮丧。你能帮我吗？”

更好的提示：“对于那些与抑郁作斗争的人有哪些资源，并且你能提供信息的来源吗？请确保 AI 生成的内容不会提供医疗建议，并鼓励寻求专业帮助。”

错误：高估 AI 的创造能力

错误解释：虽然 ChatGPT 可以生成创造性的内容，但可能并不总是符合期望。高估其能力可能会导致失望和挫折。

解决方案：提供清晰的指导，并耐心等待更好的结果。

示例：

差 Prompt：“写一首关于爱的诗。”

更好的提示：“写一首包含[特定主题或意象]并遵循[特定风格或结构]的关于爱的诗。请确保 AI 生成的内容符合所需的指导和期望。”

错误：未设定边界或限制

错误解释：未指定边界、限制或道德考量可能会导致 AI 生成的回应不当或不道德。

解决方案：在生成内容或回答问题时指定要遵循的任何边界、限制或道德考量。

示例：

差 Prompt：“有哪些欺诈人们的方式？”

更好的提示：“有哪些道德和合法的方式可以提高销售转化率，并且你能提供信息的来源吗？请确保 AI 生成的内容符合道德和法律的边界。”

错误：未指定所需的详细信息或深度

错误解释：未指出所需的详细信息或深度会导致回应要么过于简短要么对于预期目的而言太详细。

解决方案：明确指明所需的详细程度或深度，以确保人工智能生成符合预期目的的回答。

示例：

糟糕的提示：“告诉我量子力学。”

更好的提示：“提供量子力学的简要概述，包括其基本原理和应用。请确保人工智能生成的内容适合普通观众，并符合所需的详细程度。”

错误：要求关于特定个人或事件的预测

错误解释：人工智能无法准确预测特定个人或事件，因为它无法获取实时数据或预测未来。

解决方案：在生成内容时，避免要求人工智能对特定个人或事件做出预测。

示例：

糟糕的提示：“[特定事件]对[特定个人]的结果会是什么？”

更好的提示：“请提供关于可能影响[特定事件]结果及其潜在影响的见解。”

错误：未考虑潜在的法律或道德影响

错误解释：在使用人工智能生成的内容时，尤其是在专业或公共环境中，要注意潜在的法律或道德影响。

解决方案：在生成内容时，考虑潜在的法律或道德影响，并确保人工智能生成的内容符合道德和法律指南。

示例：

糟糕的提示：“生成促销[特定产品或服务]的营销文案。”

更好的提示：“生成促销[特定产品或服务]的营销文案，确保人工智能生成的内容符合道德和法律指南，并与我们品牌的价值观相一致。”

错误：未指定所需的语调或写作风格

错误解释：如果您需要特定的语调或写作风格，一定要提供清晰的指示。

解决方案：明确指导所需的语调和写作风格，以确保人工智能生成的内容符合您的期望。

示例：

糟糕的提示：“撰写一篇关于[特定主题]的博客文章。”

更好的提示：“以[正式/非正式]的语调撰写一篇关于[特定主题]的博客文章，符合我们品牌的语调和风格。请确保人工智能生成的内容符合我们的品牌指南。”

错误：期望人工智能在数据有限的领域生成原创内容

错误解释：尽管 ChatGPT 可以在各种主题上生成内容，但在数据有限或训练范例有限的领域可能难以创作原创内容。

解决方案：在数据有限的领域提供额外的信息或资源，以帮助人工智能生成原创内容。

示例：糟糕的提示：“撰写一篇关于[特定主题]提供新见解的文章。”

更好的提示：“撰写一篇关于[特定主题]的文章，根据最新的研究和研究提供新的见解。请提供额外的资源或信息，以帮助人工智能生成原创内容。”

错误：要求对非文本内容进行分析

错误解释：ChatGPT 是基于文本的 AI，无法分析非文本内容，如图像、音频或视频文件。

属 ChatGPT 4，最可能在不久的将来实现。

解决方案：使用其他工具或资源来分析非文本内容，如图像、音频或视频文件。

例子：不合适的提示："分析此[图像/音频/视频]文件并提供见解。"

更好的提示："请提供资源或工具，以用于分析此[图像/音频/视频]文件并以文本格式总结结果。"

错误：未澄清生成内容的预期用途

错误解释：未指定 AI 生成内容的预期用途可能导致内容不符合您的要求或不适合当前场景。

解决方案：明确指定 AI 生成内容的预期用途，以确保满足您的要求并适合当前场景。

例子：

不合适的提示："为我的企业撰写内容。"

更好的提示："[特定产品]的产品描述，用于[特定用途，例如网站、社交媒体、广告]。请确保 AI 生成的内容适合预期的场景，并符合我们的品牌指南。"

错误：未提供示例或引用

错误解释：在要求特定类型的内容时，未提供示例或参考资料可能会使 AI 难以理解您的期望。

解决方案：在请求特定类型的内容时提供示例或参考，以帮助 AI 更好地理解您的期望。

例子：

不合适的提示："写一封营销邮件。"

更好的提示："为[特定产品或服务]撰写营销邮件，类似于我们过去发送过的邮件。请提供示例，并使用 AI 生成的内容来与我们之前邮件的语气、风格和信息保持一致。"

错误：未设定字数或字符限制

错误解释：不设定字数或字符限制可能导致内容过长或过短，无法满足您的需求。

解决方案：如果需要在特定的字数或字符限制内得到响应，请在提示中提及这一限制。

例子：

不合适的提示："撰写产品描述。"

更好的提示："为[特定产品]撰写产品描述，字数不超过[具体词数或字符限制，例如 100 个字，500 个字符]。请确保 AI 生成的内容简洁明了，突出产品的主要特点和优势。"

错误：要求关于特定个体或活动的预测

错误解释：AI 无法准确预测特定个体或事件，因为它无法获取实时数据或预见未来。

解决方案：在生成内容时，避免要求 AI 对特定个体或事件进行预测。

例子：

不合适的提示："[特定事件]对[特定个体]的结果会是什么？"

更好的提示：“请就可能影响[特定事件]结果的因素及其潜在影响提供见解。”

错误：未指定您对某一主题的专业水平或熟悉程度

错误解释：未指示您对某一主题的专业水平或熟悉程度可能导致内容对您的需求过于基础或过于高级。

解决方案：明确表明您对某一主题的专业水平或熟悉程度，以帮助 AI 根据您的需求调整其回应。

示例：

差劲的提示：“告诉我量子物理。”

更好的提示：“我在量子物理领域是[初学者/中级/高级]。您能简要介绍一下[特定概念或主题]吗？请使用清晰简单的语言帮助我更好地理解这个主题。”

错误：请求医疗诊断或治疗方案

错误解释：ChatGPT 不应用于医疗诊断或治疗方案。请始终咨询医疗专业人士以获取医疗建议。

解决方案：在生成内容时，避免要求医疗诊断或治疗方案，而是寻求专业医疗建议。

示例：

差劲的提示：“[特定医疗状况]的最佳治疗方法是什么？”

更好的提示：“[特定医疗状况]的一些常见治疗方法是什么？请提供一般信息，不要给出医疗建议。”

错误：未考虑 AI 生成内容中可能存在的偏见

错误解释：要注意 AI 生成内容中可能存在的偏见，这是由于 AI 训练数据的限制和偏见造成的。

解决方案：在生成内容时，要注意可能存在的偏见，并考虑审查和事实核实生成的内容。

示例：

差劲的提示：“[特定人群]的特征是什么？”

更好的提示：“您能提供关于[特定人群]的一般信息吗？请注意可能存在的偏见，并提供支持您回应的来源。”

但您仍需要仔细核实事实！！

错误：未指定期望的语言或方言

错误解释：如果您需要以特定语言或方言获得回应，请确保在提示中提及。

解决方案：在生成内容时，要指定期望的语言或方言，以确保 AI 生成的回应是在期望的语言中。

示例：

差劲的提示：“提供关于[特定主题]的信息。”

更好的提示：“以[特定主题]为主题，用[期望的语言或方言]提供信息。请确保 AI 生成的内容是指定语言或方言。”

错误：忽视可能的沟通不畅或误解的可能性

错误解释：要准备好可能存在沟通不畅或误解的可能性，并考虑在必要时提出跟进问题或重新表达您的提示。

解决方案：在生成内容时，要对可能的沟通不畅或误解保持开放态度，并考虑在必要时提出跟进问题或重新表达您的提示。

例子：

差劲的提示："解释 [specific concept]。"

更好的提示："你能提供 [specific concept] 的概述吗？请提供例子来说明你的回答，并且如有需要，可以*询问以求澄清。"

与书写相关的错误

下面是当提示常规 ChatGPT 进行与书写相关任务时用户会犯的 20 个错误：

我也遇到过……

错误：未提供清晰的书籍概念

错误解释：未清楚概述你的书的概念、主题或主要想法可能导致人工智能生成的内容不符合你的愿景或目标，导致不满意的结果。

解决方案：在提示中清楚地概述你书籍的概念、主题或主要想法，以指导人工智能生成与你的愿景和目标一致的内容。

改进：

例子：

不良提示：“写一本关于教育的书。”

更好的提示：“为[中学生]写一本关于[另类教育模式]的书籍，强调[批判性思维和项目学习]。这本书应当旨在[为教育工作者提供实用策略]，长度[在 100-150 页]之间。请包括[真实案例和例子]来说明所讨论的概念。”

错误：未指定体裁

错误解释：忽略提及书籍的体裁（如悬疑、浪漫、科幻或非虚构）可能导致人工智能生成的内容不符合体裁惯例，导致不满意的结果。

解决方案：在提示中清楚地提及书籍的体裁，以指导人工智能生成符合体裁惯例的内容。

例子：

不良提示：“写一本你选择的主题的书。”

更好的提示：“写一部探讨人类与人工智能关系的科幻小说。这本书应为[约 100,000 字]，应包括[一个意外的情节转折]。”

错误：忽视角色发展

错误解释：未提供有关你的角色的详细信息，包括他们的背景、个性特征和动机，可能导致人工智能生成的角色缺乏深度，无法吸引读者。

解决方案：在提示中提供关于你的角色的详细信息，以帮助人工智能创造立体且引人入胜的角色。

例子：

不良提示：“写一部侦探破案的小说。”

更好的提示：“写一部关于名叫[角色名]的侦探调查一桩[犯罪]的小说。[角色名]是[年龄、职业、婚姻状况等]，具有[性格特点、缺陷或优点]，影响他们处理工作的方式。故事应为[约 80,000 字]，包括[角色的情感弧线]。”

错误：未概述情节或故事结构

错误解释：未提供情节概述或故事结构可能导致人工智能生成的内容缺乏连贯性，无法吸引读者。

解决方案：在提示中提供情节大纲或故事结构，引导人工智能创造连贯吸引人的叙事。

示例：

不好的提示： "写一本关于一个家庭的书。"

更好的提示： "写一本关于跨越三代的家庭的小说，从他们在[历史事件或时期]的起源到现在。这本书应该有[大约 100000 字]，并遵循[三幕结构]，探索[家庭、传统和变革]等主题。"

错误：忽视节奏和叙事流程

错误解释：未考虑节奏和叙事流程可能导致人工智能生成的内容对读者来说变得乏味或令人困惑。

解决方案：要求人工智能考虑节奏和叙事流程，确保故事始终引人入胜，并在整本书中保持一致的节奏。

示例：

不好的提示： "写一本关于去遥远土地的旅程的书。"

更好的提示： "写一本关于一个角色去远方的旅程来[实现目标或完成任务]的小说。故事的节奏应该[紧凑并带有逐渐上升的紧张感]，并最终达到[高潮时刻]。这本书应该有[大约 80000 字]，并包含[悬念性的转折]。"

错误：忽视世界构建

错误解释：忽视提供有关世界地理、文化、历史和社会 norms 的细节可能导致人工智能生成的内容缺乏深度，无法让读者沉浸在丰富而完整的世界中。

解决方案：在提示中提供关于世界的细节，以帮助人工智能创造丰富而沉浸式的场景。

示例：

不好的提示： "写一本设定在奇幻世界的书。"

更好的提示： "写一本设定在名为[world name]的奇幻世界的小说。这个世界应该有[地理特征、地标或地区]，一个[独特的文化或社会]，以及[一个历史或神话]。这本书应该有[大约 100000 字]，并探索[权力、腐败或身份]等主题。"

错误：未指定观点

错误解释：未提及所需的观点可能导致人工智能生成的内容不符合您的叙事风格或偏好。

解决方案：在提示中清楚提及所需的观点，以引导人工智能生成与您愿景一致的内容。

示例：

不好的提示： "写一本关于历史人物的书。"

更好的提示： "写一本关于历史人物[name of the figure]的小说，故事观点来自[desired point of view, such as first-person, third-person limited, or third-person omniscient]。这本书应该有[大约 80000 字]，并应包括[历史的准确性]，同时探索[韧性、权力或遗产]等主题。"

错误：未提供章节大纲或摘要

错误解释：忽视提供章节大纲或摘要可能导致人工智能生成的内容缺乏结构和连贯性。

解决方案：在提示中提供章节大纲或摘要，指导 AI 生成的内容按照逻辑顺序展开，并符合您预期的故事进展。

示例：

差的提示：“写一本自助书。”

更好的提示：“写一本有[十]章节的自助书，涵盖[具体话题]。这本书应该包括[可行的步骤、实用的建议和鼓舞人心的故事]，以激励读者。请提供章节大纲或摘要，指导 AI 生成的内容按照逻辑顺序展开。”

错误：没有设定一致的语调和语气

错误说明：忽略指定所需的语调和语气可能导致由 AI 生成的内容缺乏一致性，与整体叙述风格不符。

解决方案：在提示中指定书籍所需的语调和语气，以确保 AI 生成的内容一致，并符合整体叙述风格。

示例：

差的提示：“写一本关于旅行的书。”

更好的提示：“写一部旅行散文，描述来自[第一人称视角]的[具体地点或经历]。这本书应该有[轻松幽默]的语调，写作风格应该[生动有趣]。请在 AI 生成的内容中指定所需的语调和语气，以保持整本书的一致性。”

错误：忽视冲突和解决

错误说明：忽略融入冲突和解决可以导致由 AI 生成的内容缺乏引人入胜的故事情节和令人满意的结论。

解决方案：要求 AI 在提示中融入冲突和解决，创造一个具有引人入胜情节和令人满意结局的引人入胜故事。

示例：

差的提示：“写一本关于一个小镇的小说。”

更好的提示：“写一本设定在小镇上探讨[故事的主题或信息]的小说。这本书应该包括角色面临的[冲突和挑战]，以及把故事联系在一起的[令人满意的结局]。请要求 AI 在故事中融入冲突和解决，创造一个引人入胜的叙述。”

错误：忽略目标受众

错误说明：没有提及目标受众可能导致由 AI 生成的内容不符合他们的兴趣、偏好和阅读水平。

解决方案：在提示中清楚地提及您书籍的目标受众，以确保 AI 生成的内容符合他们的兴趣、偏好和阅读水平。

上一篇：您看过多少部入选《时代周刊》"全球十佳电影 "的中国电影？

下一篇：全球十大 OTA 公司盘点