GPT best practices

这里分享了从GPT获取更好结果的策略和技巧。这里描述的方法有时可以组合使用以获得更大的效果。我们鼓励你进行试验，找出最适合你的方法。

这里展示的一些例子目前只适用于Open AI最强大的模型，即gpt-4。如果你还没有使用gpt-4的权限，可以考虑加入等待名单。总的来说，如果你发现一个GPT模型无法完成任务，并且有更强大的模型可用，那么常常值得再次使用更强大的模型尝试

获取期望结果的六种策略

不要让GPT尝试读取你的思绪。输出太长，你要求简短的回复。输出过于简单，你要求专家级别的写作。格式你不喜欢，要展示你想要看到的格式等等。说出来你想要的，GPT越少猜测你想要什么，你得到它的可能性就越大。

具体策略：

GPT在被问及深奥的主题或被要求提供引用和URL时，可能会自信地编造出虚假的答案。就像一张笔记可以帮助学生在测试中取得更好的成绩一样，向GPT提供参考文本可以帮助其以更少的编造来回答问题。

策略：

指示模型使用参考文本进行回答指示模型引用参考文本进行回答

正如在软件工程中将复杂系统分解为一组模块化组件是良好的实践，对GPT提交的任务也是如此。复杂任务的错误率往往比简单任务高。此外，复杂的任务常常可以被重新定义为一系列简单任务的工作流，其中早期任务的输出被用来构造后续任务的输入。

策略：

使用意图分类来确定用户查询的最相关指令对需要进行很长对话的对话应用，对之前的对话进行总结或过滤分段总结长文档，并递归地构造完整的总结

如果被问到17乘以28，你可能不会立即知道答案，但还是可以花时间算出来。同样，GPT在试图立即回答，而不是花时间想出答案时，更容易犯推理错误。在回答之前要求一系列的推理过程可以帮助GPT更可靠地推理出正确的答案。

策略：

指示模型在急于得出结论之前先想出自己的解决方案使用内心独白或一系列查询来隐藏模型的推理过程询问模型在之前的步骤中是否漏掉了任何东西

通过将其他工具的输出提供给GPT，来弥补GPT的弱点。例如，文本检索系统可以告诉GPT有关的文档。代码执行引擎可以帮助GPT做数学运算和运行代码。如果一个任务可以被一个工具比GPT更可靠或高效地完成，那么将其外包出去以便从中得到最好的结果。

策略：

使用基于嵌入的搜索来实现高效的知识检索使用代码执行进行更准确的计算或调用外部API 让模型能够访问特定的功能

如果你可以衡量性能，那么提高性能就会更容易。在某些情况下，对提示的修改可能会在几个孤立的例子上获得更好的性能，但在更具代表性的一组例子上导致整体性能下降。因此，为了确定改变对性能的净效应是正面的，可能需要定义一个全面的测试套件（也被称为“评估”）。

策略：

根据金标准答案评估模型的输出