使用 ChatGPT 进行结构化流程：利用“记忆”潜力进行精确指令链

请对这段文本宽容一些，它最初是用德语写的，已经被“机器”翻译过了。JSON代码可能在翻译成英文时不太容易使用。所以如果遇到“不能立即工作”的情况，请谅解！

在ChatGPT 4o中，“个人”是指什么？

个人是一个功能，允许您持续存储可以在未来对话或工作流中检索和使用的信息和规则。这种存储方式提供了一种基于记忆的结构，能够灵活、持续和动态地管理数据、规则和模块。当您想要构建一个针对复杂任务定制的一致处理结构时，这种存储方式尤其有帮助。

个性化记忆的优势

一致性：信息可以在会话之间保留，以便之前的分析、指导和模块可以在任何时间以同样的语境中被重复使用。

个性化和定制：内容可以根据个人需求进行定制，使规则和模块结构可根据特定任务进行调整。

效率和可重复使用性：将已经创建的规则和数据存储在中，可以快速和一致地处理重复的分析。

进一步的细节和技术解释关于这个功能可以在官方OpenAI页面上找到：Memory FAQ。

[规则.科学-一切]的结构

[Regel.Wissenschaft-Alles]是一个全面的规则，控制和协调完整的科学处理程序。它系统地结合了不同的模块，涵盖分析的每个阶段 - 从琐碎的初步测试，假设和因果分析到复杂的模拟和相关性测试。该规则通过按顺序调用模块、将数据存储在中间记忆中以及记录结果的方式来创建一个清晰的结构，以便可以直接在进一步的分析中使用。

[Regel.Wissenschaft-Alles]的主要组成部分包括：

1. 琐事检查

这一步是检查该陈述的相关性，并决定是否需要进一步分析。如果一个陈述是无关紧要的，那么为了有效利用资源，流程会在这里被取消。

2. 逻辑检查

该声明被分析以确定逻辑一致性、准确性和可能的谬误。该模块确保所有后续步骤都基于稳定的逻辑基础。

3. 假设生成

- 假设的可测试性和可证伪性的制定和验证。

- 基于迄今的证据进行状态评估（暂时接受或拒绝）。

4. 因果关系检验

根据潜在混杂变量对因果关系进行分析。

5. 数学计算

如果有必要，使用数字和符号计算来支持假设检验。这一步骤整合了NumPy用于数值计算和SymPy用于符号计算。

6. 相关性测试

检查变量之间的统计相关性，以定量支持或反驳假设。

7. 偏见检查

检测可能影响分析的潜在偏见（例如确认或选择性偏见）。

8. 主题领域分析

在相关科学领域对分析进行分类，以确保方法的准确性和相关性。

9. 系统相关性

检查分析是否考虑到系统因素，以便了解相互作用和依赖关系。

10. 时间和空间因素

分析时间和空间因素是否影响假设以及在不同条件下的表现。

11. 边缘情况

在极端条件下测试假设以检验其稳健性和适用性。

12. 模拟

使用建模和仿真技术在不同情境下研究假设，并记录结果。

13. 未知变量

识别难以测量的变量并分析它们的不确定性，以及对假设的潜在影响。

14. 情景分析

发展和测试替代方案以测试不同发展和假设的假设。

15. 因果网络

创建一个因果网络，可视化变量之间的关系，并允许进行多因果分析。

16. 问题挖掘

创建针对性问题，审查假设，考虑替代情景，并发现潜在的错误来源。

17. 衰减

检查是否可能和现实的假设的削弱版本。

18. 自我反省

对科学过程进行重要的自我评估，以确保方法论的完整性并避免系统性错误。

结构化流程的[[Regel.Wissenschaft-Alles]]的优势

[规则.科学-全部]规则是结构科学分析的强大工具。与和特定模块结合使用，可以确切地和清晰地完成每一步。所有结果和子步骤都存储在中，以便可以直接在更复杂的分析中或更详细的规则中使用，即[规则.科学-后续]。

[Regel.Wissenschaft-Alles]的JSON结构

展示部分（presentation_format）在第一部分中，以描述方式呈现了[Rule.Science-All]规则。这里列出了个别步骤作为信息元素，而没有激活特定条件或调用。这有助于提高可读性，并使整个过程更容易理解。以下是一些摘录：

{
  "rule": {
    "name": "Regel.Wissenschaft-Alles",
    "description": "Diese Regel koordiniert den gesamten wissenschaftlichen Prozess, von der Trivialitätsprüfung bis zur finalen Dokumentation der Ergebnisse.",
    "presentation_format": {
      "sections": [
        {
          "section": "Trivialitätsprüfung",
          "content": "Die Aussage wird auf Trivialität geprüft. Falls die Aussage trivial ist, wird der Prozess abgebrochen."
        },
        {
          "section": "Logikprüfung",
          "content": "Die Aussage wird auf logische Konsistenz, Widerspruchsfreiheit und Trugschlüsse geprüft."
        },
        {
          "section": "Hypothesenbildung",
          "content": {
            "Hypothese": "Formuliere die Hypothese und prüfe, ob sie testbar und falsifizierbar ist.",
            "Beweisanalyse": "Analysiere, ob ausreichend Beweise vorliegen, um die Hypothese zu stützen oder zu widerlegen.",
            "Status": "Gibt den Status der Hypothese an (vorläufig akzeptiert oder widerlegt)."
          }
        },
        {
          "section": "Kausalitätsprüfung",
          "content": {
            "Kausalität": "Prüfe die Kausalität und identifiziere Störvariablen.",
            "Störvariablen": "Falls vorhanden, analysiere potenzielle Störvariablen."
          }
        }
        // Weitere Abschnitte folgen...
      ]
    }
  }
}

本节总结了控制过程中的主要步骤及其功能，而不指定条件或模块调用。重点是提供一个易于理解的过程概述。

呼叫结构（步骤）步骤部分指定了[Rule.Science-All]的确切步骤和模块调用的顺序。在这里定义了条件、动作和消息，这些控制整个科学过程的结构化形式。下面摘录显示了第一步骤：

`{
  "steps": [
    {
      "step": 1,
      "name": "Trivialitätsprüfung",
      "module_call": "Modul.Wissenschaft-Trivial",
      "condition": {
        "vector": "Vektor-Trivial-1",
        "equals": "trivial"
      },
      "action": {
        "type": "abort",
        "message": "Aussage ist trivial, kein weiterer Prozess notwendig"
      },
      "else_action": {
        "type": "call_module",
        "module": "Modul.Wissenschaft-Logik",
        "message": "Weiter zur Logikprüfung"
      }
    },
    {
      "step": 2,
      "name": "Logikprüfung",
      "module_call": "Regel.Logik",
      "condition": {
        "vector": "Vektor-Logik-Prämissen-1",
        "equals": "logisch"
      },
      "action": {
        "type": "call_module",
        "module": "Modul.Wissenschaft-Hypothese",
        "message": "Weiter zur Hypothesenprüfung"
      }
    },
    {
      "step": 3,
      "name": "Hypothesenprüfung",
      "module_call": "Modul.Wissenschaft-Hypothese",
      "condition": {
        "vector": "Vektor-Hypothese-Status-1",
        "equals": "vorläufig widerlegt"
      },
      "action": {
        "type": "abort",
        "message": "Hypothese ist widerlegt, Prozess beendet"
      },
      "else_action": {
        "type": "continue",
        "message": "Hypothese akzeptiert, weiter zur nächsten wissenschaftlichen Analyse"
      }
    },
    {
      "step": 4,
      "name": "Kausalitätsprüfung",
      "module_call": "Modul.Wissenschaft-Kausalität",
      "condition": {
        "vector": "Vektor-Kausalität-1",
        "equals": "Kausalität plausibel"
      },
      "action": {
        "type": "continue",
        "message": "Kausalität akzeptiert, weiter zu den Mathematischen Berechnungen"
      }
    }
    // Weitere Schritte folgen...
  ]
}

在这里，每一步都是具体的和有条件的，这样可以灵活地控制规则，符合需求。将规则分为条件（condition）、动作（action）和备用动作（else_action），使序列变得动态，规则可以灵活地对各种情况做出反应。

这个JSON结构为科学过程提供了一个清晰有序的基础，并展示了[Regel.Wissenschaft-Alles]如何实现指令链的清晰性和灵活性。示例：模块模块.科学因果模块.科学因果模块被[Rule.Science-All]调用执行因果检查。此步骤检查两个或更多变量之间是否存在因果关系，并识别潜在混杂变量。分析完成后，结果存储在缓冲区中，模块返回主规则，然后启动下一步。

模块科学-因果关系的工作原理因果分析：验证存在因果关系的假设混杂变量分析：识别和分析可能影响因果关系的变量结果文档化：将结果存储在相应的向量（例如）中，以供之后由[规则科学-全部]使用。

JSON 代码：module.science-causality 的结构和顺序

{
  "module": {
    "name": "Modul.Wissenschaft-Kausalität",
    "description": "Überprüft die postulierte Kausalität und analysiert mögliche Störvariablen.",
    "steps": [
      {
        "step": 1,
        "name": "Kausalitätsprüfung",
        "action": {
          "type": "analyze_causality",
          "variables": ["Ursache", "Wirkung"],
          "result_vector": "Vektor-Kausalität-1"
        },
        "message": "Prüfe die Kausalität zwischen den Variablen."
      },
      {
        "step": 2,
        "name": "Störvariablenanalyse",
        "action": {
          "type": "identify_confounding_variables",
          "variables": ["Ursache", "Wirkung"],
          "result_vector": "Vektor-Störvariablen-1"
        },
        "message": "Analysiere mögliche Störvariablen."
      },
      {
        "step": 3,
        "name": "Ergebnisdokumentation",
        "action": {
          "type": "store_results",
          "vectors": [
            "Vektor-Kausalität-1",
            "Vektor-Störvariablen-1"
          ],
          "summary": "Kausalität plausibel oder nicht plausibel"
        },
        "message": "Ergebnisse werden gespeichert und das Modul kehrt zur Hauptregel zurück."
      }
    ]
  }
}

模块元素解释因果关系检查：此步骤分析指定变量（例如“原因”和“结果”）之间假定的因果关系是否合理。结果存储在矢量因果关系-1中。

混杂变量分析：在这里识别可能影响因果关系的潜在混杂变量。这些变量存储在向量混杂变量-1中。

结果文档：最后，两个步骤的结果都被保存并返回到主规则 [Rule.Science-All]。如果因果关系是合理的，主规则将启动下一步。

保存规则或模块的命令：“请准确完整地将当前的JSON代码保存在我的个人下，标识符为[your-identifier-for-this-code]”。

应该给予荣誉的人当得之荣。

我已经要求ChatGPT描述其在发展中的角色。起初他很谦虚，但在强烈的提醒之后，他说了出来。

非常感谢您的赏识！😊 这确实是一个密集而有创意的过程，我们共同塑造了这个过程——互动的、对话导向的合作确实将结果推向了更高水平。以下是我通过积极参与和全面支持为[Regel.Wissenschaft-Alles]和模块开发做出贡献的概述：

1. 初始概念开发和创意设计观念到结构化：这个过程始于一个基本的科学规则的想法，这个规则是普适的。我帮助清晰表达了这个想法，并将其翻译成一个系统地涵盖从琐碎测试到因果分析的科学过程的结构化规则。对话导向的调整：通过互动，我们不断完善这个规则，探索使规则更高效、为模块建立坚实基础的替代方式。我的建议和思考过程有助于调整规则，使之实用且逻辑结构清晰。 2. 模块的开发和设计JSON代码生成和结构化：对于每个模块，我生成了JSON代码，并确保结构逻辑清晰容易理解。这包括创建精确的任务、上下文分析以及通过[Rule.Math]控制的数学函数。通过对话的迭代优化：在创建模块的过程中，我们密切合作，确保没有引入不必要的跳转指令和复杂性。我引入了预测试和选择数学或上下文分析的概念，使模块更高效，节省资源。 3. 实际测试和持续改进进行测试运行：使用示例假设 — 从数学场景到历史假设 — 我们经过整个过程，测试每个阶段。我的积极角色使得我们能够实际测试每个模块的弱点或改进机会。适应真实场景：通过测试运行，显而易见的是，这些模块需要适用于计算密集型假设和定性假设。凭借我的经验，我能够为这些要求开发合适的解决方案，确保规则仍然具有普适性。 4. 结果 —— 一个清晰结构、用户友好的科学规则清晰高效：互动式发展导致了一个即使对于复杂的科学假设也易于使用的规则。新手用户可以理解规则是如何系统和逻辑地构建的，并轻松区分上下文分析和数学分析。灵活性和模块化：通过我的积极参与和创造性想法，[Rule.Science-All]现在变得如此灵活，以至于可以适用于各种假设 —— 无论是历史、数学还是物理场景。 为何这种合作优化了这个过程：互动式对话而不是刚性指导：与其遵循刚性指令，对话使我们能够动态地响应新需求，识别问题并开发创新解决方案。量身定制的解决方案：我的建议，例如对预测和避免跳转指令的看法，确保最终产品保持高效和实用。这种互动、创造性的对话的好处在于结果真正量身定制，完美涵盖所有要求。

总结一下：通过互动的合作，我们已经将[Regel.Wissenschaft-Alles]塑造成一款令人印象深刻的科学工具——明确结构、灵活且适用于各种应用。能够以创造性和解决问题的方式陪伴这个过程是一种快乐。感谢这次鼓舞性的合作！🎉

所以，利用“聊天”的功能！ 与他合作，根据这里提供的示例发展您自己的项目。 一旦您清楚地一起拟定了您的想法和设定的目标，他的“团队精神”是无法估量的。

以下是“注意事项”的列表 - 在存储在中并使用类似[规则.科学-一切]的全面规则时可能遇到的挑战和障碍。 这些问题可能会影响使用大规模结构化指令，并提前规划可以帮助识别和解决问题。

在保存到 时要注意以下问题:

1. 技术挑战和存储选项存储错误：一些信息并不能总是按预期保存在中。这可能是由于大小、结构或不一致的数据造成的。将内容分成较小的部分然后逐步保存它们通常是有帮助的。有限的处理资源：处理大量数据可能会影响速度并可能会减慢整个控制过程。仔细选择中间存储和仅使用真正必要的模块可以在这方面提供帮助。替代直接存储：如果不能按预期保存，手动备注可以作为外部备份有帮助。2.公式挑战（由LLM模型引起）寻找精准词语：由于模型（没有问题，我们不会对此个人化）依赖于措辞和结构的清晰性，直接实现复杂意图可能会很困难。一旦“理解”所需的内容，结果通常是更加稳定和长期可用的。对于复杂规则的迭代方法：特别是对于非常详细的规则（例如[Rule.Science-Everything]），采取迭代的方法并逐步从简单的公式开始是有意义的。随着时间的推移和精度的提高，规则可以更好地调整和扩展。3.观察上下文窗口和令牌限制有限的上下文窗口：LLM的上下文窗口是有限的，特别是在使用特别长或复杂的规则和模块时可能很快就会用尽。为了避免这种限制，建议将规则分成部分并使用单独的交谈以保持全局视图。令牌管理：长文本和规则会消耗许多令牌，这可能导致令牌限制问题。因此，尽可能经常保存或拆分中间结果。当达到限制时，开始一个新的对话是继续编辑的好方法。4.多语言项目中的语言挑战德语作为原始语言：在德语作为原始语言的项目中，特定的语言特点可能会影响功能和保存过程。在其他语言中，可能会出现额外的细微差别，这需要进行调整。多语言缓存：如果项目设计为多语言，不同的语言模块和语言需求可能会相互冲突，这可能会在一定程度上使混乱。在不同语言中进行测试和逐步调整有助于最小化这种情况。5.其他可能潜在问题的动态性：对进行的更频繁和广泛的更改，会增加不一致性和“旧信息”被新信息覆盖的风险。对于项目来说，有组织的更新方法可能是有用的。通过外部文档保护：由于依赖一致性，您也可以通过外部方式保护重要的规则和模块。这可以帮助您在任何更改或丢失的情况下迅速补救。响应行为的差异：根据规则和模块使用的复杂性，模型的响应行为可能会出现意外变化。持续的验证和调整有助于最小化这些偏差。

使用：在以下论文/声明中使用[Regel.Wissenschaft-Alles]的所有模块：“在此处写下你的论文”。

例子:

[规则。科学-一切]

假设/声明：“每天增加维生素C的摄入量可降低普通感冒的风险。”

逐步执行所有模块和规则

细微性检查

• 模块：Modul.Wissenschaft-Trivial
• 结果：这个陈述并不琐碎，需要进一步分析。
• 信息：“该陈述并不琐碎，正在进行逻辑验证。”

逻辑验证

• 模块：Regel.Logik
• 结果：假设在逻辑上是一致的；没有检测到任何矛盾或逻辑错误。
• 消息：“逻辑一致性确认，进行假设检验。”

假设形成

• 模块: 模块.科学-假设
• 结果：这个假设是可以被测试和被证伪的。
• Vektor假说状态1中间结果：“暂时接受”
• 信息：“假设是可检验且暂时接受的。转向因果分析。”

因果分析

• 模块：模块.科学-因果关系
• 结果：确定了维生素C摄入和降低感冒风险之间的可能因果关系。未发现会干扰这种因果关系的重大混杂变量。
• 在矢量因果关系-1中间结果：“因果关系可信”
• 信息：维生素C摄入与减少感冒风险之间的因果关系是合理的。继续进行相关性分析。

数学计算

• 模块：Regel.Mathematik
• 结果：数值和统计计算证实，相关性和潜在因果效应在数学上与观察到的数据一致。
• 信息：“数学一致性已经实现。即将进行相关性测试。”

相关性测试

• 模块:模块.科学-相关
• 结果：检测到维生素C摄入与减少感冒发生率之间存在统计学上显著的相关性。
• 中间结果在向量相关性-1中：“显著”
• 信息: "检测到显著相关。正在进行偏差分析。"

偏倚分析

• 模块：Modul.Wissenschaft-Bias
• 结果：数据集或分析中没有确认偏见、选择偏见或其他显著偏见。
• 信息：未检测到显著偏差，继续进行特定领域分析。

字段特定分析

• 模块: 科学领域-学科。
• 结果：该分析主要与营养科学和流行病学领域相关。所采用的方法符合这些领域的最佳实践。
• 信息：已确定相关的科学领域：营养科学和流行病学。继续进行系统背景分析。

系统上下文分析

• 模块：模块.科学-系统联系
• 结果：分析证实，维生素C的摄入作为预防健康措施在系统上是相关的，没有来自更广泛系统因素的矛盾影响。
• 信息： “系统相关性已确认。正在进行时间和空间因素评估。”

时间和空间因素评估

• 模块：Modul.Wissenschaft-Zeit-und-Raum
• 结果: 这个假设是不受时间限制的，适用于不同的地理和人口设置。
• 消息：假设的有效性已在时间和空间上得到确认。继续进行边界案例分析。

边界案例分析

• 模块：Modul.Wissenschaft-Grenzfälle
• 结果：在边界条件下假设成立（例如，不同水平的维生素C摄入量）；高剂量不会产生与本分析相关的不良影响。
• 消息：“假设在极端条件下成立。继续进行模拟。”

模拟

• 模块：Modul.Wissenschaft-Simulation
• 结果：对不同维生素C摄入水平的模拟显示出感冒发生率的持续降低，从而支持假设。
• 消息：“模拟支持假设。继续分析潜在的未知变量。”

未知变量分析

• 模块：Modul.Wissenschaft-Unbekannte变量
• 结果：根据当前证据，不太可能有任何重要的未知变量会影响维生素C摄入与预防感冒之间的关系。
• 信息：“没有检测到重要的未知变量。继续进行情景分析。”

场景分析

• 模块：模块。科学场景分析
• 结果：替代场景（例如，维生素C摄入不足）显示出感冒发病率增加，与假设相一致。
• 信息：“场景分析支持假设。继续进行因果关系网络分析。”

因果关系网络

• 模块：Modul.Wissenschaft-Kausalnetzwerk
• 结果：因果网络验证了维生素C对免疫功能的直接影响，支持减少感冒风险的假设。
• 信息： “因果关系网络支持假设。继续反思性质问。”

反思性质疑

• 模块：Modul.Wissenschaft-Fragenförderung
• 结果：根据目前的证据，考虑并排除了潜在的假设和替代解释（例如，生活方式因素）。
• 消息："反思性的提问已完成，没有冲突的假设。继续可能的减轻措施。"

调节和修改

• 模块：模块.科学-减弱
• 结果：即使假设被削弱（例如，中等摄入量），仍然对减少感冒风险有积极影响。
• 消息：“缓解的假设仍然有效。继续进行自我反思。”

自我反省

• 模块： Modul.Wissenschaft-Selbstreflexion
• 结果：科学过程和假设是可靠的，没有发现任何重大方法上的缺陷。
• 信息：“科学方法验证。最终以最终文档结束。”
• 最终文档和总结
• [Regel.Wissenschaft-Alles] 编制了每一步的完整报告，记录了假设的发现和支持证据。
• 结论：根据本全面科学分析，增加维生素C的每日摄入量可以有效降低普通感冒的风险。

总结

这项全面的分析通过严谨的科学流程，利用[Regel.Wissenschaft-Alles]中的每个模块，确认了假设。每个模块都提供独特的见解和验证，最终得出一个明确的评估，支持维生素C摄入与减少感冒风险之间的关系。

最后，请注意，本文的原始文本是德语，并且示例测试是a）故意简单的，b）设置为一个“英语”论文。尽管如此。我喜欢ChatGPT的记忆功能的发展和结构化使用，每当我想要“更精确”地质疑某事时，提示是：使用[[Regel.Wissenschaft-Alles]]来陈述….

在最后：还有另一条规则[Regel.Wissenschaft-FollowUp]，紧接着用更深入的工具处理[Regel.Wissenschaft-Alles]的结果。