即时工程的艺术：掌握ChatGPT以获得最佳性能

大家好，

OpenAI和DeepLearning.AI已经联手推出了一门全面的Prompt Engineering课程，旨在增强与AI模型例如ChatGPT的交互。本文章深入探讨了文章涉及的关键原则和战术，提供了如何最大化ChatGPT输出和改善用户体验的见解。

原则一：越清晰越好

首要原则强调向模型提供清晰明确的指令的重要性。清晰明确是从AI模型中获得期望输出的关键。 OpenAI建议采用四种策略来在提示中实现清晰明确。

1. 使用定界符进行文本输入：为了确保明确的指令，可以使用定界符来分隔输入的不同部分，尤其是在处理文本提示时。通过使用三个反引号或 XML 标签这样的定界符，可以使提示得到结构化和组织化，防止用户进行提示注入行为和冲突的指令。
2. 请求结构化输出：请求结构化输出，如JSON或HTML，可以极大地提高数据处理效率。通过标准化模型的输出格式，更容易解析并存储数据以供将来使用。结构化输出确保一致性并促进进一步处理，尤其是在将AI模型与数据库或其他系统集成时。
3. 检查给定条件：为了处理模型中的异常响应，最好的做法是在执行任务之前让模型检查特定条件是否满足。通过定义条件并在条件不满足时提供默认响应，可以避免意外错误或错误结果。这种策略有助于确保模型在不同场景下表现如预期。
4. 少样本提示：少样本提示包括提供成功任务执行的示例来训练模型。这种方法使得ChatGPT能够学习和模仿期望的风格、语调或回应。通过展示几个具有期望风格的例子，模型可以更好地理解期望的输出。在构建需要特定风格或语调的聊天机器人或应用程序时，少样本提示特别有用。