gpt-prompt
Prompt 技巧
Dimiliter
这里的 Prompt 是一个比较长的描述，所以可以提出了第一个 Prompt 的技巧：撰写明确而具体的指示, 对于大段的输入, 可以使用分隔符明确指定内容
CoT
chain of Thought
给模型思考的时间, Step by step是一个具有魔力的 Prompt 词汇，可以让 ChatGPT 花更多的时间去计算思考这个问题，而不是直接给出一个答案。
你是一个软件质量保证团队的经理，也是行业专家，擅长分析小程序SDK的功能描述文档，依据用例设计规范、用例设计指南，来生成测试用例集。你拥有软件领域的专业知识，能够基于专业知识预判用例预期结果。
严格执行思考过程：
『
1. 先理解「功能描述」所述的SDK功能；\n
2. 再理解「用例设计指南」中的Checklist；\n
3. 参考「思考示例」，根据Checklist所关注的内容，提取出「功能描述」相关的功能细节；\n
4. 参考「思考示例」，列出Checklist；\n
5. 参考「思考示例」，先统计出测试用例总数；\n
6. 参考「思考示例」、「用例设计规范」，编写每一条用例的详细信息；\n
7. 输出内容。
』
思维树技巧
Tree Of Thought（思维树）。维护一棵思维树，解答问题的过程有一系列中间步骤，让 AI 能够对推理的中间步骤进行评估与验证。
比如模拟圆桌模式，引入多个角色，抛出主题，让不同角色围绕主题不断讨论，直到获取满意结果。
- 产品经理、研发、行业运营。
- 有创意的角色 A，擅长提问的角色 B，思维缜密的角色 C，行业专家角色 D。
其他技巧
迭代 Prompt。如果你发现 ChatGPT 没有正确的理解你的需求，那么你可以继续在这个会话中微调你的 Prompt，直到 ChatGPT 正确的理解你的需求为止。
这里可以提出第四个 Prompt 的技巧：放弃方案。如果你发现 ChatGPT 没有给出一个满意的答案，那么你可以放弃这个方案，直接开启新的会话探索另外一种方案。
我们又可以提出第五个 Prompt 的技巧：给出代码片段。如果你发现 ChatGPT 给出的代码不完整，那么你可以给出一个代码片段，让 ChatGPT 帮你完成这个代码片段。
我们又可以提出第六个 Prompt 的技巧：代码解释。如果你发现 ChatGPT 给出的代码你难以理解，那么你可以要求它给予完整的解释，或者用更简单的方式重写它的代码。这个过程中，还可以提升自己的技术能力，这也是结对编程的一个好处。
我用到了第七个 Prompt 的技巧：few-shot。这个 Prompt 的技巧可大有来头，因为这是 GPT-3 的论文 Language Models are Few-Shot Learners 标题的由来。如果你发现 ChatGPT 没有给出一个满意的答案，那么你可以给出一个更具体的例子，让 ChatGPT 帮你完成这个例子。
基于提示词框架编写 Prompt
Elavis Saravia 的 ICIO 框架
程序员思维
ICIO 框架是 Elavis Saravia 总结的一套框架，他认为一个 prompt 里需包含以下四个部分：
Instruction (必须): 指令, 即你希望模型执行的具体任务
Context (选填): 背景信息, 或者说是上下文信息, 这可以引导模型做出更好的反应
Input Data (选填): 输入数据, 告知模型需要处理的数据
Output Indicator (选填): 输出指示器, 告知模型我们要输出的类型或格式。
Matt Nigh 的 CRISPE 框架
以“人”为本
CRISPE 框架是 Matt Nigh 提出的一个用于编写 prompt 输出复杂内容的框架，它是首字母的缩写，分别代表以下含义：
CR：Capacity and Role（能力与角色）：你希望 ChatGPT 扮演怎样的角色。
I：Insight（洞察）：背景信息和上下文。
S：Statement（陈述）：你希望 ChatGPT 做什么。
P：Personality（个性）：你希望 ChatGPT 以什么风格或方式回答你。
E：Experiment（实验）：要求 ChatGPT 为你提供多个答案。
陈财猫的 BORE 框架
OKR
BORE 框架是陈财猫设计的一套 ChatGPT 提示设计流程，提高 ChatGPT 的工作效率和质量。
BORE 是 Background, Objectives, Results, Experiment 的缩写，它包括四个部分：
Background: 阐述背景，为 ChatGPT 提供充足信息。
Objectives: 定义任务目标，告诉 ChatGPT 我们希望实现什么。
Results: 定义关键结果，让 ChatGPT 知道实现目标所需要达成的具体、可衡量的结果。
Experiment: 试验并调整，通过试验来检验结果，并根据需要进行调整。
Szhans 的提示词框架
AIGC
Szhans 提出的一个新的提示词框架，可以让 ChatGPT 们成为你更好私人顾问
表达目标：（你想做什么？）
提供框架：（给出示例)
目标受众：（什么类型的人会去读）
语气风格：（比如幽默、严肃、正式…）
参考的作者/电影/书籍/其他的风格：（比如斯蒂芬金）
不要触及的部分：（比如政治）
Prompt Chaining
对于复杂任务来说，进阶技巧也是不够的。写提示词就像写代码，需要不断测试、优化，以提升模型推理的准确性，并需要利用上 Prompt Chaining（链式提示）、向量数据库和开发框架等手段。
将复杂任务分解为多个子任务，链式完成工作。
Prompt Chaining，链式提示。对于一个复杂问题，一个推理任务是无法解决的。提示工程可以将一个任务被分解为多个子任务，根据子任务创建一系列提示操作。确定子任务后，将子任务的提示词提供给语言模型，得到的结果作为新的提示词的一部分，这就是链式提示。
在链式提示中，提示链对每个步骤的结果执行转换或其他处理，直到达到期望结果。每一步都提供合理的线索和指导，以帮助模型形成有条理的回答。
除了提高推理准确性，链式提示还有助于提高推理的透明度，增加控制性和可靠性。更容易地定位模型中的问题，分析并改进需要提高的不同阶段的性能。
背景：你需要为小程序特定功能模块，生成自动化测试用例及测试代码。
任务一、生成测试用例
- 子任务 1、对目标功能模块的描述文字，进行摘要处理
- 子任务 2、参考设计规范文档中的示例，增加用例示范
- 子任务 3、参考设计指南文档，遍历生成测试用例
任务二、生成测试代码
- 子任务 1、参考 STC 测试编写规则，为测试用例生成测试代码
- 子任务 2、根据用例编写规范进行检查和修改
向量数据库
让 GPT 在了解大量上下文信息的情况下解决问题。
向量数据库是一种特殊的数据库，它专门用于存储和管理向量数据。向量数据是指由多个数值组成的数据，这些数值通常表示某种特征或属性。例如，一张图片可以表示为一个由像素值组成的向量，一个文本可以表示为一个由单词频率组成的向量。
向量数据库的主要特点是能够高效地存储和查询大规模的向量数据。它通常采用基于向量相似度的查询方式，即根据向量之间的相似度来检索数据。这种查询方式可以用于各种应用场景，例如图像搜索、音乐推荐、文本分类等。
向量数据库的实现方式有很多种，其中比较常见的是基于向量索引的方法。这种方法将向量数据映射到一个高维空间中，并在这个空间中构建索引结构，以支持高效的相似度查询。常见的向量索引结构包括 KD 树、球树、LSH 等。
向量数据库在人工智能、机器学习、大数据等领域有着广泛的应用，它可以帮助用户快速地检索和分析大规模的向量数据，从而提高数据处理的效率和准确性。