六种获得更好结果的策略

1. 编写清晰的指令

如果模型输出内容太长，就要求它简短回复。如果输出过于简单，就要求它采用专家级写作。如果不喜欢输出的格式，请向它演示您期望的格式。GPTs无法读取您的思想，它需要猜测的越少，你获得的内容价值就会越高。

技巧：

• 在查询中包含详细信息以获取更相关的答案
• 要求模型扮演某个角色
• 使用分隔符清楚地表示输入中不同部分
• 指定完成任务所需步骤
• 提供示例
• 指定所需输出长度

2. 提供参考文本

GPTs可以自信地创造虚假答案，特别是在涉及复杂话题、引用和URL时。就像一张笔记纸可以帮助学生在考试中表现更好一样，向GPTs提供参考文本可以帮助它们回答问题时减少编造。

技巧：

• 要求模型使用参考文本回答
• 要求模型从参考文本中引用答案

3. 将复杂任务拆分为更简单的子任务

正如软件工程中的良好做法是将复杂系统分解为一系列模块化组件一样，提交给 GPT 的任务也是如此。 复杂任务往往比简单任务具有更高的错误率。此外，复杂任务通常可以重新定义为简单任务的工作流，其中早期任务的输出用于构造后续任务的输入。

技巧：

• 使用意图分类来识别与用户查询最相关指令
• 对于需要非常长时间的对话应用，可以进行摘要或过滤以前的对话
• 逐段概括长文档并递归构建完整摘要

4. 给GPTs一些“思考”时间

如果让你计算17乘以28，你可能不会立刻得出答案，但是可以在时间充裕的情况下计算出来。同样的，当试图立即回答问题时，GPTs会犯更多的推理错误。在回答之前要求模型进行一系列推理有助于GPTs更可靠地推导出正确答案。

技巧：

• 在匆忙得出结论之前，指导模型自行解决问题
• 使用内心独白或一系列查询隐藏模型的推理过程
• 询问模型是否在之前的迭代中漏掉了什么

5. 使用外部工具

通过将其他工具的输出提供给GPTs，弥补其不足之处。例如，文本检索系统可以告诉GPTs相关文件。代码执行引擎可以帮助GPTs进行数学计算和运行代码。如果一个任务可以通过工具而不是GPTs更可靠或更有效地完成，那么不用GPTs将是最好的选择。

技巧：

• 利用基于嵌入式（embeddings-based)搜索的方法实现高效知识检索。
• 使用代码执行执行更准确的计算或调用外部 API。

6. 系统地测试变更

如果能够测量效果，那么改进效果就会更容易。在有些情况下，对提示进行修改可能会在一些孤立的示例上有更好的表现，但是导致在一个更具代表性的示例集上的整体效果变差。因此，为了确保变化对于性能的影响是积极的，可能需要定义全面的测试方案（或者说“评估”）。

技巧：

• 参考黄金标准（gold-standard)答案评估模型输出。

上述每种策略都可以通过具体的方法来实现。这些方法旨在提供思路，并非是标准，如果你有其他创意和想法也应该去积极尝试。