搞一个项目真是搞太久了，这一年的更新都少了很多，把以前的日更变成了月更（好吧，我还真把这里当小说站点一样写了...，大雾！）但是还是尽量坚持每日更新新知识点吧…所以打算把公众号也利用起来...简书的一天两条做不到，微信的一天一条或许能坚持？学习新东西总是让人愉悦的，虽然很可能忘记
openai官方的提示工程指南
#提示工程Prompt engineering
本指南分享了从 GPT-4 等大型语言模型（有时称为 GPT 模型）中获得更好结果的策略和策略。这里描述的方法有时可以组合使用，以获得更大的效果。我们鼓励您进行实验，以找到最适合您的方法。
此处演示的一些示例目前仅适用于我们功能最强大的模型 .通常，如果发现某个模型在某项任务中失败，并且有功能更强大的模型可用，则通常值得使用功能更强大的模型再次尝试。gpt-4
您还可以浏览示例提示，这些提示展示了我们的模型的功能：
这些模型无法读懂你的心思。如果输出太长，请要求简短回复。如果输出太简单，请要求专家级写作。如果您不喜欢该格式，请展示您希望看到的格式。模型越少猜测你想要什么，你就越有可能得到它。
策略：
语言模型可以自信地发明虚假答案，尤其是在被问及深奥的主题或引文和 URL 时。就像一张笔记可以帮助学生在考试中取得更好的成绩一样，为这些模型提供参考文本可以帮助以更少的捏造来回答。
策略：
正如在软件工程中将复杂系统分解为一组模块化组件是很好的做法一样，提交给语言模型的任务也是如此。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更简单任务的工作流，其中早期任务的输出用于构建后续任务的输入。
策略：
如果要求将 17 乘以 28，您可能不会立即知道，但随着时间的推移仍然可以计算出来。同样，模型在试图立即回答时会犯更多的推理错误，而不是花时间找出答案。在回答之前询问“思维链”可以帮助模型更可靠地推理出正确答案。
策略：
通过向模型提供其他工具的输出来弥补模型的弱点。例如，文本检索系统（有时称为 RAG 或检索增强生成）可以告诉模型相关文档。像 OpenAI 的 Code Interpreter 这样的代码执行引擎可以帮助模型进行数学运算和运行代码。如果一项任务可以通过工具而不是语言模型更可靠或更高效地完成，请卸载它以充分利用两者。
策略：
如果您可以衡量性能，则提高性能会更容易。在某些情况下，对提示的修改将在一些孤立的示例上获得更好的性能，但在一组更具代表性的示例上会导致整体性能较差。因此，为了确保更改对性能是净积极的，可能需要定义一个全面的测试套件（也称为“评估”）。
策略：
