🎭面具的使用技巧

⭐ 孟应杰的网站: myj.im ⭐

简介

使用NextChat网页应用(ChatGPT Next Web)设置预设对话建立Few-Shot面具，更精准更快捷地使用AI-Chat工具。

面具示例汇总

方便第二次阅读使用，第一次阅读可以先看下面具制作过程。


输出	输出	实现路径指南	面具示例
HLD需求分析	LLD第一章
API接口描述	TP用例
伪代码	代码
TP	Python脚本
TP	RF脚本

Zero-Shot与Few-Shot

Zero-Shot

在 Few-shot 这个概念之上还有一个 Zero-Shot，所以我们先了简单解一下 Zero-Shot

Zero-Shot Prompting 是一种自然语言处理技术，可以让计算机模型根据提示或指令进行任务处理。ChatGPT 就用到这个技术。

举个例子，我们可以给 ChatGPT 一个简短的 prompt，比如给出某部电影的名称，它就可以生成一个关于该情节的摘要，而不需要进行电影相关的专门训练。 – 引用自 Zero-Shot

Zero-Shot 的优点是方便快捷、发散思维，我不需要给他任何提示，直接就开聊。这也同时是他的缺点，每次相同的提问，极有可能会给你不同的答案。我们可以利用Zero-Shot来进行思维的扩展，例如技术交流、LLD****的设计考虑、代码分析、BUG解决等。

Few-Shot

可以把 Few-Shot 简单理解为，让模型回答问题之前先给它几个一问一答的例子（有助于 AI 进行链式****思维以提升结果的准确率）。之后你再问相关的问题它就会根据你提供的例子进行规范作答。这就像是一个超级 mini 的 Fine-tuning，由于 GPT 3.5 模型过于强大，我们只需用几个小例子即可得到很好的效果。

通过 Few-shot 制作面具，引导模型返回更符合我们预期的答案，使ChatGPT成为一个生产力工具，例如TP生成、LLD格式生成、代码生成、****自动化脚本生成等工具。

深入了解 Few-Shot请参考：参考连接1，参考连接2

使用Few-Shot制作面具

区别于我们原来的面具制作，原来的面具（或者提示词）制作全是以用户角度的输入，很难达到训练AI的效果，他只会根据我们的输入内容进行发散回答，导致回答内容很难符合我们的预期。我们以TP生成自动化脚本为例描述面具的制作。

新建一个面具并设置前置上下文

点击：面具-查看全部-新建

设置合适的角色和prompt

前置对话角色描述：


system	system 角色定义了 assistant 的主要行为
user	用户所代表的角色
assistant	GPT所代表的角色

以TP生成脚本示例设置提示词：

这里我使用了 1 shot（一个 user + assistant 的问答即 1 shot）来创建这个面具，其中 system 角色定义了 assistant 的主要行为，也就是让模型大概知道它自己是干啥的。后面的 user + assistant prompt 让模型参考应该以何种方式回答问题。指定面具时可以根据需要多设定几个shot。

具体内容如下：


system	你现在是Python专家，我需要你根据我的测试用例编写测试脚本，我会给你提供测试用例，你需要严格按照我的TP用例生成代码。
user	TP用例用例如下：用例名称：云防火墙规则创建、查询、删除（硬墙）用例步骤： 1、构造基础环境 2、在net_s1下创建port，device_owner为DEVICE_OWNER_VM 【省略】用例期望： 1、构建成功 2、大带宽防火墙上有配置：router1配置【省略】
assistant	我根据你提供TP，生成自动化脚本，以下是测试用例的脚本代码： def run_case(): 【省略】