鉴于ChatGPT的巨大能力，深入学习ChatGPT使用技巧势在必行。作为伴随着ChatGPT等大语言模型（LLM）出现的还有一个新的工程领域：提示工程（Prompt Engineering）。
提示工程（Prompt Engineering）是一门较新的学科，关注提示词开发和优化，帮助用户将大语言模型（Large Language Model, LLM）用于各场景和研究领域。掌握了提示工程相关技能将有助于用户更好地了解大型语言模型的能力和局限性。
提示工程不仅仅是关于设计和研发提示词。它包含了与大语言模型交互和研发的各种技能和技术。提示工程在实现和大语言模型交互、对接，以及理解大语言模型能力方面都起着重要作用。用户可以通过提示工程来提高大语言模型的安全性，也可以赋能大语言模型，比如借助专业领域知识和外部工具来增强大语言模型能力。
翻译成大白话：技术开发人员拥有更多的挖掘AI的能力（代码编写、API调用等等），如果普通人也掌握了这些技巧，就可以比普通使用挖掘出更大的ChatGPT能力。
提示词
文本概括
信息提取
问答
文本分类
对话
代码生成
推理
下面挑选几个特别的提示用法，重点讲一讲。
信息提取，使用此指令允许你从大段文本中找到合适的目标
参考指令：指令+###内容###
文本分类，按不同类别进行分类，或基于一定的样本参考，做分类输出。
参考指令1：针对内容的哪些方面，进行分类+%%%内容%%%
参考指令2：指令
推理，目前对于大语言模型来说，推理任务算是最具有挑战性的了。推理任务最让人兴奋的地方就是可以促使各种复杂的应用程序从大语言模型中诞生。大语言模型擅长文字处理，数学推理逻辑确实有些勉为其难，不过一般的也能应付过来。
再来一个稍微复杂一些的指令：
指令提示
零样本提示
少样本提示
链式（CoT）思考提示
自我一致性提示
生成数据提示
有了指令之后，有时候还需要增加一些样式提示，ChatGPT才可能更精准的工作。
1、零样式提示，在没有任何提示的情况下工作
2、小样本提示，提供一些案例供ChatGPT学习，再基于示例进行内容输出
3、链式思考提示，全文称为：Chain-of-Thought Prompting，提示ChatGPT通过中间推理步骤实现了复杂的推理能力。您可以将其与少样本提示相结合，以获得更好的结果，以便在回答之前进行推理的更复杂的任务。
链式思考是关键的技巧，有些稍微复杂题目，ChatGPT表现的并不尽如人意，需要指示ChatGPT按照的一定的步骤，逐步解题，最后的答案往往是正确的。
是不是有点胡说八道的意思，我们来调整一下指令，此时的答案就是正确的。
4、自我一致性提示，这个想法是通过少样本CoT采样多个不同的推理路径，并使用生成结果选择最一致的答案。这有助于提高CoT提示在涉及算术和常识推理的任务中的性能。
（也是在胡说八道，有时候一步到位会出错，咱们让ChatGPT慢慢来）
5、生成数据提示，按照一定的数据提示，生成指定格式的数据，而不是由ChatGPT自由发挥。
综上，是进阶使用ChatGPT时比较常见的技巧，还有一些更高级的使用技巧，可能会涉及到一些编码能力，本文不再深入，有兴趣的小伙伴，可以找相关资料深入进去。
扩展阅读：