Sin embargo, la forma de las indicaciones es muy diferente. En teoría, puede haber innumerables indicaciones para completar la tarea, pero en general, dividiremos una indicación en las siguientes partes:
Instrucción (Instruction) La tarea a realizar por el modelo.
Contexto La información externa dada al modelo.
Preguntas (datos de entrada) preguntas específicas para que el modelo responda
Requisitos de formato de salida (indicador de salida) Requisitos de formato para los resultados de salida del modelo
En resumen, sabemos que Prompt afectará directamente la salida de ChatGPT.
Por lo tanto, si desea obtener la respuesta deseada, debe escribir palabras rápidas .
Hoy veremos algunos ejemplos de tareas básicas. Se puede decir que estas tareas básicas son la capa inferior de todas las tareas de ChatGPT. No importa qué problema le pidas a ChatGPT que resuelva, en realidad es una de estas tareas básicas . Estas tareas básicas las tareas incluyen:
Resumen de texto
Extracción de información
Respuesta a preguntas
Clasificación de texto
Codigo de GENERACION
Resumen de texto
Resumen de texto El resumen de texto, también conocido como resumen de texto, es una tarea estándar en todo el campo del lenguaje natural.
El resumen de texto puede comprimir automáticamente artículos o documentos largos en resúmenes cortos sin perder información importante.
Antes de ChatGPT, la precisión y la coherencia del resumen de texto no eran lo suficientemente buenas y tampoco podía manejar contenido de texto más largo.Después de usar ChatGPT, estos problemas se han resuelto bien.
También puede agregar una descripción de instrucción más detallada al generar un resumen, como la cantidad de palabras, el estilo y el propósito que debe generar ChatGPT.
Extracción de información
En pocas palabras, la extracción de información es extraer información útil de una gran cantidad de texto , como extraer nombres, nombres de lugares, nombres de empresas, tiempo, dinero, etc. de un texto grande, todos los cuales son parte de la extracción de información.
Hay muchos escenarios de aplicación para la extracción de información, por ejemplo, en el campo financiero, la información clave como el nombre de la empresa, el monto de la transacción y el tiempo de la transacción se pueden extraer de una gran cantidad de textos de informes a través de la extracción de información . En el campo de la medicina, la información, como los nombres de las enfermedades, los síntomas y los nombres de los medicamentos, también se puede extraer de la literatura para ayudar en la investigación y el diagnóstico médicos.
Respuesta a preguntas
La tarea de respuesta a preguntas de control de calidad es un tipo de tarea muy común en el campo de la PNL. Usamos directamente ChatGPT para hacer preguntas, lo que equivale a una tarea de respuesta a preguntas.
Es equivalente a que la computadora necesita comprender las preguntas que ingresamos y poder proporcionar las respuestas correspondientes .
Una forma de hacer preguntas es hacerlo directamente. En este momento, debido a que el modelo de lenguaje grande utilizado por ChatGPT ha aprendido mucho, puede responder directamente a la mayoría de las preguntas.
Por ejemplo, la siguiente es una consulta directa "¿Qué enfermedad fue la vitamina descubierta en el estudio"
ChatGPT desde lo básico hasta el combate de proyectos 
https://edu.csdn.net/course/detail/38557
Pero si hace preguntas en este momento, es posible que el resultado de la respuesta del modelo no sea lo que necesitamos.
Por ejemplo, hay demasiadas respuestas arriba y solo quiero que responda las preguntas sin enviarme un largo discurso.
Luego puede agregar una instrucción de descripción específica al problema .
Incluso puedo ir un paso más allá y dejar que el modelo solo devuelva el nombre de la entidad , es decir, solo necesito saber cuál es la enfermedad, solo dime el nombre de la enfermedad.
(Este paso utiliza el indicador de salida mencionado en el artículo anterior)
A veces, el modelo no puede responder directamente a su pregunta porque el modelo en sí no contiene esta parte del conocimiento durante el proceso de capacitación.
En este momento, puede agregar el contexto Contexto a la solicitud para complementar la información de fondo .
Clasificación de texto
Otra tarea básica es la clasificación de texto Clasificación de texto, que es equivalente a clasificar un fragmento de texto en una etiqueta . La clasificación de texto puede ayudarnos a comprender y procesar mejor una gran cantidad de datos de texto, como analizar los comentarios de los usuarios en las redes sociales y en las noticias. sitios web Categorizar noticias, etc. La clasificación de texto también se puede utilizar en análisis de sentimientos, filtrado de correo no deseado, etiquetado automático y otros campos.
En el pasado, cuando no había GPT, el principal problema de la clasificación de texto era la precisión y la capacidad de generalización del modelo, porque los algoritmos tradicionales de aprendizaje automático necesitan extraer funciones manualmente, y es posible que estas funciones no cubran todas las situaciones, lo que conducirá a Rendimiento limitado del modelo, y ahora las características se pueden extraer automáticamente a través del modelo GPT, el efecto de la tarea de clasificación de texto será muy bueno , se puede decir que básicamente satisface las necesidades de los usuarios.
En ChatGPT, no podemos dejar que ChatGPT clasifique directamente un fragmento de contenido de texto, porque el modelo no sabe qué etiquetas de clasificación tiene en total y no hay datos de referencia, por lo que no se puede solicitar directamente.
En este momento, solo necesitamos darle a ChatGPT algunos ejemplos primero , y luego preguntarle un nuevo contenido, y él puede clasificar directamente el nuevo contenido.
Codigo de GENERACION
En el pasado, la generación de código no era tan popular como lo es ahora, principalmente porque en los métodos de programación tradicionales, escribir código requiere una comprensión profunda de la sintaxis y la semántica del lenguaje de programación, y requiere mucho tiempo y esfuerzo para escribir el código. código. Sin embargo, la llegada de grandes modelos de lenguaje ha hecho que la generación de código sea mucho más fácil y eficiente.
Mediante el uso de modelos de lenguaje grandes, ahora podemos convertir descripciones de lenguaje natural en código de programa , lo que puede reducir en gran medida el tiempo y el esfuerzo de escribir código . Esto es muy útil para tareas que requieren codificación frecuente, como pruebas automatizadas y análisis de datos. Además, la generación de código también puede ayudar a aquellos que no tienen la experiencia de programación del lenguaje especificado a generar código rápidamente, lo que ayuda a acortar el ciclo de desarrollo y mejorar la productividad. Al mismo tiempo, no requiere que los desarrolladores sean particularmente competentes. en un determinado idioma y todavía puede completar tareas de desarrollo.
Veamos un ejemplo de generación de código:
Primero le digo a ChatGPT la estructura de mi tabla
Luego le pedí que generara una declaración SQL para completar los datos de muestra entre las dos tablas.
Resumir
En este artículo, presentamos 5 tareas básicas que ChatGPT puede completar usando Prompt, incluido el resumen de texto, la extracción de información, la respuesta a preguntas, la clasificación de texto y la generación de código. No importa qué tareas le pidamos a ChatGPT que realice o qué preguntas responda, básicamente no podemos escapar de estas tareas de clasificación. Al mismo tiempo, cuando explicamos estas tareas, profundizamos los conceptos de contexto, instrucciones y requisitos de salida en Prompt nuevamente.
ChatGPT desde lo básico hasta el combate de proyectos https://edu.csdn.net/course/detail/38557
