快速工程
本指南分享了从 GPT-4o 等大型语言模型（有时称为 GPT 模型）中获得更好的结果的策略和战术。此处描述的方法有时可以组合部署以获得更大的效果。我们鼓励您进行实验，以找到最适合您的方法。
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：
探索提示示例以了解 GPT 模型可以做什么
获得更好结果的 6 种策略
编写清晰的说明
这些模型无法读取您的心思。如果输出太长，请要求简短的回复。如果输出太简单，请要求专家级写作。如果您不喜欢该格式，请演示您希望看到的格式。模型对你想要什么的猜测越少，你得到它的可能性就越大。
策略：
提供参考文本
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话题或引文和 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减少捏造的答案。
策略：
将复杂任务拆分为更简单的子任务
正如软件工程中将复杂系统分解为一组模块化组件是一种很好的实践一样，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：
给模型时间 “思考”
如果要求您将 17 乘以 28，您可能无法立即知道，但仍然可以随着时间的推移而计算出来。同样，模型在尝试立即回答时，而不是花时间找出答案时，会犯更多的推理错误。在答案之前询问 “思维链” 可以帮助模型更可靠地推理出正确答案的方式。
策略：
使用外部工具
通过向模型提供其他工具的输出来补偿模型的弱点。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。如果可以通过工具而不是语言模型更可靠或更高效地完成任务，请卸载它以获得两者的最佳效果。
策略：
系统地测试更改
如果您可以衡量性能，那么提高性能会更容易。在某些情况下，对提示的修改将在几个孤立的示例上获得更好的性能，但会导致在更具代表性的示例集上的整体性能更差。因此，为了确保更改对性能产生净积极影响，可能需要定义一个全面的测试套件（也称为 “评估”）。
策略：
策略
上面列出的每个策略都可以使用特定的策略进行实例化。这些策略旨在为尝试提供想法。它们绝不是完全全面的，您应该随意尝试此处未介绍的创意。
策略文章： 写出清晰的指示
策略：在查询中包含详细信息以获取更相关的答案
为了获得高度相关的响应，请确保请求提供任何重要的详细信息或上下文。否则，你就让模型来猜测你的意思。
| 更 糟 | 更好 |
| 如何在 Excel 中添加数字？ | 如何在 Excel 中将一行美元金额相加？我想对整张行自动执行此操作，所有总计都位于名为 “Total” 的列中的右侧。 |
| 谁是总统？ | 谁是 2021 年的墨西哥总统，选举多久举行一次？ |
| 编写代码来计算斐波那契数列。 | 编写一个 TypeScript 函数来有效地计算斐波那契数列。对代码进行大量注释，以解释每个部分的作用以及为什么以这种方式编写。 |
| 总结会议记录。 | 将会议记录汇总在一个段落中。然后写下演讲者及其每个关键点的 markdown 列表。最后，列出演讲者建议的后续步骤或行动项目（如果有）。 |
策略：要求模型采用角色
系统消息可用于指定模型在其回复中使用的角色。
策略：使用分隔符清楚地指示输入的不同部分
三引号、XML 标签、章节标题等分隔符可以帮助划分要区别对待的文本部分。
对于诸如此类的简单任务，使用分隔符可能不会对输出质量产生影响。但是，任务越复杂，消除任务详细信息的歧义就越重要。不要让模型工作以准确理解您对他们的要求。
计划：指定完成任务所需的步骤
某些任务最好指定为一系列步骤。显式写出步骤可以使模型更容易遵循它们。
策略：提供示例
提供适用于所有示例的一般说明通常比逐个演示任务的所有排列更有效，但在某些情况下，提供示例可能更容易。例如，如果您打算让模型复制难以明确描述的用户查询的特定样式。这称为 “few-shot” 提示。
策略：指定所需的输出长度
您可以要求模型生成具有给定目标长度的输出。目标输出长度可以根据单词、句子、段落、项目符号等的数量来指定。但请注意，指示模型生成特定数量的单词并不能以高精度工作。该模型可以更可靠地生成具有特定段落或项目符号数量的输出。
策略：提供参考文本
策略：指示模型使用参考文本回答
如果我们可以为模型提供与当前查询相关的可信信息，那么我们可以指示模型使用提供的信息来撰写其答案。
鉴于所有模型的上下文窗口都有限，我们需要某种方法来动态查找与所提出的问题相关的信息。Embeddings可用于实现高效的知识检索。有关如何实现此目的的更多详细信息，请参阅策略“使用基于嵌入的搜索实现高效的知识检索”。
策略：指示模型使用参考文本中的引用来回答
如果输入已补充相关知识，则可以通过引用所提供文档中的段落来请求模型在其答案中添加引文。请注意，输出中的引文可以通过所提供文档中的字符串匹配以编程方式进行验证。
策略：将复杂任务拆分为更简单的子任务
计划：使用意向分类来识别与用户查询最相关的说明
对于需要大量独立指令集来处理不同情况的任务，首先对查询类型进行分类并使用该分类来确定需要哪些指令可能是有益的。这可以通过定义固定类别和硬编码与处理给定类别中的任务相关的指令来实现。此过程还可以递归应用，以将任务分解为一系列阶段。此方法的优点是，每个查询将仅包含执行任务下一阶段所需的指令，与使用单个查询执行整个任务相比，这可以降低错误率。这还可以降低成本，因为较大的提示运行成本更高（请参阅定价信息）。
例如，假设对于客户服务应用程序，查询可以按如下方式进行有用的分类：
根据客户查询的分类，可以向模型提供一组更具体的指令，以便它处理后续步骤。例如，假设客户需要 “故障排除” 方面的帮助。
请注意，已指示模型发出特殊字符串以指示聊天的状态何时更改。这使我们能够将系统变成一个状态机，其中状态决定注入哪些指令。通过跟踪状态、与该状态相关的指令，以及允许从该状态进行哪些状态转换（可选），我们可以在用户体验周围设置护栏，而这很难通过结构化程度较低的方法实现。
策略： 对于需要很长对话的对话应用程序，总结或筛选以前的对话
由于模型具有固定的上下文长度，因此用户和助手之间的对话（其中整个对话都包含在上下文窗口中）不能无限期地继续。
此问题有多种解决方法，其中之一是总结对话中的前几个回合。一旦输入的大小达到预先确定的阈值长度，这可能会触发一个查询，该查询汇总了对话的一部分，并且先前对话的摘要可以作为系统消息的一部分包含在内。或者，可以在整个对话的后台异步总结之前的对话。
另一种解决方案是动态选择与当前查询最相关的对话的先前部分。请参阅策略“使用基于嵌入的搜索实现高效的知识检索”。
策略：分段总结长文档并递归构建完整摘要
由于模型具有固定的上下文长度，因此它们不能用于汇总长度超过上下文长度减去单个查询中生成的摘要长度的文本。
要总结一个很长的文档，比如一本书，我们可以使用一系列查询来总结文档的每个部分。章节摘要可以连接和汇总，从而生成摘要的摘要。此过程可以递归进行，直到总结出整个文档。如果有必要使用有关前面部分的信息来理解后面的部分，那么另一个有用的技巧是在总结该点的内容时，在本书中任何给定点之前包含文本的运行摘要。OpenAI 在之前的研究中使用 GPT-3 的变体研究了这种程序总结书籍的有效性。
策略：给模型时间“思考”
策略： 指示模型在匆忙得出结论之前制定自己的解决方案
有时，当我们明确指示模型在得出结论之前从第一原理进行推理时，我们会得到更好的结果。例如，假设我们想要一个模型来评估学生对数学问题的解决方案。解决这个问题最明显的方法是简单地询问模型学生的解决方案是否正确。
但学生的答案其实并不正确！我们可以通过提示模型首先生成自己的解决方案来让模型成功注意到这一点。
策略：使用内心独白或一系列查询来隐藏模型的推理过程
前面的策略表明，有时模型在回答特定问题之前详细推理问题很重要。对于某些应用程序，模型用于得出最终答案的推理过程不适合与用户共享。例如，在辅导应用程序中，我们可能希望鼓励学生找出自己的答案，但模型对学生解决方案的推理过程可能会向学生揭示答案。
内心独白是一种可以用来缓解这种情况的策略。内心独白的思想是指示模型将输出中本应对用户隐藏的部分放入结构化格式中，以便于解析它们。然后，在向用户显示输出之前，将解析输出，并且只有部分输出可见。
或者，这可以通过一系列查询来实现，其中除最后一个查询外，所有查询都对最终用户隐藏其输出。
首先，我们可以要求模型自己解决问题。由于此初始查询不需要学生的解决方案，因此可以省略。这提供了额外的优势，即模型的解不会因学生尝试的解而产生偏差。
接下来，我们可以让模型使用所有可用信息来评估学生解决方案的正确性。
最后，我们可以让模型使用自己的分析来构建一个有帮助的导师的角色的回复。
策略：询问模型在之前的传递中是否遗漏了任何内容
假设我们正在使用一个模型来列出与特定问题相关的来源摘录。列出每个摘录后，模型需要确定它是否应该开始编写另一个摘录，或者是否应该停止。如果源文档很大，则模型通常会过早停止并且无法列出所有相关的摘录。在这种情况下，通常可以通过使用后续查询提示模型来查找它在前一轮中遗漏的任何摘录来获得更好的性能。
策略：使用外部工具
计划方法：使用基于嵌入的搜索实现高效的知识检索
如果模型作为其输入的一部分提供，则模型可以利用外部信息源。这可以帮助模型生成更明智和最新的响应。例如，如果用户询问有关特定电影的问题，则向模型的输入中添加有关该电影的高质量信息（例如演员、导演等）可能会很有用。嵌入可用于实现高效的知识检索，以便可以在运行时将相关信息动态添加到模型输入中。
文本嵌入是可以测量文本字符串之间相关性的向量。相似或相关的字符串将比不相关的字符串更紧密。这一事实，以及快速向量搜索算法的存在，意味着嵌入可用于实现高效的知识检索。特别是，文本语料库可以拆分为多个块，每个块都可以嵌入和存储。然后，可以嵌入给定的查询，并执行向量搜索，以从语料库中查找与查询最相关的嵌入文本块（即在嵌入空间中最接近的文本块）。
可以在 OpenAI Cookbook 中找到示例实施。有关如何使用知识检索来最大程度地降低模型编造错误事实的可能性的示例，请参阅策略“指示模型使用检索到的知识来回答查询”。
计划方法：使用代码执行来执行更准确的计算或调用外部 API
不能依赖语言模型本身准确地执行算术或长时间计算。在需要的情况下，可以指示模型编写和运行代码，而不是进行自己的计算。特别是，可以指示模型将要运行的代码放入指定的格式中，例如三重反引号。生成输出后，可以提取并运行代码。最后，如有必要，可以将代码执行引擎（即 Python 解释器）的输出作为下一个查询的模型的输入。
代码执行的另一个很好的用例是调用外部 API。如果指导模型正确使用 API，则它可以编写使用它的代码。通过向模型提供演示如何使用 API 的文档和/或代码示例，可以指导模型如何使用 API。
警告： 执行模型生成的代码本身并不安全，任何寻求执行此操作的应用程序都应采取预防措施。特别是，需要一个沙盒代码执行环境来限制不受信任的代码可能造成的危害。
策略：为模型提供对特定函数的访问权限
Chat Completions API 允许在请求中传递函数描述列表。这使模型能够根据提供的架构生成函数参数。生成的函数参数由 API 以 JSON 格式返回，可用于执行函数调用。然后，函数调用提供的输出可以在以下请求中反馈到模型中，以结束循环。这是使用 OpenAI 模型调用外部函数的推荐方法。要了解更多信息，请参阅我们的介绍性文本生成指南中的函数调用部分，以及 OpenAI 说明书中的更多函数调用示例。
策略：系统地测试更改
有时很难判断更改（例如，新指令或新设计）是否使您的系统变得更好或更差。查看几个示例可能会暗示哪个更好，但对于小样本量，可能很难区分真正的改进或随机运气。也许此更改有助于某些 inputs 的性能，但会损害其他 inputs 的性能。
评估程序（或“评估”）对于优化系统设计非常有用。好的评估是：
- 代表实际使用情况（或至少多种）
- 包含许多测试用例以获得更大的统计功效（有关指南，请参见下表）
- 易于自动化或重复
| 要检测的差异 | 获得 95% 置信度所需的样本量 |
|---|---|
| 30% | ~10 |
| 10% | ~100 |
| 3% | ~1,000 |
| 1% | ~10,000 |
输出的评估可以由计算机、人工或混合完成。计算机可以使用客观标准（例如，具有单个正确答案的问题）以及一些主观或模糊标准自动执行评估，其中模型输出由其他模型查询评估。OpenAI Evals 是一个开源软件框架，提供用于创建自动评估的工具。
当存在一系列可能的输出时（例如，对于答案较长的问题），基于模型的评估会很有用。可以使用基于模型的评估进行实际评估的内容与需要人工评估的内容之间的界限是模糊的，并且随着模型变得更强大而不断变化。我们鼓励进行实验，以弄清楚基于模型的评估对您的使用案例的适用程度。
策略：参考黄金标准答案评估模型输出
假设已知问题的正确答案应该引用一组特定的已知事实。然后，我们可以使用 model 查询来计算答案中包含多少个必需的事实。
例如，使用以下系统消息：
下面是一个示例输入，其中两个点都满足：
下面是一个示例输入，其中只满足一个点：
下面是一个示例输入，其中没有一个 API 得到满足：
这种类型的基于模型的 eval 有许多可能的变体。请考虑以下变体，该变体跟踪候选答案和黄金标准答案之间的重叠类型，并跟踪候选答案是否与黄金标准答案的任何部分相矛盾。
下面是一个回答不合格的示例输入，但它与专家的回答并不矛盾：
下面是一个示例输入，其中的 answer 直接与专家的回答相矛盾：
下面是一个包含正确答案的示例输入，它也提供了比必要的更多详细信息：
其他资源
有关更多灵感，请访问 OpenAI Cookbook，其中包含示例代码以及指向第三方资源的链接，例如：