Chat GPT是一種基於自然語言處理的人工智慧模型，特別訓練用於進行對話和文字生成任務。

它具有強大的語言理解和生成能力，能夠理解和回應各種自然語言輸入。

Chat GPT的應用非常廣泛，包括自動客服、虛擬助手、內容產生、程式幫助等。

它可以用於回答問題、產生文章、幫助解決問題，甚至參與有趣的對話。

例如對Chat GPT輸入："假如你是李白，請幫我寫一首情詩，獻給我心愛的女孩"
那麼Chat GPT會回覆你這麼一首詩：

晨霞映彩雲，飛鳥遞芳尊。
芳心紅粉擁，情意寄君門。

蓮步踏春風，眉眸含幽魂。
楚楚傾城色，芳菲揚淑魂。

絲羅繞細腰，青衫舞麗顏。
嫣然笑蓮步，千嬌韻更妍。

愛戀如花開，世間難得見。
願與君相守，情繫此生意。

Chat GPT 的工作原理

Chat GPT 依賴語言模型技術，而這種模型並非邏輯框架，亦非生物學中的反饋系統，而是一個以數學公式構建的模型。
通過訓練過程學習語言知識，並根據提供的提示生成自然語言回應。
從本質上講， Chat GPT 的原理仍是在眾多候選中選擇概率或可能性最大的句子。
如何準確計算機率呢？
對於語言模型的參數統計並非簡單的數數，而是需要運用複雜的機器學習方法進行反復計算。
當今的 Chat GPT 語言模型所使用的訓練數據量也非常巨大，以 GPT-3 為例，使用了大約 5000 億個詞彙，相當於約 500 億個句子。

Chat GPT 的能力邊界

語言模型能做的事情分為三類：
第一類：將資訊從一種形式轉換為另一種形式，無論是語音識別還是機器翻譯。
第二類：根據要求產生文章。像回答問題、回覆信件、書寫簡單的文字。
第三類：把更多的資訊精簡為較少的資訊。

Chat GPT 的回答從哪裡來？

對於 ChatGPT 而言，除了「為什麼」和「怎麼做」之外，大多數問題都屬於簡單問題。
ChatGPT 利用語言模型回答簡單問題的方式並不僅僅是單純的一對一比對，而是根據問題提供多個可能的答案，然後按照答案的機率排序，提供最可能的答案。

當面對複雜問題時，人有三種方式來回答。
第一種情況是：你已經知道答案，直接回答。這種方法 ChatGPT 也使用。
第二種情況是：你不知道答案，但你懂得如何找到答案的知識，因此你利用你的知識推導出答案。
第三種情況是：你不知道答案，而且現有的知識也無法直接推導出答案，因此你進行研究。

那麼， Chat GPT 的答案從何而來呢？
不論是回答問題還是撰寫文章， Chat GPT 都基於對現有事實的提取、整合和歸納。
舉個例子，當我們提出一個複雜問題給 Chat GPT 時，它會搜索數十甚至數百篇可能包含答案的文章，然後從這些文章中提取出一些語句，構成可能的答案。
當然，為了使這些句子有邏輯且連貫地湊在一起，語言模型是必需的。
至於長篇文章的撰寫， Chat GPT 實際上是在模仿相似的文章，但會使用使用者提供的新資訊取代舊資訊。
無論你給它什麼樣的訓練數據，它都能根據這些數據生成相對應的文章。

如何使用 Chat GPT

理解了 Chat GPT 是如何產生答案之後，我們可以簡單歸納出他的三種能力「識別、理解、產生」。

識別：尋找，並從語句中篩選出特定的訊息；
理解：對資料加以解釋、概括和推理；
產生：基於識別和理解，產出新的資料；

例如將句子分類：

將文字分類為中性、負面或正面。
文字：我認為這次假期還可以。

例如文字篩選器：

請基於我提供的文字，分析文字的內容，如果文字主題與 AI 倫理相關，請為我保留下來，並輸出 100 字左右的簡單概述。我希望你能將所有保留的文字梳理成一篇簡報，並基於保留的文字輸出 200 字左右的綜述。

例如程式產生器：

你現在是一個 python 專家，我有一段程式碼，我預期這段程式碼可以判斷一個字串是不是制式回復，只是它通過不了 aacdeedcc 這個測試案例。請幫我找出我哪裡寫錯了，以及用正確的方式改寫。 [附上程式碼]

什麼是 prompt 

"Prompt" 是指用於啟動 ChatGPT 或其他自然語言處理模型的指令或問題。它是一個短語、一個句子或一段文字，通常包含一些上下文和指導，用來引導模型生成特定類型的回應。

如何使用 prompt

明確、具體的指令

在編輯指令時，一不小心就會陷入在指令中泛泛而談。
例如：「請為我寫一首詩」，這會讓模型不知道詩的風格、也不知道詩的字數。
若是改為：「請為我產生一首李白風格的七言絕句」，就會具體許多。

越是「明確、具體」的要求就越能得到精準的答案。

層次分明的格式

prompt 的輸入格式是有層次的。不同的內容類型最好以符號分區。
符號可以是任意的類型，核心原則是將不同的內容進入區分。
例如：I want you to act as an English translator, spelling corrector and improver. My first sentence is “不要懷疑！我就是專家”

特定的思考邏輯

模型在執行時也有自己的思考邏輯，當輸入某些複雜問題時，模型因為效率優先常會輸出貌似正確，實則荒唐的答案。
為了避免此類情況出現，在撰寫 prompt 時可以要求模型按照特定方式進行思考。
有兩種方法可以「框定」模型的思考邏輯，分別是案例法及框架法。

案例法：

在要求模型輸出結果之前，先為模型提供範例參考讓其學習。

框架法：

直接要求模型根據特定的模式進行思考。例如，要求模型根據指定的步驟進行思考。
框架法又可為兩種：

一致性思考：

當要求模型處理複雜問題時，要求模型從多個角度進行思考並最終以多數同意的方式給出答案；

ReAct框架：

要求模型在輸出答案前先思考，接著再基於思考行動，通過行動得出結果後，呈現行動結果的答案。

輸出格式的要求

輸出格式可以包含兩種要求：內容要求及格式要求。

內容要求：要求輸出內容包含關鍵字。
格式要求：指定輸出的結果以表格、程式、 Markdown 等格式輸出，或是指定回答以特定文字格式回覆。

例外狀況的處理

要求模型檢查使用者提供的資訊，並確保資訊的完整性足以讓任務完成。
當執行途中遭遇異常時，能暫停產生資料並報錯。

範例

我們可以建立一個簡單的範例，讓 Chat GPT 幫我們釐清思緒。

例如對 Chat GPT 輸入：

你是一個流程圖專家，幫我繪製一個業務流程圖。
用途是食品外送的app，從點餐到外送的經過，需要包含使用者、系統管理、支付系統、商家、外送人員，並用markdown表示

Chat GPT會產生下方回答：

當然！以下是使用 Markdown 表示的食品外送 App 的業務流程圖：

```mermaid
graph LR
A[使用者] --> B[點餐]
B --> C[選擇外送地址]
C --> D[提交訂單]
D --> E[等待商家接單]
E --> F[商家接單]
F --> G[準備食物]
G --> H[完成食物準備]
H --> I[通知外送人員]
I --> J[外送人員接單]
J --> K[外送人員取餐]
K --> L[外送中]
L --> M[外送完成]
M --> N[使用者收到外送]
N --> O[支付]
O --> P[完成支付]
P --> Q[結束]

subgraph 系統管理
S[接收訂單] --> F
T[通知外送人員] --> I
end

subgraph 支付系統
O --> P
end

subgraph 商家
F --> G
end

subgraph 外送人員
J --> K
K --> L
end

```

這個業務流程圖涵蓋了食品外送 App 的點餐到外送的過程。使用者進行點餐，選擇外送地址，提交訂單後，等待商家接單。商家接單後，開始準備食物並通知外送人員。外送人員接單後，前往商家取餐，進行外送，直到外送完成。使用者收到外送後，進行支付，完成支付後結束流程。

系統管理部分負責接收訂單並通知外送人員。支付系統處理支付流程。商家負責接單並準備食物。外送人員接單後取餐並進行外送。

你可以將上述程式碼複製到 Markdown 編輯器中以正確顯示業務流程圖。希望這對你有所幫助！如有其他問題，請隨時提出。

將答案貼至支援 Mermaid 語法的 Markdown 編輯器後，可以取得如下的結果

總之，ChatGPT是一個靈活且多才多藝的語言模型，為我們的生活帶來了許多有趣和實用的應用機會。

為了實際體驗此工具的效果，本文標題、簡介及部分內容是與 Chat GPT 討論後產出。

參考：
Prompt Engineering Guide
deeplearning.ai
learnprompting
Azure Cognitive Services 
AI 时代的炼金术：Prompt 完全食用指南