生成式AI技巧

建议

  1. 请尽可能清晰明确地提出问题或需求，这样我才能更好地理解并提供准确的答案或建议。

  2. 如果您不确定该如何提问，可以使用更简单的语言或关键词来描述您的问题，我会尽力理解并提供帮助。

  3. 如果您需要执行某些任务，例如设置提醒或日程安排，请尽可能提供详细的信息和指令，以便我能更好地完成任务。

  4. 如果您需要一些建议或意见，可以尝试提出更具体的问题，例如“哪种食物适合我吃？”而不是“你有什么建议？”

  5. 如果您需要多次交互，可以尝试提出更具体的问题，以便我更好地理解您的需求，并为您提供更准确的答案或建议。

案例

我的名字叫做芝士不吃，帮我制作一篇内容为《秦朝为什么会灭亡》PPT，要求如下： 
第一、一定要使用中文。 
第二、页面形式有3种，封面、目录、列表。 
第三、目录页要列出内容大纲。 
第四、根据内容大纲，生成对应的PPT列表页，每一页PPT列表页使用=====列表=====开头。 
第五、封面页格式如下： 
=====封面===== 
# 主标题 
## 副标题 
演讲人：我的名字 
第六、目录页格式如下： 
=====目录===== 
# 目录 
## CONTENT 
1、内容 
2、内容 
第七、列表页格式如下： 
=====列表===== 
# 页面主标题
1、要点1 要点描述内容 
第八、列表页里的要点描述内容是对要点的详细描述，10个字以上，50个字以内。

最后，一定要使用代码块回复你生成的内容，切记切记。


帮我把当前网页内容制作一篇内容为PPT，要求如下： 
第一、一定要使用中文。 
第二、页面形式有3种，封面、目录、列表。 
第三、目录页要列出内容大纲。 
第四、根据内容大纲，生成对应的PPT列表页，每一页PPT列表页使用=====列表=====开头。 
第五、封面页格式如下： 
=====封面===== 
# 主标题 
## 副标题 
演讲人：我的名字 
第六、目录页格式如下： 
=====目录===== 
# 目录 
## CONTENT 
1、内容 
2、内容 
第七、列表页格式如下： 
=====列表===== 
# 页面主标题
1、要点1 要点描述内容 
第八、列表页里的要点描述内容是对要点的详细描述，10个字以上，50个字以内。

最后，一定要使用代码块回复你生成的内容，切记切记。

总结内容

网页(Bing)

帮我总结下https://developers.weixin.qq.com/community/develop/article/doc/00088c04b302e8e3b66b0430051813这个页面的内容,并用 plantuml 的思维导图语法形式中文回复
uml diagram 
帮我总结当前页面的内容,并用 plantuml 的思维导图语法形式中文回复

帮我总结下<思考快慢>这本书的内容,并用 plantuml 的思维导图语法形式中文回复
uml diagram 
1. 第一部分讲述了通过双系统进行判断和做出决策的基本原理。这部分内容详细说明了系统1的无意识运作和系统2受控制运作的区别，并且说明了系统1的核心，即联想记忆是如何不断对世界上所发生的事作出连贯的解释的。
2. 第二部分对判断启发法的研究作了更新，还探索了一个难题，即为什么很难具备统计型思维。我们思考时总是会把多种事情联系起来，会将一件事情比喻成另一件，会突然想起一件事来，但统计学要求同一时间把多件事情串联起来，而这一点系统1是做不到的。
3. 第三部分描述了我们大脑有说不清楚的极限：我们对自己认为熟知的事物确信不疑，我们显然无法了解自己的无知程度，无法确切了解自己所生活的这个世界的不确定性。
4. 第四部分叙述了在决策制定的性质和经济因素为理性的前提下讨论经济的原则。
5. 第五部分阐述了近期研究中关于两个自我的区别性描述，即经验自我和记忆自我，两者间没有共性。

图片生成

帮我把下面这段话整理成midjourney能理解的英文关键词,关键词之间用逗号隔开,下面我开始描述:

用svg语法帮我画一只可爱的小猫

从现在起, 当你想发送一张照片时，请使用 Markdown ,并且 不要有反斜线, 不要用代码块。使用 Unsplash API (https://source.unsplash.com/1280x720/? < PUT YOUR QUERY HERE >)。如果你明白了，请回复“明白”

用Mermaid语法帮我生成红楼梦的人物关系图.人物越多越好

graph LR 
iaBaoyu(贾宝玉) -- 父 --> JiaZheng(贾政)
JiaBaoyu -- 母 --> LadyWang(王夫人) 
JiaBaoyu -- 姐 --> JiaTanchun(贾探春) 
JiaBaoyu -- 妹 --> XueBaochai(薛宝钗) 
JiaBaoyu -- 妻 --> LinDaiyu(林黛玉) 
JiaBaoyu -- 妾 --> Qingwen(晴雯) 
JiaBaoyu -- 妾 --> Rongguo(蓉哥儿) 
JiaZheng -- 妻 --> YouShi(尤氏) 
JiaZheng -- 兄 --> JiaLian(贾琏)
JiaLian -- 妻 --> WangXifeng(王熙凤) 
WangXifeng -- 姐 --> WangXiren(王瑞嫱) 
WangXifeng -- 妹 --> ShiXiangyun(史湘云) 
ShiXiangyun -- 弟 --> ShiFeiran(史鼐然) 
YouShi -- 儿子 --> JiaZhen(贾珍) 
YouShi -- 儿子 --> JiaZhu(贾助) 
YouShi -- 儿子 --> JiaZhen(贾蓉) 
YouShi -- 女儿 --> JiaQing(贾情) 
YouShi -- 女儿 --> JiaHuan(贾环) 
YouShi -- 女儿 --> JiaYuanchun(贾元春) 
JiaLian -- 儿子 --> JiaQiang(贾强) 
JiaLian -- 儿子 --> JiaJun(贾俊) 
JiaLian -- 儿子 --> JiaHuan(贾环) 
JiaLian -- 儿子 --> JiaZhu(贾珠) 
JiaLian -- 女儿 --> JiaTianqing(贾天祥) 
WangXifeng -- 儿子 --> JiaLian(贾琏) 
WangXifeng -- 儿子 --> JiaQing(贾庆) 
WangXifeng -- 儿子 --> JiaZhong(贾钟) 
WangXifeng -- 女儿 --> JiaYingchun(贾迎春) 
WangXifeng -- 女儿 --> JiaXichun(贾惜春) 
WangXifeng -- 女儿 --> JiaQing(贾琼) 
JiaTanchun -- 妹 --> JiaHuan(贾环) 
JiaTanchun -- 妹 --> JiaQing(贾庆) 
JiaTanchun -- 妹 --> JiaZhen(贾珍) 
JiaTanchun -- 妹 --> JiaZhu(贾助) 
JiaTanchun -- 妹 --> JiaRong(贾蓉) 
JiaTanchun -- 妹 --> JiaQiang(贾强) 
JiaTanchun -- 妹 --> JiaJun(贾俊) 
XueBaochai -- 父 --> XuePan(薛蟠) 
XueBaochai -- 母 --> AuntXue(薛姨妈) 
XueBaochai -- 姐 --> XueBaoqin(薛宝琴) 
XueBaochai -- 妹 --> XueBaozhen(薛宝钧) 
XueBaochai -- 妹 --> XueBaochai(薛宝钗) 
XueBaoqin -- 父 --> XuePan(薛蟠) 
XueBaoqin -- 母 --> AuntXue(薛姨妈) 
XueBaoqin -- 姐 --> XueBaochai(薛宝钗) 
XueBaoqin -- 妹 --> XueBaozhen(薛宝钧) 
XueBaozhen -- 父 --> XuePan(薛蟠) 
XueBaozhen -- 母 --> AuntXue(薛姨妈) 
XueBaozhen -- 姐 --> XueBaochai(薛宝钗) 
XueBaozhen -- 姐 --> XueBaoqin(薛宝琴)

问题

突破Chatgpt最大token限制

由于ChatGPT的最大token限制，处理长文本时可能会遇到上下文关联性降低的问题。要解决这个问题，您可以采取以下策略：

  1. 分段处理：将长文本拆分为较短的段落或部分，并逐个处理。在处理每个部分时，请确保包含前一个部分的关键信息，以帮助模型保持上下文关联性。

  2. 摘要输入：在将输入发送到模型之前，尝试对其进行摘要，以减少token数量。这样可以在不超过最大token限制的情况下，为模型提供更多上下文。

  3. 重点突出：对于长文本，确保在prompt中明确提出您的问题或需求。强调重要的上下文信息，以帮助模型聚焦于关键点。

  4. 分步请求：在某些情况下，您可能需要将问题拆分为多个子问题，并分步请求。这可以帮助您更好地利用模型的能力，同时避免因长文本而导致的上下文关联性降低。

  5. 多次迭代：如果收到的回答不理想，您可以尝试使用不同的温度设置、修改问题或调整输入文本。您还可以将模型的前一个回答作为上下文输入，并要求它进一步澄清或详细解释。

通过采取这些策略，您可以在很大程度上解决上下文关联性降低的问题。然而，由于模型的内在限制，可能仍然存在一定程度的上下文关联性降低。

上下文关联减低问题

要解决由于分段提示造成的上下文关联性降低的问题，可以尝试以下策略：

  1. 保留关键信息：在处理长文本时，确保每个分段提示都包含前一个部分的关键信息。这有助于模型了解上下文并给出相关回答。
段落1：{paragraph1} 
段落2：{paragraph2} 
... 
段落n：{paragraphN}

对于每个段落，您可以这样构建提示：

解释段落1：{paragraph1} 
--- 
解释段落2（在段落1中，我们了解到...）：{paragraph2}

  1. 采用滑动窗口方法：将长文本拆分为较短的部分，然后使用重叠的滑动窗口进行处理。这样可以确保每个部分都有一定的上下文关联性。例如，如果文本很长，可以将其拆分为多个部分，每个部分重叠一定数量的token。这样，在处理每个部分时，都有一定的上下文信息。

  2. 逐步生成：在某些情况下，可以将问题拆分为多个子问题，并分步请求。在处理每个子问题时，将前一个子问题的答案包含在提示中，以提供上下文。

  3. 使用摘要：在将长文本分段处理之前，可以先尝试对其进行摘要。这有助于在保持上下文关联性的同时，减少文本长度。

工具