如何有效的向 AI 提问 ？ 原创

@[toc]

〇、导言

随着人工智能技术的迅猛发展，大语言模型（LLM）以微软 OpenAI 为代表，初次问世，为新一次的 AI 革命打响了第一枪。在短短的几个月内，GPT-3.5 和 GPT-4 的加持下，New Bing、Copilot、Cursor 等产品也相继问世，推动了产品开发的新思路。国内厂商也紧随其后，百度文心一言、华为盘古大模型、阿里通义千问、讯飞星火认知大模型相继发布。

我们现在可以通过与 AI 进行对话来获取各种信息和解决问题。但想要获得更准确、有用的回答，我们需要掌握如何向 AI 提问的技巧和方法。本文将探讨一些技巧，帮助您在与 ChatGPT 和其他类 ChatGPT 的大语言模型对话时更加有效且高效。

---

一、Base LLM 与 Instruction Tuned LLM

在开始之前，我觉得获取有必要向大家讲解一个关于 Base LLM（基础大语言模型）与 Instruction Tuned LLM（指令调整型大语言模型）的知识点，来帮助大家更好地了解大家更好了解之后的内容。如果你对 Base LLM 与 Instruction Tuned LLM 有一定的了解，可以跳过这部分来加速阅读完这篇文章。

Base LLM（Base Language Model）是指大型语言模型的基础版本。这些模型具有广泛的语言理解和生成能力，能够生成连贯、有逻辑的文本回答，并在部分任务和应用中展现出强大的表现；最常见的应用就是文章续写，大家可能见过的应用比如早期 github 上的狗屁不通生成器、夸克浏览器中的 AI 作文灵感生成器、不少人喜欢拿来写文案的秘塔写作猫。

然而，尽管Base LLM在很多方面表现出色，它们仍然存在一些局限性。比如训练数据大多都是来自于互联网，社交平台等易于获取的数据，Base LLM可能会在某些情况下给出不准确或不合适的回答。此外，它们在理解特定领域或任务相关指令时的表现也相对较弱；比如我要询问 “安徽有哪些好玩的地方？”，根据所训练的网络数据的不同，Base LLM 生成的内容可能会有 Answer 1 与 Answer 2 以下两种结果：

• Answer 1，像是一些旅游推荐，搜索推荐所产生的的文本，不是特别符合我们的预期；
• Answer 2，像是出自一些旅游文章或者博客，比较符合我们的预期。

Base LLM 在生成内容时，可能被一些不确定的数据所污染，导致产生的结果并不是我们所预期的结果。为了克服这些限制，研究人员提出了Instruction Tuned LLM（指令调整型语言模型）。Instruction Tuned LLM是一种经过专门优化以更好地理解和执行指令的语言模型。它们通过额外的训练和微调，针对特定任务或领域进行了特定的优化。

与Base LLM相比，Instruction Tuned LLM在特定任务上的性能和准确性更高。它们能够更好地理解并执行给定的指令，生成更符合特定任务需求的回答。通过对模型进行精细调整和针对性训练，Instruction Tuned LLM可以提供更加定制化和个性化的输出。

需要注意的是，Instruction Tuned LLM通常需要更多的训练数据和计算资源来进行优化，因此在实际应用中可能会受到一些限制。此外，对于不同的任务和领域，可能需要针对性地进行模型调整和优化。

总而言之，Base LLM是大型语言模型的基础版本，具备广泛的语言理解和生成能力。而 Instruction Tuned LLM是通过针对特定任务和领域进行优化的版本，能够提供更加定制化和个性化的输出。这两种模型在不同的应用场景中发挥着重要的作用，并为人工智能技术的发展带来了更多的可能性。接下来，我们以较为成熟的 ChatGPT，来讲一下如何有效的向 AI 提问。

二、如何提出有效的问题 ？

How To Ask Questions The Smart Way? 向别人提问一直是一门艺术，向 AI 提问也是如此；有效的问题能够更容易获得你想要的答案，下面就来从语义方面简单讲一下如何向 AI 提出有效的问题。

1. 明确问题：

在向AI提问之前，要先明确自己的问题。尽量用简洁、清晰的语言表达问题的核心。如果问题过于宽泛或含糊不清，AI可能会给出模糊或不相关的回答。下面给出几个例子便于大家理解：

• 不明确的问题： “最近的电影有什么好看的？”
• 明确的问题： “请推荐一些最近上映的悬疑电影。”

• 不明确的问题： “如何学好外语？”
• 明确的问题： “我想学习法语，你有什么建议和资源推荐吗？”

• 不明确的问题： “旅游的最佳时间是什么时候？”
• 明确的问题： “我计划去巴黎旅游，你能告诉我巴黎的最佳旅游季节吗？”

通过将问题具体化和明确化，AI可以更好地理解您的需求并给出更有针对性的回答。确切的问题有助于AI系统准确定位并提供您真正需要的信息，从而提高对话的效果和满意度。

2. 简明扼要：

AI 喜欢简洁明了的问题。避免冗长的描述和复杂的句子结构。用简单直接的语言表达问题，可以提高AI理解问题的准确性。例如，

• 冗长的问题： “我在这个城市有一个会议，我需要一个在市中心附近、价格适中的酒店，带有免费早餐和免费停车场的。你能推荐一些吗？”
• 简明的问题： “请推荐一个价格适中、位于市中心的酒店，带免费早餐和免费停车场。”

• 冗长的问题： “我对新闻感兴趣，尤其是科技和娱乐方面的新闻。你有什么推荐的新闻源吗？”
• 简明的问题： “请推荐一些科技和娱乐新闻源。”

• 冗长的问题： “我在学习编程，我想知道最好的在线编程课程是什么，哪个平台有最好的编程教学资源？”
• 简明的问题： “请推荐一些在线编程课程和优质的编程教学平台。”

通过使用简洁明了的语言，您可以让问题更易于理解和处理。这有助于AI系统更好地捕捉到您问题的核心，提供更相关和准确的回答。避免过多的细节和复杂的句子结构，有助于提高交流的效率和准确性，使您与AI的对话更加流畅和顺利。

3. 避免二义性：

确保您的问题不会引起歧义或模棱两可的回答。AI可能会根据您的问题字面意思进行回答，而忽略其中的潜在含义。如果您的问题有多种解释，请提供更多上下文信息以避免混淆。下面是一些例子：

• 二义性问题： “请告诉我有关苹果的信息。”
• 避免二义性： “我对苹果公司感兴趣，你能提供一些关于其历史和产品的信息吗？”

• 二义性问题： “这部电影好看吗？”
• 避免二义性： “你个人认为这部电影是否值得观看？”

• 二义性问题： “明天的天气怎么样？”
• 避免二义性： “请告诉我明天早上8点在纽约的天气预报。”

在避免二义性问题时，需要提供足够的上下文或具体细节，以确保AI能够正确理解您的意图。通过明确指定对象、时间、地点等关键信息，可以避免不必要的歧义和混淆。尽量将问题的背景和条件清晰地传达给AI，以便它能够提供更准确和有针对性的回答。

记住，AI系统是基于输入的信息来进行处理和生成回答的，所以提供清晰明了的问题有助于AI准确地理解您的意图，从而提供更好的回答和帮助。

4. 避免绝对化的问题：

AI通常不能提供关于绝对真理的回答。避免使用诸如“永远”、“最好的”或“最适合”的绝对化词汇。相反，尽量以更加客观和相对的方式提问，以便AI可以给出更有用的答案。

避免绝对化问题是确保与AI交流准确性的关键，以下是一些举例来说明如何避免绝对化问题：

• 绝对化问题： “什么是世界上最好的手机？”
• 避免绝对化： “请介绍一些当前市场上受欢迎的手机品牌和型号。”

• 绝对化问题： “哪个城市是全球最美丽的城市？”
• 避免绝对化： “你能推荐一些风景优美的城市吗？”

• 绝对化问题： “什么是最有效的减肥方法？”
• 避免绝对化： “你有一些建议来帮助我减肥吗？”

避免使用诸如"最好的"、“最适合”、"永远"等绝对化的词汇，因为AI通常无法给出关于绝对真理的回答。相反，通过使用相对性的表达方式，可以让AI提供更具有客观性和实用性的答案。询问用户个人意见、建议或提供一些可选项和不同的观点，可以帮助AI给出更灵活和有用的回答。

5. 利用引导词：

在提问时，可以使用一些引导词来指导AI的回答。例如，使用“如何”、“为什么”、“哪个”等引导词可以引导AI提供更详细和有针对性的回答。这样可以帮助您更好地理解问题的背景和答案的原因。

利用引导词可以帮助您引导AI的回答，使其更加详细和有针对性。以下是一些举例来说明如何利用引导词：

• 引导词：“如何”
• 问题：“如何学习一门新的编程语言？”
• 这个引导词可以引导AI提供关于学习编程语言的步骤、资源或技巧的回答。

• 引导词：“为什么”
• 问题：“为什么锻炼对身体健康很重要？”
• 这个引导词可以引导AI解释锻炼对身体健康的益处、影响或科学原理。

• 引导词：“哪个”
• 问题：“在纽约市，哪个博物馆是最受欢迎的？”
• 这个引导词可以引导AI提供关于纽约市最受欢迎博物馆的信息和评价。

通过使用不同的引导词，您可以调整问题的语气和期望的回答类型。这些引导词可以指示AI提供指导、解释、推荐或比较的回答，以满足您的具体需求和意图。根据您的问题，选择适当的引导词可以帮助AI更好地理解您的问题，并提供更加有针对性和详细的回答。

需要注意的是，引导词只是一种提示方式，AI仍然根据其训练和模型来生成回答，所以结果可能因模型的理解和数据限制而有所差异。

6. 检查语法和拼写：

在与AI对话之前，检查您的问题的语法和拼写错误。虽然AI可以理解一些错误拼写或语法错误，但确保问题清晰、准确无误可以提高回答的质量和效果。

7. 追问细节：

有时候AI可能无法准确理解您的问题或需求。如果您得到的
ChatGPT 回答不完全符合您的期望，可以追问一些细节来进一步澄清。通过进一步的对话和交流，您可以与AI建立更好的理解和沟通，从而得到更准确的回答。以下是一些进行追问细节的例子：

• 原始问题： “我正在计划去旅行，你有什么建议？”
• 回答： “您可以考虑去欧洲或亚洲旅行。”
• 追问： “对于欧洲和亚洲，你能给我一些具体的目的地建议吗？”

• 原始问题： “我想买一本好书，有什么推荐的吗？”
• 回答： “您可以试试《呼啸山庄》或《人类简史》。”
• 追问： “这两本书的主题是什么？”

• 原始问题： “我需要一份健康的早餐食谱。”
• 回答： “您可以尝试燕麦片和水果的组合。”
• 追问： “你还有其他关于健康早餐的建议吗？”

通过追问细节，您可以向AI提供更具体和详细的信息需求，以获取更加准确和个性化的回答。这样可以帮助AI更好地理解您的意图，并提供更符合您具体需求的建议或答案。

需要注意的是，AI的回答可能基于其训练数据和模型的限制，可能无法满足所有细节要求。在进行追问细节时，要根据AI的回答和能力来判断何时需要进一步追问或调整问题，以使对话更加有意义和有用。

三、如何将提问的内容进行应用？

最近，300 + ChatGPT Prompts 火遍全网，通过这些总结后的提示词，我们能更方便的获取自己想要的内容，并将其用到应用开发上。在这之前，我们先来讲述一下如何使用 Python 进行 ChatGPT 相关内容的开发。

• 英文版 ChatGPT Prompts：https://github.com/f/awesome-chatgpt-prompts
• 译文版 ChatGPT Prompts：https://github.com/PlexPt/awesome-chatgpt-prompts-zh

1. API 的基本使用

首先，我们要先使用 pip 下载 openai 组件，之后创建一个 Python 文件：

配置部分只需要两句话，首先导入 openai 包，然后配置 openai 的 api_key，我这里不方便展示 api_key，所以把 api_key 配置到环境变量再通过 os 获取。

import openai	# 导入 openai 包
import os

from dotenv import load_dotenv, find_dotenv
_ = load_dotenv(find_dotenv())

openai.api_key = os.getenv('CHATGPT_KEY')	# 配置 openai 的 api_key 

接下来是一个函数，用来向 openai 请求数据，复制即可

def get_completion(prompt, model="gpt-3.5-turbo"):
    messages = [{"role": "user", "content": prompt}]
    response = openai.ChatCompletion.create(
        model = model,
        messages = messages,
        temperature = 0,
    )
    return response.choices[0].message["content"]

完成上述的操作后，便可以开始接下来的内容。

2. 格式化输出 ？

众所周知，ChatGPT 可以编写代码；ChatGPT 可以做的更多，只要进行合适的提问，ChatGPT 可以帮你输出 JSON、HTML、表格等等内容。下面举个例子来演示一下：

下面是我编写的一段 Prompt，通过这个 Prompt 可以生成 JSON 格式的数据

prompt = f"""
生成一个列表，其中包含三个虚构的书名以及它们的作者和类型。

以JSON格式提供以下键:
Book_id，Book_name，author，genre。
"""

response = get_completion(prompt)
print(response)

可以看到，ChatGPT 将数据以 JSON 格式展示了出来；接下来，改变关键词，分别修改成了以 HTML 、表格以及 SQL 的形式获得数据，结果如下：

HTML 格式：

表格 格式：

SQL 语句：

3. 角色扮演 ？

角色扮演？相信大家在童年时都玩过吧，不知道大家以前是扮演老师、奥特曼还是喜羊羊。而细看 300 + ChatGPT Prompts，其实就是一个角色扮演的过程，这些 Prompts 的前几句都是 “I want you to act as …”（我想让你扮演…），而使用角色扮演的方式来进行 ChatGPT 的提问可以更好的代入情景，获得更好的回答结果。

值得注意的是，ChatGPT 虽然可以扮演很多东西，但还是尽量扮演许多更加有用且广为人知的职业或者东西，比如老师、花店老板、智能助理等等，而不是一些过于具体的动漫人物或者是一些过于抽象的人物，因为在训练模型时，可能会将动漫人物的名称当作一个词，而不是当作一个名字进行训练。

4. (应用) 十词成文助记单词

作为一个学生，我经常会有背单词的需求，然而市面上大多的背单词软件仅有拼写、选词等背单词方法，功能单一，且使用这些功能很难记住单词；因此不少背单词软件开始训练模型来实现选词成文的功能，使大家更容易记住单词。但这些记单词软件所生成的文章会有逻辑错误，背诵时会很拗口，所以就会想到使用 ChatGPT 来实现该功能。

这里我先存储了 10 个单词，并在 prompt 中限制了生成单词的数量，在应用开发过程中你还可以加入更多丰富的东西，比如生成文章的风格（科幻、古风、穿越等等），生成文章的题材（诗歌、小说、议论、散文等等），以此来提供更多选项来给客户更丰富的体验。下面是代码以及输出结果：

代码：

words = ['apple', 'person', 'wind', 'history', 'author', 'boil', 'science', 'hunger', 'fiction', 'fantasy']
prompt = f"""
使用十个单词生成一段话，字数在100词以内。

十个单词如下：
'''{words}'''
"""

response = get_completion(prompt)
print(response)

结果：

The author wrote a fiction book about a person who loved apples. The story was set in a world where the wind never stopped blowing, causing hunger and hardship for the people. The protagonist, who was a scientist, discovered a way to boil the wind and turn it into energy. This discovery changed the course of history and brought prosperity to the land. However, the author also introduced a fantasy element to the story, where magical apples grew on trees that could cure any ailment. The person in the story embarked on a quest to find these apples and save their loved ones.

（翻译后：作者写了一本关于一个爱吃苹果的人的小说。故事发生在一个风不停刮的世界里，给人们带来了饥饿和困苦。主人公是一位科学家，他发现了一种将风煮沸并将其转化为能量的方法。这一发现改变了历史的进程，给这片土地带来了繁荣。然而，作者也在故事中引入了幻想元素，在那里，树上长着神奇的苹果，可以治疗任何疾病。故事中的人开始寻找这些苹果，拯救他们所爱的人。）

5. (应用) AI 脑图生成器（Chat MindMap）

思维脑图，在大家整理阅读资料，梳理脑海中的内容的时候总是会用到，也算是日常学习科研生活中必不可少的一项工具。当文本字数较多时，整理脑图可能是一件非常麻烦的事，比如我这样懒的人可能会想着有一个提前生成好的脑图，我只需要在上面简单修改；或者 AI 直接生成一份脑图，而我只需按照脑图整理知识内容。

下面是关于 AI 脑图生成器的简单讲述。

text 是我所描述的一串文本，而接下来的过程，通过我所描述的一段 prompt，ChatGPT 将分析我所描述的 text 文本，并将其转换成 OPML 文件适用的 XML 语言

# 文本转化为 OPML 语言
text = '我的手里有三种物品。一种是水果，可能是苹果、香蕉、梨子；一种是蔬菜，可能是胡萝卜、青菜、土豆；一种是零食，可能是辣条、薯片、可乐。请分析我手里的三种物品是什么。'
prompt = f"""
You are a smart mind map software in OPML format, which analyzes text and convert text into OPML language. \
The text after analyzed should be detailed, and divide the text into as many branches as possible; Then you could start to convert text into OPML language.\
OPML language after converted should have <?xml version="1.0" encoding="UTF-8"?>,<opml version="1.0">,<head>,<body>、<outline> and any other OPML label.And the outer <outline> label should be the title of converted OPML language, so the most outer <outline> should be deleted./

The text to be analyzed is as follows, please divide it into details and convert it into OPML language:
'''{text}'''
"""

response = get_completion(prompt)
print(response)

根据我所描述的文本生成的 opml 代码如下，

<?xml version="1.0" encoding="UTF-8"?>
<opml version="1.0">
	<head>
		<title>我的手里有三种物品</title>
	</head>
	<body>
		<outline text="我的手里有三种物品">
			<outline text="一种是水果">
				<outline text="可能是苹果"/>
				<outline text="可能是香蕉"/>
				<outline text="可能是梨子"/>
			</outline>
			<outline text="一种是蔬菜">
				<outline text="可能是胡萝卜"/>
				<outline text="可能是青菜"/>
				<outline text="可能是土豆"/>
			</outline>
			<outline text="一种是零食">
				<outline text="可能是辣条"/>
				<outline text="可能是薯片"/>
				<outline text="可能是可乐"/>
			</outline>
		</outline>
	</body>
</opml>

紧接着，将 response 写入到新创建的 opml 类型的中，写入完成后使用幕布、MindManager 等能可以导入 OPML 的思维脑图软件导入你所创建完成的 OPML 脑图文件即可看到 AI 生成的脑图。

# 将内容写入 opml 文件
f = open(r'F:\test.opml','w', encoding='utf-8')
f.write(response)
f.close()

使用 MindManager 导入后的思维脑图如下：

当然，如果你真的想要完成一个独立的 AI 脑图生成器（Chat MindMap），你可能需要实现一个独立的 OPML 脑图软件，或者尝试使用兼容 markdown 或其它开源轻量脑图组件来完成自己独立的项目。

四、总结

向AI提问是一个互动的过程，通过不断的实践和探索，我们可以进一步优化和改进我们的提问技巧，使得与AI的对话更加流畅和有益，构建更多丰富的应用程序。

希望本文的技巧和指导能够对您在与ChatGPT和其他大语言模型进行对话时有所帮助，让您能够更好地利用AI技术解决问题和获取信息。