新加坡（GovTech）舉辦了首屆GPT-4提示工程競賽，Sheila Teo很幸運地取得了勝利。

提示工程是一門融合了藝術(shù)和科學的學科——它既是對技術(shù)的理解，也包含創(chuàng)造力和戰(zhàn)略思維。

這次她和我們分享了她在學習過程中學到的提示工程策略，這些策略可以讓任何LLM都可以完全滿足用戶的需求，甚至做得更多！

其中1，2指的是適合初學者的提示技術(shù)，而3，4指的是高級策略：

• 1. 使用CO-STAR框架構(gòu)建提示詞
• 2. 使用分隔符將提示詞分段
• 3. 使用LLM護欄創(chuàng)建系統(tǒng)提示符
• 4. 僅使用LLM（無需插件或代碼）分析數(shù)據(jù)集

1. 使用CO-STAR框架構(gòu)建提示信息

有效的提示結(jié)構(gòu)對于從LLM那里獲取最佳回復至關(guān)重要。CO-STAR框架是新加坡政府科技部數(shù)據(jù)科學與人工智能團隊的心血結(jié)晶，是構(gòu)建提示的便捷模板。

它考慮到了LLM回答的有效性和相關(guān)性的所有關(guān)鍵方面，從而使回答更加優(yōu)化。

具體操作如下：

（C）上下文：提供任務(wù)的上下文信息

這有助于LLM了解正在討論的具體情景，確保其答復具有相關(guān)性。

（O）目標：確定你希望LLM執(zhí)行的任務(wù)是什么

明確你的目標有助于LLM把回答的重點放在實現(xiàn)這一具體目標上。

（S）風格：指明你希望LLM使用的寫作風格

這可以是某個名人的寫作風格，也可以是某個行業(yè)的某個專家，如商業(yè)分析專家或首席執(zhí)行官。這將引導LLM以符合你需求的方式和用詞做出回復。

（T）語氣：確定回復的態(tài)度

這可確保LLM的回復與所需的情感或情緒背景產(chǎn)生共鳴。例如，正式的、幽默的、善解人意的等。

（A）受眾：確定回復的對象

根據(jù)受眾（如某一領(lǐng)域的專家、初學者、兒童等）量身定制LLM的回復，確保其在所需的語境中是恰當?shù)?、可以理解的?/span>

（R）回復：提供回復格式

這可確保LLM按照下游任務(wù)所需的準確格式輸出。例如，列表、JSON、專業(yè)報告等。大多數(shù)LLM應(yīng)用程序都會以編程方式LLM回復進行下游操作，對于這些應(yīng)用程序來說，JSON輸出格式是最理想的。

CO-STAR的實際應(yīng)用

下面是一個真實的例子，說明CO-STAR框架為什么有用。

假設(shè)你是一名社交媒體經(jīng)理，你需要幫助起草一篇Facebook帖子來宣傳公司的新產(chǎn)品。

沒有CO-STAR的提示工程是這樣的：

在Facebook上寫一篇文章，為我公司的新產(chǎn)品做廣告。我的公司名為Alpha，產(chǎn)品名為Beta，是一種新型超快速吹風機。

下面是GPT-4的輸出結(jié)果：

介紹Alpha公司革命性的Beta吹風機！

- 告別冗長乏味的吹發(fā)過程！阿爾法隆重推出貝塔型吹風機，這是我們在護發(fā)技術(shù)方面的最新創(chuàng)新。

- 超快吹干：得益于先進、強勁的電機，Beta可以將你的吹干時間縮短一半。讓你更快做好準備，有更多時間做自己喜歡的事情！

這種輸出方式雖然夠用，但卻非常普通，缺乏必要的細微差別和有針對性的吸引力，無法引起公司受眾的共鳴。

下面是一個使用CO-STAR模板的示例，它提醒你將任務(wù)的其他方面融入你的提示中，特別是之前的快速提示中缺少的「風格」、「語氣」和「受眾」方面：

#上下文#

我想為我公司的新產(chǎn)品做廣告。我的公司名叫Alpha，產(chǎn)品名叫Beta，是一種新型超快吹風機。

#目標#

為我創(chuàng)建一個Facebook帖子，目的是讓人們點擊產(chǎn)品鏈接購買它。

#風格#

效仿戴森等宣傳類似產(chǎn)品的成功公司的寫作風格。

#語氣#

有說服力的。

#受眾#

我公司在Facebook上的受眾通常是老一代人。請針對這部分受眾通常對美發(fā)產(chǎn)品的要求，量身定制你的帖子。

#回復#

Facebook上的帖子，簡明扼要而又富有感染力。

通過應(yīng)用CO-STAR，GPT-4的回復變得更有針對性、更有效：

用Alpha Beta擁抱輕松優(yōu)雅--智慧一代的超快吹風機。

使用Alpha Beta，重新找回簡單有效的護發(fā)樂趣。我們的最新創(chuàng)新產(chǎn)品不僅僅是一款吹風機，它還是一個承諾，為那些熱愛生活的人提供快速、輕柔、可靠的頭發(fā)造型。

- 簡單直觀：告別復雜的小工具。Alpha Beta為舒適和簡便而設(shè)計，非常適合那些看中直接、無憂技術(shù)的人。

- 省心技術(shù)：我們知道你的時間非常寶貴。因此，Alpha Beta可以大大縮短吹干時間，讓你有更多時間享受生活的樂趣。使用Alpha Beta，讓每一天都成為美好的一天。體驗精致與簡約的完美融合。

CO-STAR框架指導你有條不紊地向LLM提供有關(guān)任務(wù)的所有關(guān)鍵信息，確保根據(jù)你的需求提供量身定制的優(yōu)化回復。

2. 使用分隔符將提示詞分段

分隔符是一種特殊的標記，可幫助LLM區(qū)分提示詞的哪些部分應(yīng)被視為一個意義單元。這一點很重要，因為你的整個提示信息是作為一長串標記符到達LLM的。

分隔符通過對提示詞的特定部分進行區(qū)別對待，為這一語素序列塑造了結(jié)構(gòu)。

值得注意的是，對于簡單的任務(wù)，分隔符可能不會影響LLM的回復質(zhì)量。

但是，任務(wù)越復雜，使用分隔符進行分段對LLM回答的影響就越大。

將分隔符用作特殊字符

分隔符可以是任何通常不會同時出現(xiàn)的特殊字符序列，例如：

• ###
• ===
• >>> >>>

所選特殊字符的數(shù)量和類型并不重要，只要它們足夠獨特，能讓LLM將其理解為內(nèi)容分隔符而非普通標點符號即可。

下面舉例說明如何在提示符中使用此類分隔符：

將<<<CONVERSATIONS>>中每段對話的情緒分類為「積極」或「消極」。給出情感分類，無需任何其他前言文本。

###

對話示例

[Agent]：早上好，有什么能幫你的嗎？

[顧客]：這個產(chǎn)品太糟糕了，和廣告上說的完全不一樣！

[顧客]：我非常失望，希望全額退款。

[Agent]：早上好，有什么可以幫你？

[顧客]：你好，我只想說你們的產(chǎn)品留下了深刻印象。它超出了我的預期！

###

輸出示例

「消極」

「積極」

###

<<<

[Agent]：你好，歡迎來到我們的支持中心。有什么可以幫你的嗎？

[顧客]：你好！我只是想讓你們知道我收到了我的訂單，而且太棒了。

[Agent]：很高興聽到這個消息！我們很高興你對購買的產(chǎn)品感到滿意。還有什么需要我?guī)兔Φ膯幔?/span>

[顧客]：沒有了。我只想給你一些積極的反饋。謝謝你們的優(yōu)質(zhì)服務(wù)。

[Agent]：你好，感謝你的聯(lián)系。有什么可以幫你？

[顧客]：我對最近購買的產(chǎn)品非常失望。和我預期的完全不一樣。

[Agent]：很遺憾聽到這個消息。能否請你提供更多詳細信息，以便我提供幫助？

[顧客]：產(chǎn)品質(zhì)量很差，而且到貨很晚。我真的不滿意。

>>>

以上示例使用分隔符####進行分節(jié)，分節(jié)標題EXAMPLE CONVERSATIONS(示例對話）和EXAMPLE OUTPUTS（示例輸出）用大寫字母區(qū)分。

序言指出，要分類的對話被分在<<<CONVERSATIONS>>>內(nèi)，這些對話隨后在提示的底部提供給LLM，但沒有任何解釋性文字，但由于分隔符<<< and>>>的存在，LLM明白這些是它應(yīng)該分類的對話。

下面是GPT-4的輸出結(jié)果，其中給出了情感分類，但沒有像我們要求的那樣輸出任何其他前言文本：

「積極」

「消極」

將分隔符用作XML標簽

使用分隔符的另一種方法是將其作為XML標簽。XML標簽是用角括號括起來的帶有開頭和結(jié)尾的標簽。<tag>和</tag>就是一個例子。

這種方法很有效，因為LLM已經(jīng)接受過大量XML網(wǎng)頁內(nèi)容的訓練，并學會了理解其格式。

下面是同樣的提示，但結(jié)構(gòu)上使用XML標簽作為分隔符：

根據(jù)給出的示例，將以下對話的情感分為兩類。在沒有任何其他前言文本。

<類>

積極

消極

</類>

<對話示例>

[Agent]：早上好，有什么可以幫你？

[顧客]：這個產(chǎn)品太糟糕了，和廣告上說的完全不一樣！

[顧客]：我非常失望，希望全額退款。

[Agent]：早上好，有什么可以幫你？

[顧客]：你好，我只想說你們的產(chǎn)品留下了深刻印象。它超出了我的預期！

</對話示例>

<示例類>

積極

消極

</示例類>

<對話>

[Agent]：你好！歡迎來到我們的支持中心。有什么可以幫你？

[顧客]：你好！我只是想讓你們知道我收到了我的訂單，而且太棒了。

[Agent]：很高興聽到這個消息！還有什么需要我?guī)兔Φ膯幔?/span>

[顧客]：沒有了。我只想給你一些積極的反饋。謝謝你們的優(yōu)質(zhì)服務(wù)！

[Agent]：你好，感謝你的聯(lián)系。有什么可以幫你？

[顧客]：我對最近購買的產(chǎn)品非常失望。和我預期的完全不一樣。

[Agent]：很遺憾聽到這個消息。能否請你提供更多詳細信息，以便我提供幫助？

[顧客]：產(chǎn)品的質(zhì)量很差，而且很晚才送到。我對這次經(jīng)歷非常不滿意。

</對話>

在XML標簽中，使用與你在說明中用來描述它們的詞相同的名詞，是有好處的。

我們在上述提示中給出的指令是：

用給出的例子，將以下對話的情感分為兩類，不要使用任何其他序言文本。

其中我們使用了名詞「對話」、「分類」和「示例」。因此，我們用作分隔符的XML標簽是<對話>、<類>、<示例-對話> 和 <示例-類>，確保LLM理解你的指令與用作分隔符的XML標簽之間的關(guān)系。

同樣，通過使用分隔符，以清晰、有條理的方式對指令進行分段，可確保GPT-4按你希望的方式作出回復：

「積極」

「消極」

3. 使用LLM護欄創(chuàng)建系統(tǒng)提示

在進入正題之前，需要注意的是本節(jié)只適用于具有系統(tǒng)提示功能的LLM，而不像本文其他章節(jié)那樣適用于任何LLM。

最著名的LLM當然是ChatGPT，因此我們將使用ChatGPT作為本節(jié)的示例。

圍繞系統(tǒng)提示的術(shù)語

首先，讓我們來理清術(shù)語：關(guān)于ChatGPT，有大量資源幾乎可以互換使用這三個術(shù)語：「系統(tǒng)提示」、「系統(tǒng)消息」和 「自定義指令」。

這讓很多人感到困惑，以至于OpenAI發(fā)布了一篇文章來解釋這些術(shù)語。以下是其摘要：

• 「系統(tǒng)提示」和 「系統(tǒng)消息」是通過聊天完成API以編程方式與ChatGPT進行交互時使用的術(shù)語。
• 另一方面，「自定義指令」是通過ChatGPT用戶界面與ChatGPT交互時使用的術(shù)語。

不過總的來說，這三個術(shù)語指的是同一件事，所以不要被術(shù)語混淆了！今后，本節(jié)將使用「系統(tǒng)提示」一詞?，F(xiàn)在讓我們深入了解一下！

什么是系統(tǒng)提示？

系統(tǒng)提示是一種附加提示，你可以在其中提供有關(guān)LLM行為方式的指令。它被認為是附加的，因為它不屬于你對LLM的「正?！固崾荆从脩籼崾荆?。

在聊天中，每次你提供新提示時，系統(tǒng)提示都會像過濾器一樣，讓LLM在回復你的新提示前自動應(yīng)用。這意味著LLM在聊天中的每次回復都會考慮到到系統(tǒng)提示。

何時使用系統(tǒng)提示？

你首先想到的問題可能是：既然我也可以在與LLM進一步對話之前，在新聊天的第一次提示中說明，為什么還要在系統(tǒng)提示中說明呢？

答案是，因為LLM的對話內(nèi)存是有限的。在后一種情況下，隨著對話的繼續(xù)，LLM很可能會「忘記」你在聊天中提供的第一條提示，從而遺忘這些提示。

另一方面，如果在系統(tǒng)提示自帶指令，那么這些系統(tǒng)提示就會與聊天中的每個新提示一起被自動考慮。

這可以確保LLM在聊天過程中繼續(xù)接收這些提示，無論聊天時間多長。

總之：在整個聊天過程中使用系統(tǒng)提示，可提供你希望LLM在回復時記住的提示。

系統(tǒng)提示應(yīng)包括哪些內(nèi)容？

系統(tǒng)提示中的說明通常包括以下幾類：

• 任務(wù)定義，這樣LLM就能在整個聊天過程中始終記住要做什么。
• 輸出格式，以便LLM始終記住應(yīng)該如何回復。
• 安全護欄，這樣LLM就能始終記住它應(yīng)該如何「不」回復。安全護欄是LLM管理中的新興領(lǐng)域，指的是LLM允許在其中運行的配置范圍。

例如，系統(tǒng)提示可能如下所示：

你將使用此文本回答問題：「插入文本」。

你將以這種格式回復一個JSON對象：{「問題」：「答案」}。

如果文本中沒有足夠的信息來回答問題，請不要編造信息，并將答案填寫為 「NA」。

你只能回答與「插入范圍」相關(guān)的問題。切勿回答任何與年齡、性別和宗教信仰等人口統(tǒng)計信息相關(guān)的問題。

其中每個部分涉及的類別如下：

但是，「正?！沟牧奶焯崾居质鞘裁茨兀?/span>

現(xiàn)在你可能會想：聽起來系統(tǒng)提示中已經(jīng)提供了很多信息。那我應(yīng)該在聊天的 「正?！固崾荆从脩籼崾荆┲蟹劈c什么呢？

系統(tǒng)提示概述了當前的任務(wù)。在上面的系統(tǒng)提示示例中，任務(wù)被定義為只使用一段特定文本來回答問題，并且LLM被指示以{「問題」：「答案」}格式。

你將使用此文本回答問題：[插入文本]。

你將以這種格式回復一個JSON對象：{「問題」：「答案」}。

在這種情況下，聊天的每個用戶提示都是你希望使用文本回答的問題。例如，用戶提示可能是「文本是關(guān)于什么的」而LLM會回答{文本是關(guān)于什么的？文本是關(guān)于......}。

但是，讓我們進一步概括這個任務(wù)示例。在這種情況下，我們可以將上述系統(tǒng)提示的第一行編輯為：

你將使用此文本回答問題：[插入文字]。

至

你將使用提供的文本回答問題。

現(xiàn)在，聊天的每個用戶提示，都會包括要回答問題的文本和要回答的問題，例如：[插入文本]：

在這里，我們還使用XML標簽作為分隔符，以便有條理地向LLM提供所需的2條信息。

XML標簽「文本」和「問題」中使用的名詞，與系統(tǒng)提示中使用的名詞相對應(yīng)，這樣LLM就能理解標簽與系統(tǒng)提示指令之間的關(guān)系。

總之，系統(tǒng)提示應(yīng)給出總體任務(wù)指令，而每個用戶提示應(yīng)提供你需要任務(wù)執(zhí)行的具體細節(jié)。在本例中，這些具體內(nèi)容就是文本和問題。

此外：使LLM護欄動態(tài)化

以上是通過系統(tǒng)提示中的幾句話添加的護欄。這些護欄是一成不變的，在整個聊天過程中不會改變。

如果你希望在聊天的不同階段設(shè)置不同的護欄，該怎么辦？

不幸的是，對于ChatGPT用戶界面的用戶來說，現(xiàn)在還不能直接做到這一點。

不過，如果你正在以編程方式與ChatGPT進行交互，那你就走運了！

隨著人們對構(gòu)建有效的LLM護欄的關(guān)注度越來越高，一些開源軟件包也應(yīng)運而生，它們可以讓你以編程方式設(shè)置更詳細、更動態(tài)的護欄。

其中值得注意的是英偉達團隊開發(fā)的NeMo護欄，它允許你配置用戶與LLM之間的預期對話流，從而在聊天的不同點設(shè)置不同的護欄，使動態(tài)護欄隨著聊天的進行而發(fā)展。非常推薦你去看一看！

4. 僅使用LLM（無需插件或代碼）分析數(shù)據(jù)集

你可能聽說過OpenAI在ChatGPT的GPT-4中推出的高級數(shù)據(jù)分析插件，高級（付費）賬戶可以使用該插件。

它允許用戶將數(shù)據(jù)集上傳到ChatGPT，并直接在數(shù)據(jù)集上運行代碼，從而進行精確的數(shù)據(jù)分析。

但你知道嗎，使用LLM分析數(shù)據(jù)集并不一定需要這樣的插件？讓我們先來了解一下單純使用LLMs分析數(shù)據(jù)集的優(yōu)勢和局限性。

LLM「不擅長」的數(shù)據(jù)集分析類型

你可能已經(jīng)知道，LLM進行精確數(shù)學計算的能力有限，因此它們不適合從事需要對數(shù)據(jù)集進行精確定量分析的工作，例如：

• 描述性統(tǒng)計：通過平均值或方差等指標對數(shù)字列進行定量總結(jié)。
• 相關(guān)性分析：獲取列之間的精確相關(guān)系數(shù)。
• 統(tǒng)計分析：如假設(shè)檢驗，以確定各組數(shù)據(jù)點之間是否存在統(tǒng)計意義上的顯著差異。
• 機器學習：在數(shù)據(jù)集上執(zhí)行預測建模，如使用線性回歸、梯度提升樹或神經(jīng)網(wǎng)絡(luò)。

在數(shù)據(jù)集上執(zhí)行此類定量任務(wù)，是OpenAI高級數(shù)據(jù)分析插件存在的原因，這樣編程語言就可以在數(shù)據(jù)集上運行代碼來執(zhí)行此類任務(wù)。

那么，為什么有人要只使用LLM而不使用此類插件來分析數(shù)據(jù)集呢？

LLM擅長的數(shù)據(jù)集分析類型

LLM擅長識別模式和趨勢。這種能力源于它們在多樣化和海量數(shù)據(jù)方面接受的廣泛培訓，使他們能夠辨別可能無法立即察覺的復雜模式。

這使它們非常適合執(zhí)行基于數(shù)據(jù)集模式識別的任務(wù)，例如：

• 異常檢測：根據(jù)一個或多個列值，識別偏離常規(guī)的異常數(shù)據(jù)點。
• 聚類：將各列中具有相似特征的數(shù)據(jù)點進行分組。
• 跨列關(guān)系：識別跨列的綜合趨勢。
• 文本分析（針對基于文本的列）：根據(jù)主題或情感進行分類。
• 趨勢分析（針對有時間方面的數(shù)據(jù)集）：識別跨時間列內(nèi)的模式、季節(jié)性變化或趨勢。

對于這類基于模式的任務(wù)，僅使用LLM可能比使用代碼在更短的時間內(nèi)獲得更好的結(jié)果！讓我們用一個例子來充分說明這一點。

僅使用LLM分析Kaggle數(shù)據(jù)集

我們將使用一個流行的Kaggle數(shù)據(jù)集，該數(shù)據(jù)集是為客戶個性分析而策劃的，其中一家公司試圖對其客戶聚類進行細分，以便更好地了解客戶。

為便于稍后驗證LLM的分析結(jié)果，我們將把該數(shù)據(jù)集子集為50行，并只保留最相關(guān)的列。

之后，用于分析的數(shù)據(jù)集將如下所示，其中每一行代表一位客戶，每一列描述客戶信息：

假設(shè)你在公司的營銷團隊工作。你的任務(wù)是利用這個客戶信息數(shù)據(jù)集來指導營銷工作。

這是一項分兩步走的任務(wù)：首先，利用數(shù)據(jù)集生成有意義的客戶細分。

其次，就如何對每個細分市場進行最佳營銷提出想法?，F(xiàn)在，這是一個實際的商業(yè)問題，LLM的模式發(fā)現(xiàn)（第一步）能力在這個問題上確實可以大顯身手。

讓我們使用4種提示工程技術(shù)，為這項任務(wù)設(shè)計如下提示：

1. 將復雜的任務(wù)分解成簡單的步驟

2. 參考每個步驟的中間輸出

3. 編寫LLM回答的格式

4. 將指令與數(shù)據(jù)集分開

下面是GPT-4的回復，我們繼續(xù)將數(shù)據(jù)集以CSV字符串的形式傳遞給它。

隨后，GPT-4按照我們要求的標記符報告格式回復了分析結(jié)果：

驗證LLM的分析結(jié)果

為簡潔起見，我們選取兩個由LLM生成的客戶聚類進行驗證，例如年輕的家庭成員和挑剔的發(fā)燒友。

年輕的家庭

• 由LLM綜合得出的特征：1980年以后出生、已婚或同居、中低收入、有子女、經(jīng)常小額消費。
• 按LLM聚類為該組的行：3、4、7、10、16、20
• 深入研究數(shù)據(jù)集，這些行的完整數(shù)據(jù)是：

這與LLM確定的配置文件完全一致。它甚至能夠在我們沒有事先進行預處理的情況下，對帶有空值的行進行聚類！

挑剔的發(fā)燒友

• 由LLM合成的特征：年齡跨度大、婚姻狀況不限、收入高、子女狀況各異、購物花費高。
• 通過LLM聚類到該組的行：2、5、18、29、34、36
• 深入研究數(shù)據(jù)集，這些行的完整數(shù)據(jù)是：

這也非常符合LLM所確定的特征！

這個例子展示了LLM在發(fā)現(xiàn)模式、解釋多維數(shù)據(jù)集并將其提煉為有意義的見解方面的能力，同時確保其分析深深植根于數(shù)據(jù)集的事實真相。

如果我們使用ChatGPT的高級數(shù)據(jù)分析插件呢？

為了完整起見，我用同樣的提示嘗試了同樣的任務(wù)，但要求ChatGPT使用代碼來執(zhí)行分析，這就激活了它的高級數(shù)據(jù)分析插件。

我的想法是讓該插件使用K-Means等聚類算法直接在數(shù)據(jù)集上運行代碼，以獲得每個客戶聚類，然后再綜合每個聚類的概況，從而提供營銷策略。

然而，盡管數(shù)據(jù)集只有50行，但多次嘗試后都出現(xiàn)了以下錯誤信息，并且沒有任何輸出：

現(xiàn)在使用高級數(shù)據(jù)分析插件，在數(shù)據(jù)集上執(zhí)行較簡單的任務(wù)（如計算描述性統(tǒng)計或創(chuàng)建圖表）似乎很容易實現(xiàn)，但需要計算算法的較高級任務(wù)有時可能會由于計算限制或其他原因?qū)е洛e誤或無輸出。

那么，何時使用LLM分析數(shù)據(jù)集？

答案是取決于分析的類型。

對于需要精確數(shù)學計算或復雜、基于規(guī)則的處理的任務(wù)，傳統(tǒng)的編程方法仍然更勝一籌。

對于基于模式識別的任務(wù)，使用傳統(tǒng)的編程和算法方法可能具有挑戰(zhàn)性或更耗時。然而，LLM擅長此類任務(wù)，甚至可以提供額外的輸出，如支持其分析的附件和markdown格式的完整分析報告。

最終，是否使用LLM取決于當前任務(wù)的性質(zhì)，要在LLM在模式識別方面的優(yōu)勢與傳統(tǒng)編程技術(shù)提供的精確性和特定性之間取得平衡。

現(xiàn)在回到提示工程！

在本節(jié)結(jié)束之前，讓我們回過頭來看看用于生成本數(shù)據(jù)集分析的提示，并對所使用的關(guān)鍵提示工程技術(shù)進行分析：

提示：

#上下文#

我是賣酒的。我有一個關(guān)于客戶信息的數(shù)據(jù)集：[出生年份、婚姻狀況、收入、孩子數(shù)量、距上次購買的天數(shù)、消費金額]。

#############

#目標#

我希望你利用這個數(shù)據(jù)集將我的客戶分組，然后告訴我如何針對每個組別開展營銷活動。請按以下步驟操作，不要使用代碼：

1. 聚類：使用數(shù)據(jù)集的列對數(shù)據(jù)集的行進行聚類，使同一聚類中的客戶具有相似的列值，而不同聚類中的客戶具有明顯不同的列值。確保每一行只屬于一個聚類。

對于找到的每個聚類：

2. CLUSTER_INFORMATION：根據(jù)數(shù)據(jù)集列描述聚類。

3. 聚類名稱：解釋[CLUSTER_INFORMATION]以獲得該聚類客戶的簡短名稱。

4. marketing_ideas：產(chǎn)生向該客戶聚類推銷我的產(chǎn)品的想法。

5. RATIONALE：解釋為什么[MARKETING_IDEAS]與該客戶聚類相關(guān)且有效。

#############

#風格#

商業(yè)分析報告

#############

#語氣#

專業(yè)、技術(shù)

#############

#受眾#

我的商業(yè)伙伴。讓他們相信你的營銷策略是經(jīng)過深思熟慮的，并有充分的數(shù)據(jù)支持。

#############

#回復：markdown報告#

<對于[CLUSTERS]>中的每個聚類

- 客戶聚類：[CLUSTER_NAME］

- 簡介：[CLUSTER_INFORMATION］

- 營銷理念：[RATIONALE］

- 原因：[RATIONALE]

<附件>

列出屬于每個聚類的行號列表，以支持你的分析。使用這些表頭：[[CLUSTER_NAME]，行列表]。

#############

#開始分析#

如果你能理解，請向我索要我的數(shù)據(jù)集。

技巧 1：將復雜任務(wù)分解成簡單步驟

LLM擅長完成簡單的任務(wù)，但對于復雜的任務(wù)就不那么擅長了。因此，對于像這樣的復雜任務(wù)，重要的是要把任務(wù)分解成簡單的步驟說明，讓LLM遵循。這樣做的目的是，向LLM提供你自己執(zhí)行任務(wù)時會采取的步驟。

在本例中，步驟如下：

請按以下步驟操作，不要使用代碼：

1. CLUSTERS：使用數(shù)據(jù)集的列對數(shù)據(jù)集的行進行聚類，使同一聚類中的客戶具有相似的列值，而不同聚類中的客戶具有明顯不同的列值。確保每一行只屬于一個聚類。

對于找到的每個聚類

2. CLUSTER_INFORMATION：根據(jù)數(shù)據(jù)集列描述聚類。

3. CLUSTER_NAME：解釋[CLUSTER_INFORMATION]以獲得該聚類客戶的簡短名稱。

4. MARKETING_IDEAS：產(chǎn)生向該客戶聚類推銷我的產(chǎn)品的想法。

5. RATIONALE：解釋為什么[MARKETING_IDEAS]與該客戶聚類相關(guān)且有效。

不要簡單地把總體任務(wù)交給LLM，而是讓它「把客戶分成幾組，然后就如何向每組客戶進行營銷提出想法」。

有了循序漸進的指導，LLM就更有可能取得正確的結(jié)果。

技巧 2：引用每一步的中間產(chǎn)出

在向LLM提供分步流程時，我們會給每個步驟的中間輸出一個大寫的變量名，即 CLUSTERS、CLUSTER_INFORMATION、CLUSTER_NAME、MARKETING_IDEAS和RATIONALE。

使用大寫字母是為了將這些變量名與給出的指令正文區(qū)分開來。以后可以用方括號[VARIABLE_NAME]來引用這些中間輸出。

技巧 3：規(guī)范LLM回復的格式

在這里，我們要求使用markdown報告格式，以美化LLM的回復。在這里，中間輸出中的變量名又派上了用場，可以決定報告的結(jié)構(gòu)。

#回復：markdown報告#

<對于[CLUSTERS]>中的每個聚類

- 客戶聚類：[CLUSTER_NAME］ 

- 簡介：[CLUSTER_INFORMATION］ 

- 營銷理念：[MARKETING_IDEAS] 

- 原因：[RATIONALE] 

<附件>
列出屬于每個聚類的行號列表，以支持你的分析。使用這些表頭：[[CLUSTER_NAME]，行列表]。

事實上，你甚至可以隨后要求ChatGPT以可下載文件的形式提供報告，以便你在撰寫最終報告時參考其答復。

技巧 4：將任務(wù)指令與數(shù)據(jù)集分開

你會注意到，在第一個提示中，我們從未將數(shù)據(jù)集交給LLM。相反，提示中只給出了數(shù)據(jù)集分析的任務(wù)說明，并將其添加到了底部：

#開始分析#

如果你能理解，請向我檢索我的數(shù)據(jù)集。

ChatGPT隨后回復說它能理解，我們在下一個提示中將數(shù)據(jù)集作為CSV字符串傳遞給它：

但為什么要把指令和數(shù)據(jù)集分開呢？

這樣做可以幫助LLM保持對每條指令的清晰理解，降低遺漏信息的可能性，尤其是像本任務(wù)這樣指令較長的復雜任務(wù)。

你可能遇到過這樣的情況，即LLM「不小心遺忘」了你作為較長提示的一部分給出的某個指令。例如，如果你要求給出100字的回復，而LLM給你的回復是一個較長的段落。

通過先接收指令，再接收指令所針對的數(shù)據(jù)集，LLM可以先消化它應(yīng)該做的事情，然后再對接下來提供的數(shù)據(jù)集執(zhí)行指令。

不過請注意，只有聊天LLM才能實現(xiàn)指令和數(shù)據(jù)集的分離，因為聊天LLM會保留會話記憶，而用于補全的LLM不會。