admin管理员组

文章数量:1530018

来看看应用场景1,由于我们现在假装自己是一家干线物流自动驾驶企业的产品,可以在需要chatGPT辅助我工作前先运行这条prompt:

"我们公司研发L4级别的自动驾驶卡车系统。我们的车辆拥有一辆L4自动驾驶车辆所需要的算力,传感器与能力,但是目前车上会有司机作为安全员,自动驾驶系统会辅助司机的驾驶,帮助卡车司机开车更轻松,更安全,更节油。我将提供产品经理日常工作中的一些实际问题。这可能涉及设计具体的自动驾驶功能,进行数据分析,分析具体的行驶场景并提供有效的反馈等。你能够明白这件事吗?”

这个例子中,我们告诉了ChatGPT宏观的业务背景,并顺便检验了prompt的效果。在读到上面的内容后,ChatGPT就自动代入了自动驾驶产品经理的角色。后文的所有其他例子都是在ChatGPT进入角色的前提下进行的。

我们来详细拆解这条prompt的设计:

  1. 阐述背景,点明当前的业务范围及业务目标:“我们公司研发L4级别的自动驾驶卡车系统。”然后进一步告知当前业务的细节:“我们的车辆拥有一辆L4自动驾驶车辆所需要的算力,传感器与能力,但是目前车上会有司机作为安全员,自动驾驶系统会辅助司机的驾驶,帮助卡车司机开车更轻松,更安全,更节油。”告诉chatGPT大致的任务范围:“我将提供产品经理日常工作中的一些实际问题。这可能涉及设计具体的自动驾驶功能,进行数据分析,分析具体的行驶场景并提供有效的反馈等。
  2. 确定效果,我一般会反问一句它是否理解,以此来检验传达的信息是否清楚,有没有被正确地理解。

下面是场景1的运行结果:

△场景1的运行结果

应用场景2:起草文档的结构与框架

熟悉了业务,就要开始干活了。ChatGPT进入角色后,我们来试试让它提供一个产品试乘报告的框架。我们为ChatGPT提供了“背景”,定义了“任务目标”:

"现在,作为一个产品经理,你需要去试乘我司的产品,用敏锐的目光去发现改进点,并提供建议。请为我提供一个试乘体验报告框架模板,模版要涵盖产品体验的不同方面,使用逻辑严密,清楚的语言,有优雅,清晰,易于理解的结构。

这是一款自动驾驶卡车。这辆卡车上有司机,它将在一条主要是高速的长途货运路线上装载货物运营。"

我们给ChatGPT的prompt可以被拆解成以下的部分

  1. 阐述背景:这是一款自动驾驶卡车,车上有司机,跑的是长途
  2. 定义任务目标:扮演的角色是产品,任务是写试乘报告模版框架,内容涵盖哪些方面,需要使用语言特点如何等等

下面是场景2的运行结果:

△场景2的运行结果

小作业:ChatGPT非常细心,可以捕捉到微小的细节,所以“写背景”这件事很重要。不信把场景1中的"*我们公司研发L4级别的自动驾驶卡车系统”*换成”我们公司研发L4级别的自动驾驶卡车“,再运行场景2试试。

给ChatGPT打绩效:定义目标&关键结果,试验并调整

各位在科技公司工作的同学们一定对OKR非常熟悉:这是一个标准绩效管理工具,我相信这篇文章的很多读者都写过OKR,被OKR打过绩效。不过在这里,我们主要是运用OKR来描述任务目标,管理任务的预期结果,并在任务的目标和期望上与ChatGPT达成共识。

那么,OKR是什么呢?我们先来回顾OKR的内容:OKR的英文是Objectives and Key Results,由两个部分,“Objectives”,任务目标和"Key Result",关键结果组成。定义“任务目标”表达了我们希望实现什么,而定义“关键结果”则让ChatGPT知道实现目标所需要达成的具体、可衡量的结果。

我们在之前的场景中其实已经为ChatGPT定义了OKR,例如在“应用场景2 起草文档的结构与框架”里,“提供一个试乘体验报告框架模板”就是“O”,而"要涵盖产品体验的不同方面,使用逻辑严密,清楚的语言,有优雅清晰易于理解的结构"则可以看做“KR”。

添加细节在ChatGPT的prompting中会起到立竿见影的效果,ChatGPT会对这些小细节做出巨大的反应。例如,有研究人员发现在GPT-3(可以理解为ChatGPT的爸爸)的输入前加入"Let’s think step by step",就让它的推理准确率从17.7%暴增到78.7% [1]。

现在,作为ChatGPT的使用者,各位自然是巴不得它能够发挥出全部性能,又快又好地出活。既然已经有了顺手的胡萝卜(OKR),那么是时候请我们亲爱的小毛驴(ChatGPT)拉磨了。

△设定了好的目标就是成功了一半

接下来我们看一个具体的例子,更好地理解这种思想与ChatGPT提示工程的结合。

应用场景3:分析具体业务场景

我们来看应用场景3,自动驾驶产品经理在工作中常常要定义各种复杂场景,我们在这个prompt中要求ChatGPT协助我们定义一个简单的他车激进切入场景:

在我车在高速上行驶时,常常会有他车从相邻车道从非常近的距离切入我车车道,造成碰撞风险。请用自然语言描述与定义这个场景。

语言风格:清晰,有逻辑性,可靠,容易使用计算机程序建模。

建模要求:描述清楚事情的过程和时序关系。注意用数字量来定义临界点。将切入的步骤编好序号。建模要体现两辆车的交互

我们的自动驾驶车辆被称为ego,他车被称为npc。

在这个例子中,我们在阐述了背景,定义了任务目标的基础上再给出对任务的详细要求(也就是key results)。prompt从多个方面规定了对于理想答案的标准。

用刚才的框架对这条prompt进行拆解:

  1. 阐述背景:宏观的业务背景已经在“让ChatGPT快速进入角色”中给出。所以我们进一步为ChatGPT描述了微观的具体业务场景(高速上被他车切入)。
  2. 定义任务目标:任务目标O是“用自然语言描述与定义这个场景。
  3. 定义关键结果:这里的KR有“a. *语言风格:清晰,有逻辑性,可靠,容易使用计算机程序建模。*b. *建模要求:描述清楚事情的过程和时序关系。注意用数字量来定义临界点。将切入的步骤编好序号。建模要体现两辆车的交互。*c. 我们的自动驾驶车辆被称为ego,他车被称为npc。”

KR可以根据个人需求定制。例如在这个例子中,我们用自然语言给场景建模的目的可能是想要给程序员写PRD,所以要求“有逻辑,容易使用计算机程序建模”。而公司内如果有“黑话”,比如把自动驾驶车叫做ego,也可以告诉它。

  1. 试验并调整,改进:这是一个试验并调整的过程。如果对ChatGPT生成的内容不能让人满意,有三种可能性:第一种是我们这个老板当得不好,指令给得不够清楚。这时候可以调整prompt,看看背景和OKR有没有需要补充的地方。重新生成回答。经过几次调整后,就可以得到比较满意的答案。第二种是ChatGPT这位员工干得不好,这时候我们可以指出生成内容中的错误,让它重新回答。第三种是你运气比较背,碰到一次不太好的结果。这时候你可以优中选优,相同prompt让ChatGPT多生成几次,然后选一次最满意的,让我们一起赞美AI的任劳任怨。

在这个过程中,我们给ChatGPT定了“OKR”,干完活了还要“复盘”,一个不对还要打回返工,是不是像极了屏幕后面的各位打工人们。

下面是这条prompt的运行结果,以及为答案纠偏的过程。

△场景3的运行结果

△通过“打绩效”来对ChatGPT纠偏

ChatGPT生成的回答不是完美的,所以通过"试验并调整"来纠偏非常重要。

小作业:上面回答的第4点中,有什么明显违反常识的错误?我们可以通过什么方式来让ChatGPT修正这个错误?

小结

讲到这里,我们复习一下上面所讲的内容。我们以背景,目标,关键结果,改进四个步骤为抓手,打出了组合拳,沉淀了一套ChatGPT prompting方法论。那么,接下来,我们给这种方法取一个好记又好听的名字:BORE,读作[bɔːr],记住这个名字就等于记住了这套方法。在“BORE”方法中,四个字母分别是四个单词的首字母,B代表Background,O代表Objectives,R代表key Results,E代表Evolve,“BORE"本身也是个英文单词,有“钻孔”的意思,很好记。

最后我们给出这四个流程的详细定义:

  1. 背景B(Background):阐述任务的宏观背景和微观场景,让ChatGPT得到充分的信息。
  2. 目标O(Objectives):明确任务的目标,告诉ChatGPT需要生成的内容是什么。
  3. 关键结果R(key Results):列出完成任务所需达成的关键结果,即需要满足的具体要求和指标。这些关键结果可以根据实际需求进行定制。
  4. 改进E(Evolve):试验并调整,下面三种改进方法进行灵活组合,最终得到满意答案。

a. “从答案的不足之处着手,更新并迭代prompt”,

b. “在后续对话中指正ChatGPT答案缺点”,

c. “在prompt不变的情况下多次生成结果”

撬动外部工具,放大ChatGPT能力

这里,我们还有一些其他的ChatGPT进阶技巧:将ChatGPT的能力与外部工具结合,放大ChatGPT的能力。

作为产品经理,我们要为业务画时序图,画流程图等。有时我们也要用一些生动的图像,数据的分析去支撑需求改动,让我们的需求更有说服力,这样我们会更有可能通过产品评审会。

△很多程序员都想要的实用职场技巧

然而,到此为止,ChatGPT展现的能力都是文字 or 代码上的,难道就没有办法了吗?

等等?ChatGPT可以生成代码?

应用场景4:利用ChatGPT画时序图

既然ChatGPT可以生成代码,那么代码是不是可以转化为各种各样的图像?感谢各位程序员的开源精神,目前我们有很多基于代码的工具可以使用,让我们搜索一下“code to diagram”(代码转图表)试试。

好得很,当然有,出来的第一个结果就提供了足足6种工具,那么接下来就赶快试一下。

在这里,我们选择mermaid(意思是美人鱼),不仅是因为它支持十几种图像,而且它还提供了一个在线编辑器,代码贴进去就可以马上生成图像。生成器的网址在:https://mermaid.live/

△mermaid项目主页

那么,我们试着在应用场景3的基础上深入,以ChatGPT已有的输出为基础,要求它画出“在我车在高速上行驶时,常常会有他车从相邻车道从非常近的距离切入我车车道,造成碰撞风险*。*”的时序图。

请看下面的prompt:

"目前有一款用来将代码转化为各种图表的工具,叫做mermaid。请阅读下面的内容,写一份可以生成mermaid时序图的代码。请注意,时序图要与我提供的内容保持完全一致。

内容:在高速公路上,当ego车在行驶过程中,一个npc车辆突然从相邻车道切入ego车道,且距离非常近,这种场景可以描述为:

1.NPC车辆在相邻车道以速度V_npc靠近ego车辆。

2.当水平距离d_npc达到阈值d_critical时,NPC车辆开始切入操作:

a. NP车辆向内侧车道转向,同时NPC车辆的前轮触碰到ego车道的车道线,并压在车道线上。

b. NPC车辆逐渐进入ego车道,直到完全进入,并摆正位置。

3.在这个过程中,ego车辆应该进行以下反应:

a. 自动驾驶系统应该能够检测到NPC车辆的切入行为,并识别它的行为意图。

b. 如果检测到了NPC车辆的切入行为,自动驾驶系统应该能够进行迅速反应,采取避让措施以确保安全行驶。

c. 具体的避让措施可以包括刹车、加速、转向等,以确保避免与NPC车辆发生碰撞。

4.当NPC车辆完成切入操作后,NPC车辆的速度会逐渐回到原始速度V_npc,并行驶在ego的前方。"

我们来拆解这段prompt,仍然是上文中提到的BORE方法:

1.阐述背景:我们提示了ChatGPT对话中所说的mermaid是代码转图表工具,并在“内容”中提供了需要他转换成时序图的文字。

2.定义任务目标:请阅读下面的内容,写一份可以生成mermaid时序图的代码。

3.定义关键结果:时序图要与我提供的内容保持完全一致。

4.改进,尝试并调整:这段prompt经过多次调整,我也多次让ChatGPT打回重做,得到的结果是优中选优的(在图中我们可以看到调整prompt+重新生成加起来共9次)。

最后,我们得到了可以生成时序图的代码:

△场景4的运行结果

将得到的代码粘贴到mermaid live editor中,就可以生成结果了

△mermaid在线生成图表页面

最后是成品图。

不过,mermaid提供的能力远远不止时序图,目前官网上就有13种可用的图表,包括流程图,顺序图,类图,状态图,实体关系图,用户旅程,甘特图,饼状图,需求图,Git图,C4C图,思维导图,和时间轴。请在工作中自由取用。除了mermaid之外,还有像plantUML,Diagrams,markmap之类的code to diagram工具,这里就不赘述了。



既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,涵盖了95%以上大数据知识点,真正体系化!

图,C4C图,思维导图,和时间轴。请在工作中自由取用。除了mermaid之外,还有像plantUML,Diagrams,markmap之类的code to diagram工具,这里就不赘述了。

[外链图片转存中…(img-1pWz9DC4-4702073491483)]
[外链图片转存中…(img-d4rNa7Oj-4702073491484)]
[外链图片转存中…(img-3h0kROb8-4702073491484)]

既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,涵盖了95%以上大数据知识点,真正体系化!

本文标签: 方法论分析法chatGPTBORE