错误#1：没有上下文的查询过于笼统
最常见的错误是“写一篇关于咖啡的文字”之类的请求。该模型不知道文本是写给谁的、为什么、长度是多少以及语气是什么，因此它会生成适合所有人或不适合任何人的平均水。神经网络不读取思想：它根据平均概率完成缺失的内容。向她提供一些介绍性信息 - 您是谁、文本的对象是谁、目的是什么、将在哪里发布。对比一下：“写关于咖啡的事”和“为网店的产品卡写一段话，受众是年轻父母，语气温暖，任务是解释为什么现烤的咖啡豆味道更好”。结论：上下文不是礼貌，而是准确答案的燃料。
错误#2：您没有指定角色
模型会根据你要求的“谁”做出不同的反应。没有角色，她保持中立和精简，就像一本参考书。添加角色后，深度、词汇和焦点都会发生变化。 “解释税收”会给出一个干巴巴的总结，但“你是一名会计师，用简单的语言为个体户解释税收，就像朋友喝茶一样” - 清晰、生动的解释和必要的细节。该角色决定了视角和专业水平。规则很简单：在任务之前，指出模型正在为哪位专家和哪位读者发挥作用。结论：具有角色的一条线通常比改变神经网络本身更能改变答案的质量。
错误#3：未指定响应格式
您收到了有关该主题的答案，但无法使用它：当您需要列表时，需要一张完整的文本，或者当您需要表格时，需要一个段落。模型会猜测格式本身，但它并不总是猜测。直接说：“将其形成一个包含 X 和 Y 列的表格”，“用一句话给出五个点”，“以一封现成的信件的形式回答，无需解释。”同时设置音量：“最多100字”、“三个标题选项”。格式使答案从“读起来有趣”变成“可以立即投入工作”。结论：不仅要描述要说什么，还要描述如何包装它。
错误#4：一切都在一个提示中，而不是步骤
新手试图将所有内容都融入到一个巨大的要求中：“分析市场，提出产品，编写计划，创建帖子并计算预算。”该模型同时抓住了一切，并从表面上完成了每一点。它的工作方式有所不同——一步一步，就像现场助理一样。首先：“让我们定义目标受众，向我提出澄清问题。”然后根据答案，进行下一步。对话允许模型依赖中间结果并保持线索。将一个复杂的问题分成 3-5 个动作并检查每个动作。结论：一次精确的一步几乎总是会同时出现对所有事情的巨大提示。
错误 5 和 6：没有示例，没有限制
两个很容易修复的错误。首先，你没有举出例子。如果您需要特定的风格或结构，请举个例子：“我们的文本听起来是这样的：...... - 做同样的事情。”一两个例子（这称为“few-shot”）比任何形容词更准确地指导模型。二是没有设置任何限制。默认模型冗长而谨慎，因此请说出不该做的事情：“不要使用官僚主义的东西”、“不要使用感叹号”、“保持在 80 个字以内”、“不要编造引言中没有的事实”。边界限制了反应。结论：例子说明了哪里该去，限制说明了哪里不该去。
错误七：不核实事实就盲目信任
主要的错误是相信答案。即使语言模型是错误的，它听起来也很自信：它可以编造一个事实、一个日期、一个引用或一个链接，因为它生成可信的文本，而不是检查事实。这称为幻觉。根据主要来源检查重要文件、致客户的信函或出版物中的所有内容，尤其是数字、姓名、法律和医疗详细信息。使用神经网络作为快速而智能的草稿作者，而不是作为最后的手段。结论：相信模型的速度和形式，但把事实抛在脑后——这样你就可以获得人工智能的好处，而没有风险。