我們人類和ChatGPT的對話技巧也是需要學習的，有鑑於此，我想要一天分享一點「和ChatGPT對話的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
人工智慧 (AI) 的發展和成功在很大程度上取決於其吸收和推斷現有資訊的能力，在像 GPT-3 這樣的大型語言模型 (LLM) 領域，這一點變得特別明顯，然而，當需要精確或專門的輸出時，龐大的訓練資料有時會帶來挑戰，N-Shot Prompting 的出現是解決這項挑戰的方法。
- 彌合泛化差距：LLM 儘管接受過廣泛的培訓，但有時發現很難將其培訓數據有效地泛化到特定任務，N-Shot Prompting 允許這些模型透過明確顯示預期內容來彌補這一差距，透過提供清晰的範例或多個範例，模型可以更準確地推斷底層模式或邏輯
- 人機協作：人類自然地從例子中學習，當我們看到某人執行某項操作或用範例解釋某事時，我們的理解就會增強，同樣的原理也適用於使用 N-Shot Prompting 的 LLM，透過提供範例，我們創建了一種共生關係，讓機器從類似人類的線索中學習，從而促進更直觀的人機交互
- 適應性學習：世界及其相關任務是動態的，即使 LLM 接受過大量資料集的培訓，它也可能無法適應最新的發展，N-Shot Prompting 作為一種自適應學習方法，使模型能夠適應新任務，而無需進行大量的再訓練
- 穩健性和可靠性：在關鍵應用中，人工智慧系統產生準確可靠的輸出至關重要，透過使用 N-Shot Prompting，我們可以確保人工智慧的輸出與人類的期望和標準緊密一致，它充當安全保障，確保模型不會偏離所需輸出太遠，尤其是在精確度至關重要的領域
- 克服模糊性：許多任務在單獨呈現時可能本質上是模糊的，根據模型的訓練，一個簡單的 Prompt 可能會導致一系列有效的反應，然而，借助 N-Shot Prompting，可以透過設定清晰的上下文來減少這種歧義，從而引導模型做出最合適且與上下文相關的反應
