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。
- Zero-Shot Prompting 不足
- 深度複雜性：雖然大型語言模型在 Zero-Shot 任務中表現出值得稱讚的技能，但更深、更複雜的目標會帶來挑戰，此類任務通常需要更好定義的上下文以確保準確的結果
- 輸出不一致：如果您使用 Zero-Shot Prompting 觀察到不一致或變化的輸出，則引入 N-Shot 可以透過提供所需行為的明確範例來增強一致性
- 訓練資料稀缺
- 最大限度地利用有限的資源：特別是在某些領域，取得充足的標記資料可能具有挑戰性，N-Shot Prompting 可以利用稀疏資料集，確保模型以最少的範例掌握任務的本質
- 預算限制：在採購或標記大量數據造成經濟負擔的情況下，N-Shot Prompting 可能是一種經濟高效的替代方案，無需大量金錢投資即可優化性能
- 微調不是一個選項
- 運算限制：在缺乏微調所需運算能力的設定中，N-Shot Prompting 成為資源高效的替代方案
- 動態任務：對於不斷發展或變化的任務，持續微調模型可能不切實際，相反，N-Shot Prompting 可以迅速適應這種不斷變化的需求
- 需要快速實驗
- 迭代開發：在快速原型設計和測試至關重要的開發階段，N-Shot Prompting 可以顯著加快流程，由於它繞過了漫長的再訓練階段，開發人員可以迅速評估模型對不同提示的反應
- 特定領域的調整：如果您正在深入研究特定領域的應用程式並確保以最佳方式指導模型，N-Shot Prompting 允許基於即時回饋進行快速迭代調整，幫助找到最有效的教學方法
- 混合任務要求
- 結合學習風格：在任務需要概括性理解和具體輸出的情況下，N-Shot Prompting 可以與其他方法結合使用，例如，Zero-Shot Prompting 可以為上下文奠定基礎，而後續的 N 樣本提示則可以磨練細節
