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。
GPT-3 和 GPT-4 等大型語言模型 (LLM) 的出現徹底改變了自然語言處理領域，實現了從文本生成到問答、從翻譯到摘要的廣泛應用。然而，儘管它們的功能令人印象深刻，但這些模型並非絕對可靠，他們通常會產生雖然總體上連貫且與上下文相關的輸出，但在第一次嘗試時可能無法完全滿足預期的目標或品質標準，對於涉及多方面目標或目標難以定義的複雜任務尤其如此。
想像一下要求模特兒寫一首關於春天的詩，雖然結果可能具有清晰的結構，但它可能缺乏所需的意像或情感深度，同樣，考慮一家公司要求 LLM 起草技術文件或開發軟體程式碼的場景，初始輸出可能有效且符合基本要求，然而，在實現經驗豐富的專業人士所確保的最佳效率、清晰度或精度方面可能會出現失誤。
此類實例強調了 LLM 流行的 “一次性” 生成方法的限制，其中模型根據單個提示生成輸出，並且沒有機會修改或改進其初始輸出，這正是 Automated Output Refinement (AOR) 策略變得不可或缺的地方。
AOR 旨在透過引入迭代細化過程來解決這些限制，在此過程中，AI 模型產生初始輸出，提供對其自身輸出的回饋，然後使用該回饋來完善輸出，迭代重複此過程，使模型能夠逐步提高其輸出品質。
引入 AOR 背後的根本動力是利用 LLM 的能力，不僅用於初始生成，還用於自我評估和自我改進，透過這樣做，它的目的是突破 LLM 所能實現的界限。
別名
Self-Refinement Pattern
