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。
探索 Prompt Chaining 會揭示一系列提示，其中鏈中的每個連結（稱為節點）封裝了一個獨立的任務。當創作和完善這些鏈時，挑戰的癥結就顯現出來了，這項任務需要深刻的領域理解。
這些挑戰雖然艱鉅，但並非不可克服。隨著技術的進步，特別是用戶友好的工具和介面的開發，我們可以簡化這個過程。視覺化鏈、測試單一節點和整個鏈，或根據測試結果細化鏈，都可以透過精心設計的工具變得更易於管理。這樣，我們可以確保鏈的穩健性，使其能夠有效地處理廣泛的輸入和場景。
這個領域的另一個令人興奮的前沿是應用機器學習技術來自動化鏈創作和細化的過程。強化學習等技術具有巨大的潛力。透過使用者回饋或其他資料來源，我們可以訓練系統學習特定任務的最佳鏈，它開啟了一個令人興奮的可能性領域，代表了 Prompt Chaining 應用的下一個演化步驟。
過渡到相關領域：多步驟生成，由於各種原因，該方法在涉及大型語言模型的應用中受到青睞：
- 上下文長度限制：考慮到大型語言模型中的 Token 生成限制，例如 4K Token 限制，詳細報告或完整故事等大型內容生成需要多步驟生成
- 控制輸出品質：在產生複雜的上下文時，將流程分解為多個步驟通常是有益的，這樣您就可以更好地控制輸出的每個部分。例如，在編寫故事時，您可能需要單獨產生角色、情節和對話，以便確保每個部分都是高品質的並且能夠很好地組合在一起。透過將生成過程分為多個步驟，您可以在進入下一個步驟之前查看並可能修改每個步驟的輸出
- Prompt Chaining：多步驟產生允許連結提示，其中一個提示的輸出用作下一個提示的輸入。這對於創建更複雜或更詳細的內容非常有用，因為每個步驟都可以建立在前一個步驟的基礎上
- 特異性和細節：生成過程中的每個步驟都可以專注於內容的特定方面，從而允許更詳細和準確的生成。例如，一個步驟可能專注於產生主要想法，而下一步可能會更詳細地充實這些想法
- 迭代細化：多步驟生成允許對生成的內容進行迭代細化。在每個步驟之後，可以對生成的內容進行審查、修改或擴展，從而獲得更精美的最終產品
