天天看點

GPTs的“視窗定向”政策:優化使用體驗

在使用GPTs時,你是否也遇到過輸出結果不穩定、難以保持一緻風格和格式的問題?本文将詳細介紹一種名為“視窗定向政策”的方法,幫助你有效提升GPTs輸出的穩定性和一緻性。通過在一個視窗内逐漸完善GPT的輸出,你可以減少随機性,提高可靠性,并顯著提升工作效率。如果你正在尋找一種方法來優化你的GPTs使用體驗,那麼這篇文章一定不容錯過!
GPTs的“視窗定向”政策:優化使用體驗

GPTs确實很好用,當我們預設好prompt,可以建立一個個專屬的、定向輸出的GPT助手。

然而,我在使用GPTs的過程中遇到了一個問題:每次使用自己建立的GPTs時,輸出的結果仍存在随機性,難以保證一緻的格式和風格。這增加了我對預設Prompt的顧慮,我開始的時候懷疑是因為我的Prompt定義的不夠清楚,開始反複調試,并針對輸出格式做三令五申般的限制,但在測試中仍然發現GPT的輸出具有不穩定性。

為了應對這一問題,我琢磨出了一種名為“視窗定向政策”的方法。哈哈,這個名字一聽就很專業,或許其實已經有人發現了這點,但我在大量的翻閱關于國内外的網站并未找到相關的說法,我便自己給它起了個名字。

其實原理很簡單,通過在一個GPTs視窗内确定完美輸出格式并作為樣本視窗,持續測試并逐漸完善它輸出,你會發現這樣可以顯著提升文本生成的穩定性和一緻性,進而優化使用體驗。本文将詳細介紹GPTs的基礎概念、使用過程中遇到的問題、視窗定向政策的定義和操作步驟,以及該政策的具體優勢和實操案例。

一、GPTs的工作原理

GPTs是OpenAI推出的一項功能,說白了就是讓使用者可以建立和定制自己的AI助手,幫助解決各種具體的問題。

就像有一個專家團隊随時待命,幫你處理不同領域的棘手事情。這功能的核心其實就是預設Prompt,類似于你定義助手:“今天你是我的客服助手,需要幫助我回答客戶的常見問題。”然後這個助手就會根據你的要求,以定義的客服角色做定向輸出。

GPT的工作原理有點像我們平時聊天一樣,靠的是自然語言了解(NLU)和自然語言生成(NLG)技術。先是通過大量閱讀和學習各種語言模式,掌握了很多語言知識,然後利用這些知識來了解你給出的提示詞和輸入資訊,再生成合适的回應。

就像你和朋友說:“解釋一下機器學習是什麼”,你的朋友可能會回答:“機器學習就是讓計算機從資料中學習的技術”,也可能會說:“機器學習是通過訓練算法來做預測的方法”。這種靈活性讓對話變得更有趣,但同時卻确實有一定的随機性。

雖然這些提示詞是你預設好的,但因為這種随機性,每次響應可能都會有所不同。你可以通過調試提示詞、提供更多的示例資料和指令,來提高輸出的一緻性。具體來說,你不斷優化提示詞,加入更多細節和上下文資訊,就像和朋友說話一樣,多聊幾次,對方自然會更懂你。

在實際應用中,GPT助手就像是個不斷學習和進步的朋友。你的回報對它非常重要,能幫助它更好地了解和調整。例如,你發現某些回答不準确或不符合預期,可以通過具體的回報來指導它進行調整。随着它不斷接收到新的示例資料和指令,生成能力也會逐漸提升,更加适應你的需求,但你要清楚這僅僅隻存在于目前視窗…

二、視窗效應

在我的日常使用中逐漸發現這個問題,GPTs的初始響應的輸出結果有時候大同小異,會在格式、風格、調性和内容生成幾個次元不固定的發生偏差。這種初始随機性給我的使用帶來了不少麻煩:

  • 輸出結果不一緻:在需要多次生成類似内容的場景中,文本的格式和風格難以保持一緻,增加了後期編輯的工作量。
  • 重複勞動:為了得到預期的結果,我不得不多次新開視窗,浪費大量時間和精力。
  • 使用者體驗下降:頻繁的随機性輸出讓我對GPT的可靠性産生了質疑。

我在使用某一個GPT做需求時,發現它生成的内容總是和我設定的前置條件不符,甚至多次偏離我的預期。每次看到結果,都讓我有點哭笑不得。比如,我讓它寫一篇關于技術發展的文章,風格應該是專業的,結果它給我寫了一段像詩一樣的文字,雖然挺有趣,但完全不是我想要的。

于是,我開始翻查以往的成功記錄,決定從之前效果不錯的視窗中繼續提出新的需求。神奇的是,在舊視窗中的輸出又符合了我的預期!在之前的視窗中繼續提出需求,GPT生成的内容開始變得穩固,風格和格式也越來越接近我的預期。這讓我意識到,也許GPT的記憶功能在視窗間起了作用。

随着進一步測試,我發現了GPTs的一個“BUG”:在前置條件完善的情況下,同一個GPT在不同視窗生成的結果會有明顯偏差。通過對比,我注意到在原有視窗中,GPT能夠利用之前的上下文資訊,更好地保持一緻性;而新開視窗則像是清空了記憶,生成的内容往往變得随機。

1. GPTs初始響應測試

而後我找到了之前建立的一個GPTs,當時是為了給批量生圖SOP工程做節點提效用的,叫“批量生圖 CSV條目助手“。感興趣的同學可以去看詳細的應用場景介紹,我在這兒大概的說下我所預期的輸出:根據我提供的具體語言描述提取主要元素,并根據我預設的規範,以代碼塊的形式(csv)産出。

圖像名稱(内容),圖像具體關鍵詞,不希望圖像裡有什麼,是否需要GPT擴寫關鍵詞,是否智能摳圖,圖像尺寸寬,圖像尺寸高,圖檔預生成數量(1-10)

每個部分中間以英文逗号隔開,每個部分中各字段可以中文逗号做隔開,預設關閉GPT擴寫和智能摳圖,預設尺寸寬&高為1024,生成數量為1。

是以我所期望的輸出是以代碼塊的格式支援一鍵複制,快速将産出條目轉移至PyCharm中做csv填充。但是在測試中會發現每次格式都不一樣:

GPTs的“視窗定向”政策:優化使用體驗

該測試中,同一個GPTs,同一個請求,輸出的格式完全不同。隻有第五種類型中使用了标準的arduino代碼塊形式輸出,無多餘的描述,并在代碼塊中也沒有贅述一遍格式,是以可以點選右上角的“複制代碼”直接使用。在新開的12個視窗中僅有四次達到預期,盡管測試的次數少,但是也足以說明問題。

初始響應具備随機性,很多人就好奇了,什麼是初始響應?而我為什麼又一直在強調“初始”,這也和之後我要說的“視窗定向”政策相關,姑且稱之為“視窗效應”吧。

在同一個視窗中,在第一次響應使用者請求時所輸出的内容會被作為初始資料反哺給模型作為訓練的資料集。換句話說,在模型第一次響應時的輸出會被作為樣本,進而導緻後續的輸出以初始樣本為模闆,所輸出的内容以之前的對話為資料支撐,這也是模型所具備的聯系上下文的記憶功能。

我以類型三和類型五作為對比測試:

GPTs的“視窗定向”政策:優化使用體驗
GPTs的“視窗定向”政策:優化使用體驗

可以看到,當我在同一個GPTs中,使用同樣的請求時,不同的視窗輸出的格式依舊按照初始響應的輸出風格而輸出。是以當初始響應未達到預期時,後續調整起來就費勁了,倒也不是不能把它調試正确,這就好比去調整一個人的認知,不是不能改,隻是需要費很大功夫。是以不如直接删掉,重新開一個視窗。

三、“視窗定向”政策

視窗定向政策1,其實就是在一個達到預期的對話視窗内逐漸鞏固GPT的輸出,讓它能在連續的對話中積累上下文資訊,減少随機性。簡單來說,這個政策就像是在給一個空白的大腦不斷填充記憶,并通過調整這些記憶來固定輸出風格/格式。

這個政策的核心在于:

  • 上下文積累:在同一個對話視窗内進行多輪對話,GPT能夠記住之前的上下文資訊,保持輸出的一緻性。
  • 逐漸優化:通過不斷調整和優化提示語,引導GPT生成符合預期的結果。
  • 避免頻繁新開視窗:每次新開視窗就像是大腦重新開機,之前的上下文資訊都沒了,導緻輸出結果的随機性增加。

1. 視窗定向政策的實操技巧

第一步:多次測試确定符合預期的輸出架構

如果第一次模型響應的輸出就符合你的需求當然最好,直接跳到第三步即可。

GPTs的“視窗定向”政策:優化使用體驗

第二步:逐漸完善輸出架構和風格

經過多輪測試,視窗2為最終預期視窗。在視窗内進行多輪對話,每次生成文本後,根據結果進行微調,逐漸引導GPT生成符合預期的結果。

GPTs的“視窗定向”政策:優化使用體驗

有時即便GPTs 的初始響應符合預期,但是随着之後的不斷請求也會出現不一緻的格式輸出,這時候就需要人工調試了,告訴它什麼是正确的輸出,請繼續保持,什麼是錯誤的,請清除該部分記憶。這裡就可以用到一個小技巧,可以選擇它輸出的内容,會出現一個引号,即為引用的效果,可以局部調試視窗的記憶。

GPTs的“視窗定向”政策:優化使用體驗

第三步:重命名和整理視窗,持續利用上下文能力

當對輸出結果滿意後,将視窗重命名并整理,友善後續使用。保持在同一個視窗内繼續進行對話,GPT能夠利用之前的上下文資訊,持續輸出一緻且穩定的結果。

GPTs的“視窗定向”政策:優化使用體驗

可以看出我已經基本會給每個視窗做具體的命名處理,同學們不一定需要按照我的格式去命名,這個是随意的,隻要友善你去調用即可。而且請記住GPT的曆史記錄隻保留視窗30天,是以如果一定要記得給重要的對話視窗進行歸檔,可在“設定”中再進行調用。

通過視窗定向政策,GPT的輸出一緻性顯著提升。具體優勢如下:

  • 減少随機性:通過固定視窗和上下文積累,GPT能更好地保持輸出風格和格式的穩定性。
  • 提升可靠性:多輪對話和逐漸優化讓GPT能夠記住使用者的偏好,輸出結果更加符合預期。
  • 一緻的使用者體驗:穩定和一緻的輸出結果提升了使用者體驗,讓使用GPT變得更加得心應手。
  • 減少重複勞動:通過多輪對話和調整,使用者可以減少重複嘗試的次數,快速得到滿意的結果。
  • 節省時間和精力:一緻和穩定的輸出結果減少了後期編輯的工作量,使使用者能夠更加專注于核心任務。
  • 提升工作效率:通過優化輸出流程,使用者可以更高效地完成任務,提高整體工作效率。

四、總結

視窗定向政策通過在一個視窗内逐漸完善GPT的輸出,有效提升了文本生成的穩定性和一緻性。這一政策不僅減少了輸出結果的随機性,提高了可靠性,還顯著提升了使用者的工作效率。視窗定向政策可以幫助使用者更高效地利用GPT的強大功能,是以GPTs不能僅僅依靠預設prompt,也需要一定的示例資料,利用預訓練的語言模型和自然語言處理技術去不斷鞏固輸出的内容風格、格式和顆粒度。

盡管每次響應具有一定的多樣性,但通過聯系上下文的學習能力去持續鞏固輸出結構,你可以在靈活性和一緻性之間找到平衡,“視窗定向“政策可以使GPT助手更好地滿足你的特定需求。了解這些工作原理,将幫助你更有效地使用GPTs,實作其最大潛力!

本文由 @小普 原創釋出于人人都是産品經理。未經作者許可,禁止轉載

題圖來自Unsplash,基于CC0協定

該文觀點僅代表作者本人,人人都是産品經理平台僅提供資訊存儲空間服務