Неодамна го завршив партнерскиот курс на OpenAI и го заработив сертификатот за технички практичар. Голем дел од наставната програма се фокусира на теми на ниво на системот и на пазарот - RAG работни процеси, API платформи, разлики во моделите, фино прилагодување, прилагодени GPTs, гардероба и рамки за бизнис вредност. Сите тие работи. Но, во овој пост, сакам да споделам некои од моите "аха" моменти и увид кои се применливи за секојдневните корисници. Тие се за да се движат подалеку од поттикнување на ниво на почетник, да разберат како системот всушност функционира, и да го користат тоа разбирање за да добијат многу повеќе конзистентни резултати во секојдневното размислување и работа. Она што следи е дестилирана контролна листа која го претвора GPT од фрустрирачки коцкање во сигурна алатка. Кога ГПТ „го добива ѓубрето“: контекстниот прозорец е вистинскиот ѓубре Секој модел има контекст прозорец (измерен во За слободни нивоа, тој прозорец приближно се преведува на неколку илјади зборови. tokens Прозорот вклучува: вашите инструкции, сите датотеки што сте ги испратиле, претходните одговори на моделот, историјата на разговорите. Како што низата расте подолго или вашата задача станува сложена, моделот почнува да паѓа детали.Тоа може да ги игнорира претходните ограничувања, да ги заборави дефинициите или да се спротивстави на работите што сте ги воспоставиле. What to do instead: 
 
 
 
 Поделете ги големите задачи во фази (информации за хранење во серии). Периодично сумирајте ги „работечките претпоставки“ и побарајте од GPT да потврди дека ги користи. За долги проекти, преминете од разговор на структуриран работен тек (повеќе за тоа во делот 7. Моделите не стареат грациозно, системите го прават тоа. Важна идеја од курсот: . models are products, not living systems Со текот на времето, знаењето природно стагнира – не затоа што моделот е лош, туку затоа што светот продолжува да се движи. Она што постојано се подобрува е системот околу моделот: 
 
 
 
 Нови модели со различни силни страни Подобро рутирање и оркестрација алатки како пребарување кои вбризгуваат свежи информации во време на извршување Затоа изборот на Подлабоки модели имаат тенденција да размислуваат подобро, но може да бидат побавни. Кога ќе оптимизирам за брзина и итерација под временски притисок, ќе се префрлам на побрз модел (на пример, GPT-4o). Кој модел да се користи кога Тоа не е пониско ниво – тоа е свесен избор. Едноставна еуфорија: If latency matters more than brilliance, switch models. If correctness matters more than speed, slow down. Веднаш инженеринг не е хакирање - тоа е само добри барања на производот Веднаш инженеринг звучи фантастично, но тоа е во основа: Вашата структура на влез станува структура на размислување на моделот. Примерок инстант изградба да се вклучат, да се чувствуваат слободни да се мешаат и да одговараат каде што е применливо: 
 
 
 
 
 
 
 Улога: кој треба модел да се преправаат дека се? Цел: Каков резултат сакате да постигнете? Ограничувања: што мора да биде вистина, што треба да се избегне? Контекст: која позадина е потребна? Квалитетна лента: како ќе го процените успехот? Формат на излез: наслови, куршуми, табела, код, итн Ако веќе знаете како изгледа „доброто“, додавањето на мал пример може драматично да скока во квалитетот. За повеќето вистински проблеми, размислувањето е поважно од одговорот. Многу прашања на работа немаат еден правилен одговор, тие имаат компромиси. Ако побарате само за заклучок, ќе добиете сигурен заклучок - понекогаш со треперечка логика подолу. Наместо тоа, побарајте рамка: „Покажи ми ги твоите чекори за размислување / рамка за одлуки. Објаснете зошто го одбравте овој пристап.“ Или дури би можеле да му кажете која методологија, рамка / школа за размислување да се користи. Ова го менува GPT од фантастична алатка за автокомплетирање во : thinking amplifier 
 
 
 
 можете брзо да процените дали претпоставките се совпаѓаат со вашиот свет Можете да откриете слепи точки можете да итирате на расудувањето - не само на исходот Прецизност: ГПТ може да биде многу погрешно, многу глатко GenAI е одличен за течен излез. Не е одлично да ви каже колку треба да бидете сигурни. Тоа е причината зошто повремено ќе добиете одговори кои звучат полирани, авторитетни и целосно измислени. Исто така: вашата брзина влијае на ова. 
 
 
 Нејасна инспирација → Повеќе креативност → Поголем ризик од халуцинации Прецизни повици → потесен простор за пребарување → понизок ризик Ако точноста е важна, јас буквално побарам калибрација: 
 
 
 
 „Само дајте високи тврдења за сигурност.“ „Ако не сте сигурни, означете го експлицитно.“ „Кажи ми како да ги проверам сите тврдења (извори, проверки или експерименти).“ Оваа една промена многу го намалува проблемот со „сигурната глупост“. Пребарувачите против ГПТ: тие решаваат различни проблеми На високо ниво, пребарувачите и GPT се оптимизираат за различни работи. Пребарувачите го прават ГПЦ се потпира на (често се опишува како векторско пребарување) плус контекстот што го давате, а потоа генерира најверојатно продолжување. keyword matching + ranking semantic similarity Use a traditional search engine when you need: 
 
 
 
 Посебна веб-страница или документ Постоечки документ Фактички тврдења со цитати Use GPT when you need: 
 
 
 
 
 Резиме или синтеза Споредување и анализа на трговијата Препишување или реструктурирање сценарија, рамки или поддршка за одлуки Да ГПТ Ако сте дури и малку еколошки свесни, тоа е како да се намали шумата само за да се започне камп пожар: повеќе компјутери, повеќе енергија, и Секогаш со подобри резултати. може not Поновите функции не се „екстра“ – тие го менуваат начинот на кој работите Разговорот е одличен за брзи прашања и прашања, но вистинската работа е итеративна. Canvas: Редактирање на режимот наместо разговор Canvas е за пишување на долги форми или код каде што сакате да ги ревидирате постојано.Не поставувате прашања - вие со-редактирате. Проекти: престанете повторно да ја објаснувате истата позадина Простор на проектот ги задржува датотеките, контекстот и разговорите заедно, така што не продолжувате да ја поставувате истата конфигурација. MCP: GPT почнува да делува како платформа за апликации Model Context Protocol (MCP) го претвора GPT во нешто поблиску до екосистемот на апликациите – алатките можат да се приклучат, работните процеси можат да се автоматизираат, а old SEO-driven discovery model gets disrupted. Rethink about marketing channels & budgets. Користење на алатки и повик на функции: од одговори до акции Модерните GPT не генерираат само текст – тие можат да повикуваат алатки, да извршуваат код, да испраќаат системи за прашање и да издаваат структурирани излези. Ова е разликата помеѓу „помогнете ми да размислувам“ и „помогнете ми да извршам“. Меморија и инструкции: помалку повторување, повеќе континуитет Постојаните инструкции и лесната меморија значат дека моделот може да ги задржи преференциите, тонот и претпоставките за работа со текот на времето. Ако се користи лошо, исто така може да се заклучи во лоши претпоставки - па затоа е нешто што треба да се разгледа и да се ресетира намерно. (Ако работите во производ, целиот овој дел е помалку за карактеристики и повеќе за промена во начинот на кој софтверот е дизајниран.) Најподценета вештина: научете да го „калибрирате“ моделот Луѓето кои добиваат најдобри резултати не го третираат GPT како машина за продажба, тие го третираат како систем кој треба да се прилагоди. Една практична патека: 
 
 
 
 
 
 Поставете квалитетна лента (што значи „добро“?) Барај за расудување (површински претпоставки) Тест за стрес (контрааргументи, предни случаи, што би го променило одговорот?) Верификација (извори, податоци, брзи експерименти) Iterate (прецизно ограничувања и формат) Тоа е кога GPT станува постојано корисно - затоа што го контролирате процесот, а не коцкате на еден повик. Едноставен начин да се размислува за модите: 
 
 
 
 Разговор → размислување гласно (истражување, рамкирање, идејација) Canvas → обликување на работата (редактирање, рафинирање, итерирање) Кодекс → извршување на работата (добро опфатени кодови задачи, повторувачки акции) Ова е исто така каде што алатки како Codex блескаат: кога задачата е јасно дефинирана и интерфејсот е дизајниран околу извршување (особено за код), моделот престанува да биде асистент за разговор и почнува да се однесува како сигурен програмер. Во заклучок Престанете да барате подобри одговори – започнете да дизајнирате подобри интеракции.Ништо од ова не бара градење на апликации или повикување на API-и – тоа е за да научите да размислувате малку повеќе како системите што веќе ги користите. Ако сте пронашле други совети, работни процеси или мали хакови кои забележливо ја подобруваат корисноста на GPT во реалната работа - не само паметни повици - би сакал да ги слушнам.

Read My Stories

Ова аудио е произведено на оригиналниот јазик на приказната!

Практична контролна листа за поуздани резултати со ГПТ

About Author

КОМЕНТАРИ

ВИСЕТЕ ТАГОВИ

ОВОЈ СТАТИЈА БЕШЕ ПРЕТСТАВЕН ВО

Related Stories

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps