Nedávno som absolvoval partnerský kurz spoločnosti OpenAI a získal certifikát Technical Practitioner.Veľa učebných osnov sa zameriava na témy na úrovni systému a prechádzanie na trh - pracovné postupy RAG, platformy API, rozdiely modelov, jemné nastavenie, vlastné GPT, záložky a rámce obchodných hodnôt. To všetko záleží. Ale v tomto príspevku chcem zdieľať niektoré z mojich „aha“ momentov a poznatkov, ktoré sa vzťahujú na každodenných používateľov.Sú o tom, že idú nad rámec povzbudenia na úrovni začiatočníkov, pochopiť, ako systém skutočne funguje, a použiť toto pochopenie, aby sa dosiahli oveľa konzistentnejšie výsledky v každodennom myslení a práci. Nasleduje destilovaný kontrolný zoznam, ktorý premieňa GPT z frustrujúcej hazardnej hry na spoľahlivý nástroj. Keď GPT „zlyhá“: kontextové okno je skutočnou prekážkou Každý model má kontextové okno (merané v Pre voľné úrovne, to okno približne prekladá do niekoľkých tisíc slov. tokens Okno obsahuje: vaše pokyny, všetky súbory, ktoré ste nahrali, predchádzajúce odpovede modelu, históriu konverzácie. Keď prameň rastie dlhšie alebo sa vaša úloha stáva zložitou, model začne klesať detaily.Môže ignorovať predchádzajúce obmedzenia, zabudnúť na definície alebo odporovať veciam, ktoré ste vytvorili. What to do instead: 
 
 
 
 Rozdeľte veľké úlohy na etapy (podávanie informácií v dávkach). Pravidelne zhrniete „pracujúce predpoklady“ a požiadajte GPT o potvrdenie, že ich používa. Pre dlhé projekty prejdite z chatu na štruktúrovaný pracovný postup (viac o tom v časti 7. Modely nestarnú elegantne.Systémy to robia. Dôležitá myšlienka z kurzu: . models are products, not living systems Po uvoľnení sa údaje o výcviku modelu do značnej miery zmrazia.V priebehu času sa vedomosti prirodzene stávajú zastaranými – nie preto, že model je zlý, ale preto, že sa svet neustále pohybuje. Čo sa neustále zlepšuje, je systém okolo modelu: 
 
 
 
 Nové modely s rôznymi silami Lepšie riadenie a orchestrácia nástroje ako vyhľadávanie, ktoré vstrekujú čerstvé informácie v čase spustenia To je dôvod, prečo vybrať Dôležité. Hlbšie modely majú tendenciu rozumieť lepšie, ale môžu byť pomalšie.Keď optimalizujem rýchlosť a iteráciu pod časovým tlakom, prepnem sa na rýchlejší model (napríklad GPT-4o).Keď je dôležitejšia správnosť alebo hĺbka, prijmem latenciu. Ktorý model používať, keď Nie je to degradácia - je to obmedzená voľba. Jednoduchá heuristika : If latency matters more than brilliance, switch models. If correctness matters more than speed, slow down. Rýchle inžinierstvo nie je hack - je to len dobré požiadavky na produkt Rýchle inžinierstvo znie fantasticky, ale v podstate je to: Vaša vstupná štruktúra sa stáva mysľovou štruktúrou modelu. Vzorový konštrukčný príkaz na zahrnutie, nezabudnite miešať a v prípade potreby zladiť: 
 
 
 
 
 
 
 Role: kto by mal model predstierať, že je? Cieľ: Aký výsledok chcete dosiahnuť? Obmedzenia: čo musí byť pravda, čo sa má vyhnúť? Kontext: Aké pozadie je potrebné? Bar kvality: ako budete posudzovať úspech? Výstupný formát: hlavičky, guľky, tabuľka, kód atď. Ak už viete, ako „dobrý“ vyzerá, pridaním malého príkladu môže kvalita dramaticky skákať. Pre väčšinu skutočných problémov je dôležitejšie uvažovanie ako odpoveď. Mnohé otázky v práci nemajú jedinú správnu odpoveď. Ak požiadate len o záver, dostanete istý záver - niekedy s trblietavou logikou. Namiesto toho požiadajte o rámec: „Ukážte mi svoje úvahové kroky / rámec rozhodnutia. vysvetlite, prečo ste si vybrali tento prístup.“ Alebo môžete dokonca povedať, akú metodiku, rámec / školu myšlienok použiť. To mení GPT z fantastického nástroja automatického dokončovania na : thinking amplifier 
 
 
 
 môžete rýchlo posúdiť, či sa predpoklady zhodujú s vaším svetom Môžete vidieť slepé škvrny môžete iterovať na uvažovanie - nielen na výsledok Presnosť: GPT môže byť veľmi nesprávne, veľmi hladko GenAI je skvelý na plynulý výstup. Nie je skvelý na to, aby vám povedal, aký dôverný by mal byť. To je dôvod, prečo príležitostne dostanete odpovede, ktoré znejú leštené, autoritatívne a úplne vymyslené. Tiež: Vaša rýchlosť to ovplyvňuje. 
 
 
 Vague prompt → viac kreativity → vyššie riziko halucinácií Presné prompt → užší vyhľadávací priestor → nižšie riziko Ak je dôležitá presnosť, požiadam doslova o kalibráciu: 
 
 
 
 „Dajte len tvrdenia vysokej istoty.“ „Ak si nie ste istí, označte to explicitne.“ "Povedzte mi, ako overiť každé tvrdenie (zdroje, kontroly alebo experimenty)." Táto jedna zmena výrazne znižuje problém „dôveryhodných nezmyslov“. Vyhľadávače vs. GPT: riešia rôzne problémy Na vysokej úrovni, vyhľadávače a GPT optimalizovať pre rôzne veci. Vyhľadávače do GPT spolieha na (často opísané ako vektorové vyhľadávanie) plus kontext, ktorý poskytujete, a potom generuje najpravdepodobnejšie pokračovanie. keyword matching + ranking semantic similarity Use a traditional search engine when you need: 
 
 
 
 konkrétnu webovú stránku alebo dokument Existujúci papier Skutočné tvrdenie s citáciami Use GPT when you need: 
 
 
 
 
 Zhrnutie alebo syntéza Porovnanie a tradeoff analýza Prepisovanie alebo reštrukturalizácia scenáre, prehľady alebo rozhodovacia podpora Áno, GPT Ak ste dokonca trochu environmentálne vedomí, je to ako vyrezávanie lesa len na spustenie táborového ohňa: viac výpočtu, viac energie a Vždy lepšie výsledky. Môže not Novšie funkcie nie sú „extra“ – menia spôsob, akým pracujete Chat je skvelý pre rýchle Q&A, ale skutočná práca je iteratívna. Canvas: edit mód namiesto chatu Canvas je pre písanie dlhých foriem alebo kód, v ktorom chcete opakovane revidovať.Nie ste „pýtanie otázok“ - ste spoluvytváranie. Projekty: prestaňte vysvetľovať rovnaké pozadie Projektový priestor udržiava súbory, kontext a konverzácie spolu, aby ste nepretržite prilepovali rovnaké nastavenie. MCP: GPT začína fungovať ako platforma pre aplikácie Modelový kontextový protokol (MCP) premieňa GPT na niečo bližšie k ekosystému aplikácií - nástroje sa môžu pripojiť, pracovné postupy sa môžu automatizovať a old SEO-driven discovery model gets disrupted. Rethink about marketing channels & budgets. Používanie nástrojov a volanie funkcií: od odpovedí po akcie Moderné GPT nielen vytvárajú text – môžu volať nástroje, spúšťať kód, vyhľadávať systémy a odovzdávať štruktúrované výstupy. To je rozdiel medzi „pomôž mi myslieť“ a „pomôž mi vykonať.“ Akonáhle navrhnete správne rozhranie, model sa stáva súčasťou skutočného pracovného postupu, nie len partnerom brainstormingu. Pamäť a pokyny: menej opakovania, viac kontinuity Pretrvávajúce pokyny a ľahká pamäť znamenajú, že model si môže zachovať preferencie, tón a pracovné predpoklady v priebehu času. Ak sa používa zle, môže sa tiež zamknúť v zlých predpokladoch - takže je to niečo, čo je potrebné preskúmať a resetovať zámerne. (Ak pracujete v produkte, celá táto sekcia je menej o funkciách a viac o zmene v tom, ako je softvér navrhnutý.) Najpodceňovanejšia zručnosť: naučiť sa „kalibrovať“ model Ľudia, ktorí získajú najlepšie výsledky, netrápia GPT ako predajný stroj, ale ako systém, ktorý potrebuje nastavenie. Praktický krok vpred: 
 
 
 
 
 
 Nastaviť kvalitný bar (čo znamená „dobrý“?) Požiadajte o uvažovanie (povrchové predpoklady) Stresový test (protiargumenty, prípady na okraji, čo by zmenilo odpoveď?) Overiť (zdroje, údaje, rýchle experimenty) Iterate (zabezpečiť obmedzenia a formát) To je, keď GPT sa stáva dôsledne užitočné - pretože ste riadenie procesu, nie hazardné hry na jednu výzvu. Jednoduchý spôsob, ako premýšľať o módach: 
 
 
 
 Chat → myslieť nahlas (prieskum, rámovanie, ideácia) Canvas → formovanie práce (upraviť, rafinovať, iterovať) Codex → vykonať prácu (dobrý rozsah kódových úloh, opakovateľné akcie) To je tiež miesto, kde nástroje ako Codex žiari: keď je úloha jasne definovaná a rozhranie je navrhnuté okolo vykonávania (najmä pre kód), model prestane byť chatovým asistentom a začne sa správať ako spoľahlivý programátor. Na záver Prestaňte sa pýtať na lepšie odpovede - začnite navrhovať lepšie interakcie.Nič z toho nevyžaduje budovanie aplikácií alebo volanie rozhraní API - je to o tom, že sa naučíte myslieť trochu viac ako systémy, ktoré už používate. Ak ste našli ďalšie tipy, pracovné postupy alebo malé hacky, ktoré výrazne zlepšujú užitočnosť GPT v reálnej práci - nielen šikovné výzvy - rád by som ich počul.

Read My Stories

Tento zvuk je vyrobený v pôvodnom jazyku príbehu!

Praktický kontrolný zoznam pre spoľahlivejšie výsledky s GPT

About Author

KOMENTÁRE

ZAVISTE ŠTÍTKY

TENTO ČLÁNOK BOL PREDSTAVENÝ V

Related Stories

Mutmut: a Python mutation testing system

Code Smell 298 - How to Fix Microsoft Windows Time Waste

16 Best Sklearn Datasets for Building Machine Learning Models

112 Stories To Learn About Hackernoon Community

Mutmut: a Python mutation testing system

Code Smell 298 - How to Fix Microsoft Windows Time Waste

16 Best Sklearn Datasets for Building Machine Learning Models

112 Stories To Learn About Hackernoon Community

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps