要让大模型回答得简单一点并限制字数，可以通过以下几种方式：
使用提示词时，您会通过API或直接与大语言模型进行交互。你可以通过配置一些参数以获得不同的提示结果。调整这些设置对于提高响应的可靠性非常重要，你可能需要进行一些实验才能找出适合您的用例的正确设置。以下是使用不同LLM提供程序时会遇到的常见设置：Temperature：简单来说，temperature的参数值越小，模型就会返回越确定的一个结果。如果调高该参数值，大语言模型可能会返回更随机的结果，也就是说这可能会带来更多样化或更具创造性的产出。我们目前也在增加其他可能token的权重。在实际应用方面，对于质量保障（QA）等任务，我们可以设置更低的temperature值，以促使模型基于事实返回更真实和简洁的结果。对于诗歌生成或其他创造性任务，你可以适当调高temperature参数值。Top_p：同样，使用top_p（与temperature一起称为核采样的技术），可以用来控制模型返回结果的真实性。如果你需要准确和事实的答案，就把参数值调低。如果你想要更多样化的答案，就把参数值调高一些。一般建议是改变Temperature和Top P其中一个参数就行，不用两个都调整。Max Length：您可以通过调整max length来控制大模型生成的token数。指定Max Length有助于防止大模型生成冗长或不相关的响应并控制成本。
最近经常被询问“如何让大模型生成的内容更多更丰富一点。”这个问题拆解一下其实是几个不一样的诉求：1.扩写（俗称水文）：基于一篇给定的内容，进行“注水”式的内容扩充。2.编写：基于给定的内容框架，尽可能详细的生成框架中的内文。3.改写（不就是洗稿吗……）：基于给定的完整内容，尽可能详细的生成另一种方式的写作（打散叙事逻辑重述等）上述三种写法都有对应的写作方法论，要明白保留什么增加什么，根据什么规则增加，如何注水还不显得特别啰嗦。但这不是本篇主要探索的方向。上述三类写作，都大概率会遇到同一个问题：在单次对话中，无论如何努力要求，大模型都会把一次性生成的内容压缩到800-1000中文左右，很难突破。在这一点上，之前很多作者都分享过利用分治法来分段输出，最后自己拼合的方式，可以非常简单有效的解决生成内容颗粒度的问题。
在询问中包含详细信息，以获得更多相关答复。这是因为，大模型不是我们肚子里的蛔虫，它无法在有限的信息中“猜测”我们的意图，所以，在问问题的时候，不要惜字如金，多说一些内容，多提供一些信息，这样可以很有效的提高大模型回复的质量和丰富性。我们来看一个例子：当我们想要大模型为我们提供一些思维模型时，本能的问法可能是：“给我列几个思维模型”。于是很常见下面这样的对话：当我们愿意给出更多信息，比如我们为什么需要这个模型，希望ChatGPT列举三个模型，以及是否有我们已知的模型作为参考时，ChatGPT可以提供更加符合我们预期的回答：我们再来看一个例子，假设我们想请ChatGPT帮助我们记忆一个比较抽象的概念，我们可能会脱口而出这样的问题：但如果我们停下来思考一下，深想一步，提供更多细节，就能得到更符合期望的回答了：最后，我们想通过ChatGPT来了解提示词，这是一个坏例子：让我们给出特定的情景和进一步思考的问题：