Chat with Wiki - gpt怎么用

Answer

以下是关于 GPT 的使用方法：

英文学习方面：
- 推特博主的英语老师制作了一个 GPT 工作流，基于个人日常需求生成定制素材。
- 具体使用方法：先把整段 prompt 喂给 ChatGPT（建议开新对话专门用于学习英文），然后 ChatGPT 会扮演美国好朋友，对输入的英文和中文表达返回更地道的表达，对俚语部分加粗，还会针对发送的话题举一反三，结合欧美流行内容给出更多例子。输入特定语句，ChatGPT 会输出对话回顾并建议 3 个推荐任务以强化记忆。建议使用方式包括开窗口复制 prompt、手机端打开历史记录、点右上角耳机图标打电话，打电话可同时练习口语和听力，结束后看回顾有助于阅读。群友也写了类似版本在讯飞上尝试，效果不错。
产品经理使用方面：
- 需求及现状问题输入：在完成原 SQL 输入后，将真实业务需求场景及现有问题输入给 GPT，帮助其更好理解需求，给出针对性优化建议，输出更符合需求的代码。这可能有好几轮输入输出的讨论，不断强化 GPT 对真实需求的认知。
- 根据优化结果不断调试：输入需求和问题后，GPT 给出新代码，需要不断调试优化直至生成满足需求的新代码。例如，对于每天更新近 30 天数据并存储到结果表的情况，GPT 提出每次更新 1 天数据、创建中间结果表存储非二次计算数据、利用 CASE WHEN 合并查询约束条件基本相同的指标等优化建议。
概念方面：
- GPT 是“生成式预训练变换器”（Generative Pre-trained Transformer）的缩写，是一种大型语言模型（LLM），也是生成式人工智能的重要框架。首个 GPT 由 OpenAI 于 2018 年推出，基于 Transformer 模型的人工神经网络，在大型未标记文本数据集上预训练，能生成类似人类自然语言的文本。
- 大模型是指拥有庞大参数数量的模型，通过处理和理解海量数据胜任复杂任务。其强大在于庞大的参数数量和对大量数据的学习，参数帮助模型理解和生成数据，大量数据是学习基础。

Content generated by AI large model, please carefully verify (powered by aily)

References

推特博主的英语老师制作了一个GPT工作流，基于每个人的日常需求生成定制素材。博主用了一段时间，简直超级棒，有外国同事问他周末是不是报了商务英语课哈哈。。。现在分享给大家具体使用方法：先把下面整段prompt喂给ChatGPT（建议开一个新的对话专门用来学习英文）然后ChatGPT会扮演你的美国好朋友，每当你输入英文和中文表达，ChatGPT都会返回更地道的表达，并且对其中的俚语部分加粗，更容易帮助你学习和记忆（将App提交到应用商店，我用了send out,chatgpt改成了push）同时针对你发送的话题，ChatGPT会举一反三，结合欧美流行的内容给出更多例子，帮助你更好理解和记忆（ChatGPT提供了一个美剧更新的例子，教会我一个新表达buzz）当你输入"Hey GPT,run the end of day task."，ChatGPT会输出今天的对话回顾，进行复习，并建议3个推荐的任务，以强化记忆1️⃣建议使用方式，开一个窗口，复制prompt2️⃣然后手机端打开这条历史记录3️⃣点右上角的?耳机图标，开始打电话4️⃣打电话又能练口语又能练听力。5️⃣结束之后看回顾，可以帮助阅读群友也写了一个类似的版本，并放在讯飞上做了尝试，效果不错

产品：产品经理如何用ChatGPT

在完成第一步的原SQL输入后，GPT已经对需求有了初步的理解，这里我再将真实的业务需求场景以及现在的问题输入给GPT：这一步的作用是帮助GPT更好的理解旧代码背后的真实业务需求，同时结合旧代码运行的问题，让GPT能进一步给出针对性的优化建议，输出更符合需求的代码。这里其实有好几轮的输入输出（可以理解为讨论），不断的强化GPT对真实需求的认知。注：SQL查询代码本身不包含涉密信息，可以放心在ChatGPT中使用[heading3]Step3：根据优化结果不断调试[content]在输入完旧代码、需求和问题之后，GPT模型给出了一些新的代码。我需要不断地根据GPT的结果进行调试和优化，直到生成满足需求的新代码，这一步比较繁琐，但惊喜也是在这一步发现的。按照原SQL的思路，是每天更新近30天的数据，并存储到一个结果表，由于指标很多且数据量大，所以耗时很长，但其实大部分的语句都是反复的读同一个表，资源浪费比较严重。所以在跟GPT反复沟通多次后，GPT提出了3点比较重要的优化建议：每次更新1天而不是30天的数据；不直接统计全量指标数据，而是创建一个中间结果表，将所有非二次计算的数据存储到该表，需要二次计算的指标直接通过该表再查询（例如：中间结果表统计了昨日总数和今日总数，变化值、环比等则通过中间表再进行二次查询统计）；利用CASE WHEN合并查询约束条件基本相同的指标，这个方式大大减少了重复读表的次数，也极大的精简了SQL代码内容。前两点是GPT直接提出的，第三点是我从GPT给出的优化代码中发现的，基于这三个核心优化思路，结合我的半吊子SQL水平，花费了半天多的时间将完整的代码优化完成，并分模块在系统中测试了一下，结果完全一致。当然整个过程还是比较繁琐的，包括查资料、报错、纠正GPT、不断补充需求细节等等，需要有一定的耐心。

十七问解读生成式人工智能

GPT是“生成式预训练变换器”（Generative Pre-trained Transformer）的缩写，是一种大型语言模型（LLM），也是生成式人工智能的重要框架。首个GPT由OpenAI于2018年推出。GPT模型是基于Transformer模型的人工神经网络，在大型未标记文本数据集上进行预训练，并能够生成类似于人类自然语言的文本。截至2023年，大多数LLM都具备这些特征，并广泛被称为GPT。而所谓的生成式预训练，其实是机器学习领域一个由来已久的概念。但是，直到2017年Google推出了Transformer模型，我们才见到了如BERT（2018年发布）和XLNet（2019年发布）这样的大型语言模型的诞生。这些模型都是基于预训练的转换器，但它们并不是为生成文本而设计，而是作为“仅编码器”使用。2018年，OpenAI发表了一篇名为《通过生成式预训练提高语言理解能力》的文章，首次介绍了基于转换器的生成式预训练模型（GPT）系统，即我们所说的“GPT-1”。[heading1]问题六、大模型是什么东西？[content]所谓的大模型，简而言之，就是那些拥有庞大参数数量的模型。它们通过处理和理解海量数据，能够胜任一系列复杂的任务。那么，为何将这些模型称作“大”模型呢？原因在于它们的规模之大，通常包含从数十亿到数千亿的参数。这些庞大的参数集合赋予了模型强大的学习和记忆能力，使其在处理各种任务时表现出色。我们可以从两个方面来进一步解读大模型的特点：1.大模型之所以强大，一个重要原因在于它们庞大的参数数量。这些参数，或者说“权重”，是模型在学习过程中不断调整的核心，它们帮助模型更深入地理解和生成数据。2.大模型的训练离不开大量的数据。无论是文本、图像还是音频数据，都是大模型学习的基础。通过对这些数据的深入学习，模型能够掌握丰富的知识和技能。