粗略估算，我与GPT已经累计对话超过几十万字了，有写文章/论文/小说/诗歌、写游戏/网站代码、定营销方案、翻译、制定旅行计划、生成MidJourney prompt关键词等数十种不同的使用场景。
在这个过程中，我发现在不同任务下都各自有一些特殊的prompt结构可以帮我获得更好的结果。但同时，我也总结了结构化的且普适的7个技巧，基本上无论在什么需求场景下，通过这些技巧（设定角色、明确问题、提供背景信息等），都可以提升获得满意答案的几率。
1. 设定用户角色
让 GPT 了解你的角色可以使它为你提供更贴近你需求的答案，从而提高对话相关性和满意度。
正面案例: “我是一名软件工程师，请教你如何优化数据库性能？”
负面案例: “如何优化数据库性能？”
可能出现的问题: 答案可能不会针对软件工程师的技能和经验进行优化
2. 设定 ChatGPT 的角色
设定专业角色（如律师、医生、教练等）可以让 GPT 为你提供更具专业性的意见和建议。
正面案例: “作为一名营养师，你能推荐一些健康的零食吗？”
负面案例: “推荐一些健康的零食”
可能出现的问题: 答案可能缺乏专业角度和建议
3. 明确问题
尽量让问题更具体和明确，这样 GPT 可以为你提供更准确和相关的回答。
正面案例: “如何在 Python 中将字典转换为 JSON 字符串？”
负面案例: “如何处理字典？”
可能出现的问题: 答案可能包含与期望问题无关的信息
4. 提供背景信息
在提问时，提供一定的背景信息和上下文，可以帮助 GPT 更好地理解你的问题和需求。
正面案例: “我正在为初学者编写一篇 Python 教程，如何解释变量？”
负面案例: “如何解释变量？”
可能出现的问题: 答案可能不符合初学者的需求和理解水平
5. 采用开放式问题
尝试使用开放式问题来引导对话，这将鼓励 GPT 为你提供更丰富的信息和见解。
正面案例: “如何成为一名成功的企业家？”
负面案例: “成为企业家容易吗？”
可能出现的问题: 答案可能不会提供有关成功企业家所需的技能和策略
6. 分阶段提问
如果你有一个复杂的问题，可以先提一个简单的问题作为开端，然后逐步深入。
正面案例: “什么是机器学习？” -> “谈谈监督学习和非监督学习的区别”
负面案例: “机器学习是什么，监督学习和非监督学习的区别是什么？”
可能出现的问题: 答案可能在解释某一部分时显得仓促，导致理解不全面
7. 请求示例和解释
如果你对某个答案不太理解或需要更多信息，可以要求 GPT 提供具体示例或进一步解释。
正面案例: “能否提供一个 Python 中使用 for 循环的示例？”
负面案例: “什么是 for 循环？”
可能出现的问题: 答案可能缺乏具体示例，导致难以理解
通过遵循上述 7 个技巧，你可以更有效地与 GPT 交流，获得更满意的答案。
