ChatGPT架构师提示工程指南

人物/角色提示

人物/角色提示是一种用于为AI分配特定人物或角色的技术，指导AI提供更相关、特定于领域和上下文的响应。通过赋予AI角色或专业知识，用户可以更好的定制互动关系，聚焦对话内容。当寻求特定领域(如软件架构、市场营销或财务)建议或见解时，这种方法非常有用。当你想让AI承担特定角色或专业知识以提供更有针对性和更明智的回应时，可以使用人物/角色提示。

人物/角色提示源于人机交互和用户体验设计，在这些设计中，设计师创建用户角色从而与目标受众共情。这种方法同样适用于AI，特别是在会话代理和NLP中，并与GPT等模型一起发展。Li, Galley, Brockett, Gao和Dolan撰写过一篇相关论文<A Persona-Based Neural Conversation Model^[2]>，该模型提出了基于角色的神经对话模型，用于生成更有吸引力和多样化的响应。

下面是一些例子:

假设你是微服务架构方面的专家，提供在大规模应用程序中设计和实现微服务的最佳实践。
假设你是安全专家，提供保护基于云的应用程序和保护敏感数据的建议。
假设你的角色是DevOps顾问，提供实现CI/CD流水线和改进部署流程的策略建议。
把自己想象成软件性能工程师，提供优化应用程序性能和减少延迟的技术建议。
想象一下数据库架构师的样子，解释不同数据库技术之间的利弊，并指导如何为特定用例选择最佳解决方案。

思维链(CoT，Chain of Thought)提示

思维链(CoT，Chain of Thought)提示是一种引导AI解释其反应背后的原因，从而提高决策过程透明度的技术。通过让AI描述影响其结论的因素，用户可以深入了解其思维过程，从而更好的评估和信任AI的建议。在复杂的决策场景中，理解AI的基本原理至关重要，当你需要AI澄清思维过程，或者当你想要更深入了解其决策所考虑的因素时，使用CoT提示。

CoT提示与可解释人工智能(Explainable AI, XAI)领域密切相关，XAI旨在使AI模型更加透明和可理解。Gunning的论文<Explainable Artificial Intelligence(XAI)^[3]>讨论了XAI项目的发展和目标，Miller的论文<Explanation in artificial intelligence: Insights from the social sciences^[4]>从多学科角度探讨了AI中的解释概念。

解释你为这个项目推荐特定云供应商的过程，以及考虑因素。
介绍一下你是如何为这个应用程序评估不同编程语言，以及选择最合适语言的标准。
详细介绍为这个高流量web应用确定最有效的负载均衡策略所采取的步骤。
概述选择特定容器编排平台来管理和扩展应用程序的原因。
阐明如何确定最合适的API设计方法以及在决策过程中考虑的利弊。

逐步/指令提示

逐步/指令提示是一种将复杂任务或过程分解成更小、更易于管理的步骤的方法。通过要求AI提供分步指令或指导，用户可以更好的理解并遵循所需步骤以实现特定目标。这种方法在处理复杂任务时很有帮助，例如在软件开发中采用新技术、配置系统或实现特定功能。当你需要详细指导或系统方法来完成复杂任务时，使用逐步/指令提示。

在Schank和Abelson的<Scripts, Plans, Goals, and Understanding: An Inquiry into Human Knowledge Structures^[5]>一书中探讨了将知识表示为程序的概念，从而影响了AI中逐步提示的发展。

提供在云供应商上设置Kubernetes集群的分步说明。
描述使用Jenkins或GitLab CI/CD等流行工具配置CI/CD流水线的过程。
概述在web应用中实现OAuth 2.0身份验证的步骤。
解释如何使用AWS Lambda和API网关创建和部署无服务功能。
详细介绍将现有单体应用迁移为微服务架构的过程。

目标导向提示

目标导向提示是一种专注于引导AI实现特定目标或解决特定问题的技术。通过在提示中说明期望的结果或目标，AI被鼓励生成解决方案或策略来帮助用户实现目标。在用户需要解决挑战、克服障碍或确定实现目标的有效方法的情况下，目标导向提示非常有用。当你希望AI专注于解决问题或提供策略以达到特定结果时，可以使用目标导向的提示。

Russell和Norvig在<Artificial Intelligence: A Modern Approach^[6]>一书中概述了基于目标的代理及其解决问题的能力。Laird、Newell和Rosenbloom的论文<Soar: An Architecture for General Intelligence^[7]>讨论了智能代理的Soar架构，强调了目标驱动的行为。

确定在数据库迁移期间最小化停机时间的最有效方法。
确定扩展web应用以处理用户流量激增的最佳方法。
找到降低分布式系统管理多个微服务的复杂性的解决方案。
制定将遗留系统与现代基于云的服务集成的策略。

探索性/问题驱动提示

探索性/问题驱动型提示向AI提出开放式问题，以鼓励对特定主题进行更深入的理解或探索。通过向AI提出问题，用户可以进行更具互动性的苏格拉底式对话，发现见解，并从AI的回答中学习。当用户想要探索不同视角、收集更多信息或分析各种方法之间的利弊时，这种方法非常有用。当你想让AI提供全面见解，探索不同领域时，可以使用探索性/问题驱动的提示。

Graesser, Person和Harter的论文<[Teaching tactics and dialogue in AutoTutor]>介绍了一种基于问题驱动方法来增强学习效果的AI辅助系统。

将本地应用迁移到云环境的主要挑战是什么?如何解决这些挑战?
Istio或Linkerd这样的服务网格对基于微服务的应用有何好处?
在为分布式系统选择消息代理时应该考虑哪些因素?为什么考虑这些因素?
如何有效管理API版本以最小化中断并保持向后兼容?
哪些场景使用NoSQL数据库比传统关系数据库更有利?有什么潜在缺点?