我們人類和ChatGPT的對話技巧也是需要學習的，有鑑於此，我想要一天分享一點「和ChatGPT對話的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
加州理工學院噴射推進實驗室的 David Van Buren 深入研究了大型語言模型 (LLM) 在模擬專家角色和執行複雜認知任務方面的潛力，他的工作表明，LLM 在適當的 Prompt 下可以複製訓練資料中發現的人物角色的行為，透過創建由這些模擬角色組成的團隊，並透過上下文和 Prompt 來指導他們，LLM 可以透過場景來引導，從而得出專家般的行為並執行有意義的認知任務。
David Van Buren 強調了專家角色在引發 LLM 專家回應方面的力量，諸如 “您是專家......” 或 “充當......” 之類的 Prompt 可以顯著提高 LLM 的回答品質，他也強調了 LLM 產生可信對話的潛力，這可用於提高各種基準的表現。
David Van Buren 研究的主要收穫是 LLM 尚未開發的巨大潛力，LLM 在訓練期間編碼的行為代表了重要的認知資源，可以利用它來執行有用的認知任務，他提出，透過對 LLM 進行有關特定個人行為的培訓，我們可以組建和部署模擬角色的專家團隊作為認知助手來執行廣泛的智力工作，他認為，這種方法具有無限擴展的潛力。
以下是 David Van Buren 研究中使用的一些簡化的 Prompt 範例：
- 想像 Richard Feynman 和 Elly Noether 討論最近一篇關於 “光頻率下的雙縫時間繞射” 的論文，Richard Feynman 首先建議他們寫下不同時間穿過狹縫的光子的波函數
- Elly Noether 建議，由於繞射是在時間維度上的，因此他們應該考慮頻率內容
- Elly Noether 指出，Richard Feynman 沒有對他的方程式進行編號，並且在從波函數到機率的過程中似乎犯了一個錯誤
- Elly Noether 建議在時頻域上繪製此圖，以查看不同延遲的頻率內容
- Elly Noether 建議 Richard Feynman 更熟悉電腦程式，應該編寫 Python 程式碼
