1. 明确问题核心
-
精准关键词:直接点明需求,避免模糊表述。
示例:
❌ “如何优化网站?”
✅ “如何通过减少首屏加载时间优化电商网站的SEO排名?” -
分步提问:复杂问题拆解为逻辑链。
示例:
① “什么是Transformer模型?”
② “它在自然语言处理中的优势有哪些?”
③ “如何用PyTorch实现一个基础的Transformer?”
背景关联:提供问题场景或前置条件。
明确需求类型:说明回答用途(学术/商业/实操)。
列表式提问:多维度需求清晰罗列。
事务处理性能
JSON数据支持
分布式架构扩展成本”
模板化指令:规范输出格式。
错误诊断:提供完整代码段与报错信息。
参数调优:限定条件获取可行方案。
假设验证:通过反事实推理挖掘逻辑。
边界追问:明确模型能力范围。
跨模态关联:结合文本与数据/图表(如支持)。
精准纠偏:针对性地指出问题并请求修正。
学术研究:
商业决策:
编程开发:
避免过度开放:如“如何成功?”应转为“初创企业如何通过精益创业方法验证商业模式?”
伦理边界:不请求生成虚假信息、攻击性内容或违反版权的内容。
时效性确认:对时间敏感问题注明需求,如“截至2023年Q3的最新数据”。
2. 补充上下文
示例:
❌ “推荐一款数据库。”
✅ “我需要为日均百万级数据量的物联网平台选型数据库,要求高并发写入和实时查询,请推荐方案并说明原因。”
示例:
“我正在撰写关于碳中和的论文,需要近三年中国新能源政策的权威数据来源。”
3. 结构化表达
示例:
“请对比MySQL和PostgreSQL的以下方面:
示例:
“用Markdown表格总结Python与R在数据清洗中的常用库及适用场景。”
4. 技术问题优化
示例:
“运行以下TensorFlow代码时出现‘维度不匹配’错误:
示例:
“我的神经网络在验证集上过拟合,当前学习率0.001,批量大小64,请提供3种改进方案并说明优先级。”
5. 深度交互技巧
示例:
“如果锂电池能量密度提高至500Wh/kg,会对新能源汽车行业产生哪些颠覆性影响?”
示例:
“DeepSeek当前支持的代码生成语言有哪些?能否生成符合HIPAA合规标准的医疗数据处理脚本?”
6. 多模态协同
示例:
“分析附件CSV文件中近三个月销售数据的趋势,并用Python绘制预测图表。”
7. 反馈修正机制
示例:
“关于你提到的‘区块链不可篡改’,实际上51%攻击可能导致链重组,请补充说明该技术的局限性。”
经典场景应用
“检索2020年后关于‘AI伦理’的英文核心期刊论文,归纳三大争议焦点并标注参考文献DOI。”
“基于波特五力模型,分析中国智能家居市场现状,输出SWOT分析框架。”
“用React实现一个动态表单生成器,要求支持字段级校验和异步提交,给出关键代码片段并解释设计思路。”
注意事项