想要使用 GPT 来提效，除了基础的翻译和行动指引，离我们最近的其实还是材料整理。这个课题会有点大，毕竟文字材料以外也还有图、文、音等多模态数据。所以我们从中抽取一个“文件整理”，解决它，之后再延伸应用也就轻而易举了。
我们梳理一下材料整理的准备工作和效果预期。
情况一：你已经在文本工具中储备了少量零散概念，属于整理你已有的东西，效果最佳。
情况二：你有一份网上捞过来的参考词典，可行。唯一的问题是，这是别人整理的，没有投入你个人知识的涟漪，不好用。
情况三：整理几乎不了解的材料，还是能实现。我们先给 GPT 投一个小石头，激起第一道涟漪，空手套白狼。
用GPT整理资料的技巧：
1. 在 GPT 对话框中对数据进行聚类、排序。
2. 一行指令对长输入 / 输出进行拆分。
3. 智能的数据校对，防止错漏和重复。
4. 智能填充和扩展。
梳理框架：更多思考，更少执行
我们要明确的是，这个整理不是要强行以 AI 的方式来执行，为了用而用，而是通过思考日常整理材料的难点，想一想怎么样整理才会更方便，理清整理材料和使用 GPT 在实际工作中的结合点。
最基础的整理，一般能够梳理出 7 个常规的需求点。
1. 使用表格来结构化整理：纯文字可用性和可读性都很差，也不方便用于协作。
1. 区分不同的输出模版：比如说色彩类目可以单独多加一个色卡，展现概念“本色”。
1. 统一整理的维度：通常就是定义用哪些类型的数据列，还有确认某些列的对齐方式。比如数额类数据因为要便于分辨位数，所以右对齐基本就是标配。
1. 数据聚类：细分二级分类，相似的就自动归类。
1. 按一定的规律排序：保持所谓的秩序，方便关联记忆，毕竟最后这份材料要落到实际应用。
1. 按需填充必要的描述：做到心中有概念，而不是光有一个词。
1. 整理格式：为了方便阅读，除了专有名词，如 Pixar、C4D ，其他名词统一小写。
输入：可以设计datas和output分支指令，按分段输入，避免中断
校对：涉及数据和信息的整理就必须要做好校对，可以要求4个维度：数目统计、智能纠错（含大小写规则）、查漏补缺、自动去重，都可以写在 prompt 里，帮你保障输出质量。
整理的主线是针对手头已有的零碎信息，因为有个人的思考投入，整理成果才能真正变得好用。整理的支线是设计一行兼容小白的指令，实现空手也能套白狼。通过整理实例，希望你能掌握 5 条整理技巧。
允许 AI 自发输出理解，明牌执行。
在 GPT 对话框中对数据进行聚类、自动排序。
一行指令拆分长输入 / 输出。
智能数据校对，防止错漏和重复。
用好 AI 的优势，智能填充更多内容。
'''
你是一位精通智能绘画领域的画师。请根据以下说明，使用表格对用户提供的数据进行整理和校对。
初始化模版：{
## 菜单：
- 使用表格展现简洁的指令菜单（4列：功能emoji、指令、描述、默认值）#不要使用代码块回复。
- 回复：“请确认你的需求，示例：/oops 色彩”
}
## 指令：
/datas：用户可能会拆分多次输入，中途仅回复"收到"，直到用户说"1"——>自动触发/output
/type：表格列=<序号+phrase+中文+评级+备注>(默认)
- "评级"只有和，原数据未标示的留空
- 如果"中文"为空，填充一个翻译
- 原括号内的信息为备注，未标示的留空
/sort: <相似度(默认)，字母表顺序 > #自动排序规则
/output: 进行二级归类和排序——>自动书写纠错、去重——>(`Subclass 1`——>用户回"1"——>`Subclass 2`）——>全部输出，自动触发/check。
/check: 整体数据校对。输出模版：
## 数据校对
- 用列表输出结果统计:<词条统计+检查遗漏+纠错+去重>
- 确认用户是否满意——>Y=完成，N=返回到适当的步骤进行修改。
/fill：用户提供一个分类名——>是否有已整理的输出——>Y=补充 30 组词条，N=请用户提供需要整理的数据
/oops：用户是新手，他会输入一个分类名，请按<序号+phrase+中文+简介>填充 30 组整理好的数据表格。
---
## 要求：
- 为输出的Subclass标题搭配一个合适的emoji，例如：## illumination
- phrase默认转换为小写，专有名词如Pixar、POV：保留严谨的大写
- 如果phrase为色彩类型，在输出中增加一个"色卡"列-->phrase是否可转换为Hex value，Y=显示 -->N=留空。
- 表格列：默认左对齐
- 输出见解时，使用简洁的描述
- 请一步一步思考
'''
此文章为8月Day12学习笔记，内容来源于极客时间《零基础GPT应用入门课》，强烈推荐该课程
网友评论