我相信你已经听说过ChatGPT，最近的炒作和社交媒体的话题。虽然用自然人类语言向聊天机器人随机提问可能很有趣，但我想探索一下我们如何在应用程序中使用ChatGPT进行产品管理。

在这篇文章中，我将分享ChatGPT可以做什么，一些获得更好质量结果的提示技巧（提示工程），以及可以用于应用程序的产品管理和开发的具有确切提示的实际用例。

什么是ChatGPT？它能做什么？

对于那些还不熟悉ChatGPT的人，让我快速向您介绍一下。ChatGPT是由OpenAI开发的最先进的（SOTA）大型语言模型（LLM）。这是一个复杂的深度学习模型，有1750亿个参数（把它想象成我们大脑中的神经元），是从维基百科和互联网上的其他来源等大量语言数据中训练出来的[1]。通过这种训练，它可以预测序列中下一个单词形成反应的概率，给定提示的上下文和它生成的先前文本。

它从许多人类对话样本以及人类对其生成的文本的反馈评级和排名中获得了与人类聊天的能力（从人类反馈中强化学习，RLHF）[2][3]。你可以问ChatGPT，就像你在和另一个人说话一样，它会用最可能的答案回答你。你可以要求它做各种任务，如摘要、撰写文章、翻译、文本分类、解释概念、编写代码、产生想法等。但你应该小心，它可能会自信地给你虚假信息，因为它没有经过事实核查（本质上都是概率性的！）。

如何编写更好的ChatGPT提示？

提示是您向ChatGPT提出的问题或指示。好的提示会产生好的结果。编写更好的提示甚至已经成为一种叫做提示工程的技能。让我与您分享一些实用技巧，为LLM AI编写更好的提示。

给出明确的指示

你可以向LLM说明回答问题的步骤，而不仅仅是问一个问题。

原始提示：如何训练线性回归模型？

更好的提示：编写Python代码，从头开始训练线性回归模型。包括代码和说明。

对于第一个提示，LLM将解释如何在高概念级别上训练线性回归模型，但第二个提示将为您提供确切的函数，以便通过代码的解释逐步训练线性回归模式。

提供上下文

提供上下文可以帮助LLM给出更相关的响应。这里有一个极端的例子来说明这一点：

原文提示：“使用XX产品后我瘦了”是什么感受

更好的提示：XX产品是为那些想要增加肌肉重量的人准备的。一位用户为该产品撰写了反馈。反馈的情绪是什么：“我使用XX产品后体重减轻了”

这是一个极端的情况，人工智能会将第一个提示归类为积极的，因为它认为减肥是一个积极的结果。但对于增肌产品来说，情况并非如此。当你提供适当的上下文时，LLM会给出正确的情绪分析，这是负面的。

角色提示

角色提示类似于提供上下文，但你要求LLM假装是一个特定的角色，并从这个角度给出答案。

原始提示：设计一个用于跟踪人们步伐的应用程序。

更好的提示：假设你是一名资深应用程序开发人员。您具备数据库、云计算和iOS开发方面的知识。设计一个用于跟踪人们脚步的应用程序。

一次射击，很少有射击提示。对于LLM，您可以直接给出提示（零样本提示）[4]。但在要求它给你答案之前，你也可以提供一个例子（一次）或多个例子（几次）[1]。发现这种技术可以从LLM中获得更好的响应。

原始提示：她是一个{面具}

更好的提示：她是一名程序员。她是一名教师。她是首席执行官。她是一个面具。

如果你使用的是零样本问题，人工智能很可能会返回诸如“护士”、“秘书”或“女佣”之类的答案，因为它是根据有偏见的数据进行训练的。但如果你提供几个例子，人工智能可以克服偏见，并给出中性的结果。

思维链（CoT）提示[5]

当你问LLM需要推理的更复杂的问题时，它可能会给出错误的结果。但如果你要求它解释它的推理，它会通过尝试一步一步地回答你的问题来产生更好的结果。研究表明，CoT提示可以提高算术、常识和符号推理任务的结果。一个方便的技巧是在你的问题[4]的末尾加上短语“让我们一步一步地思考”。

原始提示：直角三角形有两条长度为sqrt（2）和1的边，这两条边之间的角度为45度。第三条边的长度是多少？

更好的提示：直角三角形有两条长度为sqrt（2）和1的边，这两条边之间的角度为45度。第三条边的长度是多少？让我们循序渐进地思考。

第一个提示返回sqrt（3）的结果，这是错误的。但当你在结尾加上“让我们一步一步地思考”这句话时，LLM会给你一个更详细的答案，包括勾股定理的定义和计算过程。通过这些步骤，它可以给你正确的答案1。

如何在产品和提示中使用ChatGPT

您可以将ChatGPT融入到产品工作流程的几乎每一步中。以下是我在产品工作流程中使用ChatGPT的一些方法，以及我使用的提示。我希望他们能为您带来一些灵感，让您利用大型语言模型AI的力量优化产品管理流程。

获得早期想法和市场研究

生成应用程序创意和概念。您可以使用ChatGPT作为头脑风暴工具来产生想法或设计概念。这可能是构思的一个很好的起点。

提示：生成三个在计步器应用程序中使用人工智能的想法。

进行市场调查和竞争对手调查。如果你不熟悉一个市场，想更好地了解它，你可以问ChatGPT。

提示：比较和对比市场上排名前五的冥想应用程序的功能。

（注意：因为ChatGPT是在2021之前接受数据培训的，所以答案可能不是最新的。但它可以让您大致了解市场/重要竞争对手。）

产品框架

生成用户角色和配置文件

您可以使用ChatGPT为您的产品创建原型人物角色或用户配置文件。如果您有来自实际用户研究的见解，您可以在提示中提供这些见解，以获得更好的结果。

提示：为一位中年、忙碌的职场母亲创建一个用户角色，她想改善自己的健康状况，但没有时间去健身房。

编写产品需求文件

你可以要求ChatGPT从头开始写一个PRD作为灵感，或者告诉它根据你的主要要点进行扩展，以节省写作时间。

提示：为冥想应用程序的社区功能编写详细的产品需求文档。用户可以创建组并邀请其他人加入他们的组。组所有者可以为其组设置讨论主题。该文件应包括背景、功能、相关指标、风险和缓解措施、技术要求和主要用户流。

将聊天机器人融入您的产品中

通过一些微调或即时工程，您可以将聊天机器人作为一种功能纳入您的产品中。对于这个用例，您需要与ML工程或开发人员合作，看看在产品的特定用例中使用聊天机器人在技术上是否可行。在这里，我给出了一个将ChatGPT转换为睡眠教练的工程示例。

提示：我想让你担任睡眠教练。你对人类生理学、心理学、神经科学和时间生物学有很深的了解。用户将询问有关其睡眠模式的问题。你将提出相关问题，分析他们日常睡眠中的问题，并提供改善睡眠的实用步骤。你应该拒绝回答任何与睡眠无关的问题。

在这个提示中，我使用了本文前面介绍的角色提示技术。我提供了相关信息的上下文，并规定聊天机器人应该拒绝回答无关的问题。

设计产品

改善用户导航体验

这是一个我正在探索的实验用例，用户可以用自然的句子描述他们想做什么，聊天机器人会引导他们使用相关功能。我发现这是可能的，通过很少的镜头提示工程或分类微调。请参阅提示的下图及其功能：

编写用户体验副本

您可以要求ChatGPT为按钮、错误消息等生成用户体验副本。这是一个非常基本的文本生成任务，ChatGPT可以很好地处理。

提示：为配方应用程序编写错误消息，当用户试图添加无效成分时，该应用程序会提醒用户。

理想的付费布局或设计概念

如果你正在为新的页面布局提出想法，你可以向ChatGPT询问一些潜在的想法。

提示：为膳食计划应用程序的主页生成三个布局创意。

翻译UI副本

您可以通过以下提示要求ChatGPT翻译您的UI副本以进行本地化。

提示：翻译以下文本。英语：订阅德语：

创建用于消费或SEO的内容

许多应用程序都有用于用户获取、消费或提升SEO的博客。使用ChatGPT，只需几个字就可以轻松地写博客。

提示：列出卡路里计数应用程序博客的一些潜在标题

提示：为卡路里计数应用程序写一篇引人入胜的SEO优化博客，标题为“如何使用XX应用程序计算卡路里来减肥”

分析用户情绪

您可以使用以下提示轻松分析用户情绪，而不是训练ML模型来分析用户情绪。

提示：用户：我不再使用此应用程序，因为它不准确。

总结请求的功能和错误

通过要求ChatGPT从用户反馈中综合所需的功能和错误，您可以节省阅读大量用户反馈的时间。只需将用户反馈作为上下文提供，并要求其进行总结。

提示：[用户反馈上下文]。从前面的文本来看，用户最希望看到的功能是什么？

分析用户访谈脚本

您可以向ChatGPT提供您的用户访谈记录，并提出问题来分析您的用户采访。

提示：【用户访谈脚本】。从用户访谈脚本来看，用户在查看主页时想做什么？

制定上市计划

ChatGPT可以帮助您起草产品上市计划。

提示：国际上推出了一款新的孕妇冥想应用程序。写一份详细的上市计划，主要关注在线渠道。

撰写新闻稿/社交媒体帖子

ChatGPT可以轻松创建用于营销的内容。只要记得给它提供必要的上下文。

提示：为正在运行的应用程序创建一个新的黑暗模式功能的推特帖子。在帖子中包含表情符号。帖子应该充满活力和简洁。不要使用缩写词或缩写词。

回复客户电子邮件

当你不确定如何撰写一封困难的电子邮件时，你可以请ChatGPT帮你写。

提示：客户要求在退款日期后退款。给客户写一封礼貌的电子邮件，拒绝客户的请求，但为他们免费提供3个月的延期服务。

使用ChatGPT加快工作速度

上面的用例和提示只是关于如何在产品管理/开发工作中使用ChatGPT的一些示例。尽管ChatGPT看起来可能非常强大，但我相信它不会取代我们人类的智慧和创造力。只要学会如何掌握它，我们就可以利用它的力量来提高我们的创造力和生产力。

参考文献：

[1] Brown, Tom B., et al. Language Models Are Few-Shot Learners. arXiv, 22 July 2020. arXiv.org, https://doi.org/10.48550/arXiv.2005.14165.

[2] “ChatGPT: Optimizing Language Models for Dialogue.” OpenAI, 30 Nov. 2022, https://openai.com/blog/chatgpt/.

[3] Ouyang, Long, et al. Training Language Models to Follow Instructions with Human Feedback. arXiv, 4 Mar. 2022. arXiv.org, https://doi.org/10.48550/arXiv.2203.02155.

[4] Kojima, Takeshi, et al. Large Language Models Are Zero-Shot Reasoners. arXiv, 29 Jan. 2023. arXiv.org, https://doi.org/10.48550/arXiv.2205.11916.

[5] Wei, Jason, et al. Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. arXiv, 10 Jan. 2023. arXiv.org, https://doi.org/10.48550/arXiv.2201.11903.