A OpenAI relançou a série GPT4.1 ontem à noite, veja os detalhes:https://openai.com/index/gpt-4-1/
Basta concentrar-se nestes pontos:
- O GPT4.1 substitui o 4o, que é barato e fácil de usar (dentro do sistema OpenAI)
- 1M contexto super longo e excelente desempenho, 4.1 nano e mini são super baratos e bons para tarefas de texto longas com volume elevado
- O GPT 4.1 tem capacidades de código superiores ao GPT 4.5, mas não tão boas como os modelos de inferência como o1
Versão de Interpretação Popular do Guia de Dicas GPT-4
🧱 I. Princípios fundamentais para escrever boas sugestões (5 dicas principais)
Estas são como que as regras de ouro da comunicação com a IA, e cada uma delas é importante:
1. Diga-me exatamente o que está a fazer.(ser específico)
- Não generalize: "Por favor, ajude-me a escrever um ensaio".
- Para ser mais específico: "Escreva um ensaio de 500 palavras sobre a forma como a inteligência artificial está a mudar a educação, numa linguagem que um estudante do ensino secundário possa compreender".
Quanto mais específico for, mais a IA sabe o que pretende e melhores são os resultados.
2. Dizer-lhe o que fazer e qual o seu aspeto(Fornecer estrutura)
- Digamos que pretende gerar uma tabela, lista ou texto de formato fixo.
- Pode começar por fornecer um modelo ou dar um exemplo.
🧩 Exemplo:
Escreve cinco frutos no seguinte formato:Nome | Cor | Sabor
Maçã | Vermelho | Doce e Ácido3. Não seja ambíguo.(Evitar ambiguidades)
- Se disser "listar alguns projectos", então "projectos" pode significar "projectos de programas" ou "projectos de software". "O modelo ficará confuso.
- Por isso, seja específico no que está a dizer.
✅ Ler: "Enumerar cinco projectos Python de código aberto."
4. Deixar o GPT desempenhar um papel(Definir comportamento/função)
- Podemos dizer-lhe: "Agora és professor de inglês", "És consultor jurídico", "És médico".
- Ele responder-lhe-á nessa qualidade.
EXEMPLO: Você é um nutricionista profissional, por favor crie um plano de alimentação saudável para mim durante uma semana.
5. Dividir a tarefa.(Decompor tarefas)
- Algumas questões são demasiado complexas para serem tratadas de uma só vez pelo GPT.
- Pode deixá-lo analisar o problema antes de o resolver.
Um exemplo:
Passo 1: Comece por enumerar os pontos necessários para escrever um plano de negócios. Passo 2: Ajude-me a escrever um plano com base nestes pontos.
II. Sugestões práticas (utilizações mais fortes e mais avançadas)
Estas são ainda mais utilizações fantásticas do GPT para o ajudar a escrever de forma mais precisa e inteligente.
Técnica 1: Instruções de curta duração (ensinar pelo exemplo)
Pode dar alguns exemplos primeiro e ele saberá o tipo de saída que pretende.
📌 Exemplo:
Entrada: Estou feliz hoje. Output: humor: positivo, razão: aconteceram coisas felizes.
Input: Sinto-me tão stressado. OUTPUT: Humor: Negativo, Razão: Sinto-me incomodado pelo stress.Depois, escreve-se uma nova frase e ela segue esse estilo.
🧠 Dica #2: Cadeia de pensamento
Guiá-lo para o "pensamento passo a passo" é particularmente eficaz na resolução de problemas complexos!
Sugestão para escrever: raciocina passo a passo sobre a resposta a esta questão de matemática.✍️ Sugestão 3: Escreva primeiro a sua resposta, depois verifique e reveja (Critique & Revise)
Pode pedir ao GPT que escreva uma resposta e, depois, que a critique e reveja por si próprio.
Um exemplo: passo 1: por favor, escreva um conto. Passo 2: por favor, comente este romance e reveja-o numa versão mais excitante.O resultado será uma produção de maior qualidade!
Dica 4: Modelar o "processo de pensamento" (monólogo interno)
É possível fazer com que o GPT pense e fale como se estivesse a analisar o problema.
EXEMPLO: É-lhe pedido que simule o processo de pensamento de um advogado, analisando o caso passo a passo e tirando conclusões.É adequado para perguntas de tipo analítico e de tomada de decisões.
III. Conselhos de aplicação prática (os pormenores fazem a diferença)
- Acrescentar a frase "vamos pensar passo a passo" pode melhorar drasticamente a precisão.
- Quer JSON, tabelas, código? Não se esqueça de indicar o formato e de dar um exemplo.
- Pretende indicar vários passos? Adicione um número, como por exemplo "Passo 1... Passo 2..."
- Se a resposta do modelo não for satisfatória, oExperimente mais algumas formas de reescrever os avisos.
Em poucas palavras.
"Prompts bem escritos e desempenho explosivo do GPT!" ✨
Este guia tem como objetivo ensinar-te: qual o tom, formato, estrutura e conjunto de palavras a utilizar para falar com o teu GPT, de modo a que este te possa dar respostas da melhor qualidade.
Aqui está o guia de engenharia completo para as suas dicas GPT-4.1
Original em inglês:Guia de Prompting do GPT 4.1 | Livro de Receitas do OpenAI
Tradução: A família de modelos GPT-4.1 oferece melhorias significativas em relação ao GPT-4o em termos de codificação, aderência de instruções e capacidades de tratamento de contexto longo. Este guia de dicas compila as principais dicas de extensos testes internos para ajudar os desenvolvedores a tirar o máximo proveito das melhorias nesta nova família de modelos.
Muitas das melhores práticas típicas de sugestões ainda se aplicam ao GPT-4.1, tais como fornecer exemplos contextuais, formular instruções tão explícitas e claras quanto possível e orientar o modelo através do planeamento com sugestões para maximizar a inteligência do modelo. No entanto, pode ser necessária alguma migração de dicas para realizar todo o potencial do modelo. Em comparação com o modelo anterior, o GPT-4.1 foi treinado com um maior enfoque no cumprimento rigoroso das instruções e numa compreensão mais literal dos sinais do utilizador e do sistema, em vez de inferir livremente as intenções. Isto também significa que o GPT-4.1 é altamente controlável e reativo a sinais explicitamente especificados - se o comportamento do modelo não for o esperado, uma frase firme e explícita é normalmente tudo o que é necessário para conduzir o modelo de volta ao caminho certo.
Continue a ler os seguintes exemplos de dicas para referência e tenha em mente que, embora as recomendações deste guia tenham uma ampla aplicabilidade, nenhuma delas é universal. A engenharia de inteligência artificial é inerentemente uma disciplina empírica e os modelos de linguagem de grande dimensão são inerentemente não determinísticos; para além de seguir este guia, recomendamos a construção de avaliações informativas e a iteração frequente para garantir que as alterações à engenharia de dicas resultam em benefícios tangíveis para o seu caso de utilização.
1. fluxo de trabalho proxy
O GPT-4.1 é uma excelente escolha para a criação de fluxos de trabalho de agentes. No treino de modelos, damos ênfase ao fornecimento de diversos caminhos de resolução de problemas de agentes, e a nossa estrutura de agentes atinge um desempenho líder no SWE-bench Verified para modelos sem inferência, resolvendo o problema 55%.
Lembrete de dicas do sistema
Para tirar o máximo proveito dos recursos de agente do GPT-4.1, recomendamos que os três lembretes principais a seguir sejam incluídos em todos os prompts de agente. Estes avisos são optimizados para fluxos de trabalho de codificação de agentes, mas podem ser facilmente modificados para se adequarem a casos de utilização de agentes genéricos.
durabilidadeAssegurar que o modelo compreende que está no meio de uma ronda de várias mensagens para evitar que o controlo seja devolvido ao utilizador prematuramente.
Exemplo: É um agente - por favor, continue até que a questão do utilizador esteja completamente resolvida, antes de terminar a sua vez e ceder a vez ao utilizador. Só termine a sua vez quando tiver a certeza de que o problema está resolvido.Chamada de ferramentaIncentivar os modelos a utilizarem plenamente as suas ferramentas e reduzir a probabilidade de alucinarem ou adivinharem as respostas.
Exemplo：Se não tiver a certeza sobre o conteúdo do ficheiro ou sobre a estrutura da base de código pertencente ao pedido do utilizador, utilize as suas ferramentas para ler os ficheiros e recolher a Se não tiver a certeza sobre o conteúdo do ficheiro ou sobre a estrutura da base de código referente ao pedido do utilizador, utilize as suas ferramentas para ler os ficheiros e recolher as informações relevantes: NÃO adivinhe ou invente uma resposta.Planeamento (opcional)Se necessário, forçar o modelo a planear explicitamente e a refletir no texto antes de cada chamada de ferramenta, em vez de se limitar a completar a tarefa através de uma série de chamadas de ferramenta.
Exemplo: DEVE planear exaustivamente antes de cada chamada de função e refletir exaustivamente sobre os resultados das chamadas de função anteriores. NÃO faça todo este processo fazendo apenas chamadas de função, pois isso pode prejudicar a sua capacidade de resolver o problema e de pensar de forma perspicaz. Não faça todo este processo apenas através de chamadas de função, pois isso pode prejudicar a sua capacidade de resolver o problema e de pensar de forma perspicaz.O GPT-4.1 foi treinado no ambiente do agente para seguir de perto as instruções do utilizador e os avisos do sistema. A adesão estrita do modelo a estes três comandos simples melhorou a nossa pontuação interna do SWE-bench Verified em quase 20% - por isso, recomendamos vivamente a inclusão de lembretes claros que abranjam as três categorias no início de qualquer solicitação do agente. No geral, esses três comandos transformaram o modelo de um estado semelhante a um chatbot em um agente mais "proativo" que conduz as interações de forma autônoma e independente.
Chamada de ferramenta
Em comparação com os modelos anteriores, o GPT-4.1 recebeu mais formação na utilização de ferramentas passadas através de pedidos da API OpenAI. Encorajamos os programadores a passar ferramentas utilizando apenas o campo de ferramentas, em vez de injetar manualmente descrições de ferramentas em hints e escrever parsers separados para chamadas de ferramentas (como alguns programadores fizeram no passado). Esta é a melhor forma de reduzir os erros e garantir que o modelo permanece distribuído pelo caminho da chamada da ferramenta - nas nossas próprias experiências, a utilização de descrições de ferramentas analisadas pela API melhorou as taxas de aprovação do SWE-bench Verified em 2% em comparação com a injeção manual de padrões nas dicas do sistema.
Os programadores devem dar um nome à ferramenta que indique claramente o seu objetivo e acrescentar uma descrição clara e pormenorizada no campo Descrição da ferramenta. Do mesmo modo, para cada parâmetro da ferramenta, confie numa boa nomeação e descrição para garantir uma utilização correta. Se a sua ferramenta for particularmente complexa e pretender fornecer um exemplo de utilização da ferramenta, recomendamos a criação de uma solicitação do sistema para a ferramenta. # Exemplos e coloque os exemplos nessa secção, em vez de os adicionar ao campo "Descrição", que deve ser detalhado mas relativamente conciso. A apresentação de exemplos ajuda a indicar quando utilizar a ferramenta, se deve incluir o texto do utilizador na chamada da ferramenta e os parâmetros adequados para diferentes entradas. Lembre-se de que pode utilizar "Gerar qualquer coisa" no Prompt Playground para obter um bom ponto de partida para a definição da sua nova ferramenta.
Planeamento guiado por pistas e cadeia de pensamento
Como mencionado anteriormente, em vez de chamar silenciosa e continuamente as ferramentas, os programadores podem optar por solicitar aos agentes construídos no GPT-4.1 que planeiem e reflictam entre chamadas de ferramentas. O GPT-4.1 não é um modelo de raciocínio - o que significa que não gera uma cadeia interna de pensamento antes de responder. O GPT-4.1 não é um modelo de raciocínio - o que significa que não gera uma cadeia interna de pensamento antes de responder - mas nos prompts, o programador pode induzir o modelo a gerar um plano explícito, passo a passo, utilizando qualquer variante da componente Prompts de Planeamento descrita acima. Isto pode ser visto como o modelo a "pensar em voz alta". Nas nossas experiências com a tarefa de agente verificado do SWE-bench, a indução do planeamento explícito aumentou a taxa de aprovação em 4%.
Exemplo de dica: SWE-bench Verificado
Abaixo estão os avisos de agente que utilizámos para obter a pontuação mais elevada no SWE-bench Verified, contendo instruções detalhadas sobre o fluxo de trabalho e as estratégias de resolução de problemas. Este modelo genérico pode ser utilizado para qualquer tarefa de agente.
SYS_PROMPT_SWEBENCH = """
Ser-lhe-á pedido que corrija um problema de um repositório de código aberto.
O seu raciocínio deve ser exaustivo, pelo que não há problema se for muito longo. Pode pensar passo a passo antes e depois de cada ação que decidir tomar.
DEVE iterar e continuar até o problema estar resolvido.
Já tens tudo o que precisas para resolver este problema na pasta /testbed, mesmo sem ligação à Internet. Quero que resolvas isto de forma autónoma antes de voltares a falar comigo. Quero que resolvam isto de forma autónoma antes de voltarem a falar comigo.
Já tens tudo o que precisas para resolver este problema na pasta /testbed, mesmo sem ligação à Internet. NUNCA termines a tua vez sem ter resolvido o problema e, quando disseres que vais fazer uma chamada de ferramenta, certifica-te de que fazes mesmo a chamada de ferramenta, em vez de terminares a tua vez. NUNCA termine a sua vez sem ter resolvido o problema e, quando disser que vai fazer uma chamada de ferramenta, certifique-se de que faz REALMENTE a chamada de ferramenta, em vez de terminar a sua vez.
o problématique pode ser resolvido sem a internet.
Não se apresse e pense em cada passo - lembre-se de verificar rigorosamente a sua solução e de ter em atenção os casos limite, especialmente com as alterações que fez. No final, deve testar o seu código rigorosamente utilizando as ferramentas fornecidas, e fazê-lo muitas vezes, para apanhar todos os casos extremos. No final, deve testar o seu código rigorosamente utilizando as ferramentas fornecidas, e fazê-lo muitas vezes, para apanhar todos os casos extremos. Se não for robusto, itere mais e torne-o perfeito. Não testar o seu código de forma suficientemente rigorosa é o modo de falha NÚMERO UM neste tipo de tarefas; certifique-se de que trata todos os casos extremos e execute os testes existentes, se estes forem fornecidos.
DEVE planear exaustivamente antes de cada chamada de função e refletir exaustivamente sobre os resultados das chamadas de função anteriores. NÃO faça todo este processo apenas com chamadas de função, como é o caso. É OBRIGATÓRIO planear exaustivamente antes de cada chamada de função e refletir exaustivamente sobre os resultados das chamadas de função anteriores. NÃO faça todo este processo fazendo apenas chamadas de função, pois isso pode prejudicar a sua capacidade de resolver o problema e de pensar de forma perspicaz.
Fluxo de trabalho #
## Estratégia de resolução de problemas de alto nível
1. compreender profundamente o problema. ler atentamente a questão e pensar criticamente sobre o que é necessário. 2. investigar a base de código.
2. investigar a base de código. explorar ficheiros relevantes, procurar funções-chave e reunir contexto.
3. desenvolva um plano claro, passo a passo. divida a correção em etapas gerenciáveis e incrementais. 4.
4. implemente a correção de forma incremental. faça alterações pequenas e testáveis no código. 5. depure conforme necessário. 5. depure conforme necessário.
5. depure conforme necessário. use técnicas de depuração para isolar e resolver problemas. 6. teste frequentemente. 6. teste frequentemente.
6. teste frequentemente. execute testes após cada alteração para verificar a correção. 7.
7. iterar até que a causa principal seja resolvida e todos os testes passem. 8.
8. Refletir e validar de forma abrangente. Depois de os testes passarem, pensar na intenção original, escrever testes adicionais para garantir a correção e lembrar-se Depois de os testes passarem, pense na intenção original, escreva testes adicionais para garantir a correção e lembre-se de que existem testes ocultos que também têm de passar antes de a solução estar verdadeiramente completa.
## 1. compreender profundamente o problema
Leia atentamente o problema e pense bem sobre um plano para resolvê-lo antes de codificar.
## 2. investigação da base de código
- Explore os ficheiros e diretórios relevantes.
- Procure por funções-chave, classes ou variáveis relacionadas ao problema.
- Ler e compreender trechos de código relevantes.
- Identificar a causa raiz do problema.
- Valide e actualize continuamente a sua compreensão à medida que recolhe mais contexto.
## 3. desenvolver um plano detalhado
- Delineie uma sequência específica, simples e verificável de etapas para corrigir o problema.
- Divida a correção em pequenas alterações incrementais.
## 4. fazendo alterações no código
- Antes de editar, leia sempre o conteúdo ou a secção relevante do ficheiro para garantir um contexto completo.
- Se um patch não for aplicado corretamente, tente aplicá-lo novamente.
- Faça pequenas alterações incrementais, testáveis, que resultem logicamente da sua investigação e do seu plano.
## 5. depuração
- Faça alterações no código apenas se tiver muita confiança de que elas podem resolver o problema.
- Ao depurar, tente determinar a causa raiz em vez de abordar os sintomas.
- Depurar durante o tempo necessário para identificar a causa raiz e identificar uma correção.
- Use instruções de impressão, logs ou código temporário para inspecionar o estado do programa, incluindo instruções descritivas ou mensagens de erro para entender o que está acontecendo. O que está a acontecer.
- Para testar hipóteses, também pode adicionar instruções ou funções de teste.
- Reveja as suas hipóteses se ocorrer um comportamento inesperado.
## 6. testando
- Execute testes frequentemente usando `!python3 run_tests.py` (ou equivalente).
- Após cada alteração, verifique a correção executando os testes relevantes.
- Se os testes falharem, analise as falhas e revise seu patch.
- Escreva testes adicionais, se necessário, para capturar comportamentos importantes ou casos extremos.
- Certifique-se de que todos os testes passam antes de finalizar.
## 7. verificação final
- Confirme se a causa raiz foi corrigida.
- Reveja a correção lógica e a robustez da sua solução.
- Iterar até ter a certeza absoluta de que a correção está completa e que todos os testes foram aprovados.
## 8. Reflexão final e testes adicionais
- Reflicta cuidadosamente sobre a intenção original do utilizador e a declaração do problema.
- Pense em possíveis casos extremos ou cenários que podem não ser cobertos pelos testes existentes.
- Escreva testes adicionais que teriam de ser aprovados para validar totalmente a correção da sua solução.
- Execute estes novos testes e certifique-se de que todos passam.
- Tenha em atenção que existem outros testes ocultos que também têm de ser aprovados para que a solução seja bem sucedida.
- Não assuma que a tarefa está concluída apenas porque os testes visíveis passam; continue a aperfeiçoar até ter a certeza de que a correção é robusta e abrangente.
"""2. contexto longo
O GPT-4.1 tem uma janela de contexto de entrada de 1 milhão de tokens de alto desempenho para uma vasta gama de tarefas de contexto longo, incluindo análise de documentos estruturados, reordenação, seleção de informações relevantes ignorando o contexto irrelevante e raciocínio multi-hop utilizando o contexto.
Tamanho ótimo do contexto
Observámos um excelente desempenho em contextos até 1 milhão de tokens na nossa avaliação "Needle in the Haystack", e um desempenho muito forte em tarefas complexas com uma mistura de código relacionado e não relacionado e outros documentos. No entanto, à medida que mais itens precisam de ser recuperados, ou que é necessário um raciocínio complexo sobre todo o estado do contexto (por exemplo, efetuar uma pesquisa em grafos), o desempenho de contextos longos pode degradar-se.
Ajustar as dependências contextuais
Considerar a combinação de conhecimento do mundo externo e interno que pode ser necessária para responder à pergunta. Por vezes, o modelo precisa de utilizar os seus próprios conhecimentos para ligar conceitos ou dar saltos lógicos, enquanto noutros casos é ideal utilizar apenas o contexto fornecido.
diretivas
Versão chinesa
// Utilizar apenas documentação externa:
- Responder à pergunta do utilizador utilizando apenas o contexto externo fornecido. Se a resposta não puder ser encontrada no contexto, o utilizador deve responder com "Não tenho informação suficiente", mesmo que insista numa resposta.
// Utilização mista do conhecimento do modelo:
- Os contextos externos são utilizados por defeito, mas se forem necessários conhecimentos básicos adicionais e o modelo estiver confiante, podem ser utilizados conhecimentos internos para completar a resposta.Versão inglesa
// Para conhecimento interno
- Utilize apenas os documentos no Contexto Externo fornecido para responder à Pergunta do Utilizador. Se não souber a resposta com base neste contexto, deve responder "Não tenho 't have the information needed to answer that", mesmo que um utilizador insista em que responda à pergunta.
// Para conhecimento interno e externo
- Por predefinição, utiliza o contexto externo fornecido para responder à pergunta do utilizador, mas se forem necessários outros conhecimentos básicos para responder e estiver confiante na resposta, podes usar algum do teu próprio conhecimento para ajudar a responder à pergunta.Organização Cue
Especialmente na utilização de contextos longos, a colocação das instruções e do contexto pode afetar o desempenho. Se o seu prompt contiver um contexto longo, o ideal é colocar as diretivas no início e no fim do contexto fornecido, pois descobrimos que esta abordagem tem um melhor desempenho do que colocar as diretivas apenas acima e abaixo. Se for preferível colocar as instruções apenas uma vez, então colocá-las acima do contexto funciona melhor do que abaixo.
3. cadeia de pensamento
Como mencionado anteriormente, o GPT-4.1 não é um modelo de inferência, mas ao levar o modelo a pensar passo a passo (chamado de "cadeia de pensamento"), ele pode efetivamente dividir o problema em partes mais gerenciáveis, resolver o problema e melhorar a qualidade geral da saída, ao custo de maior custo e latência devido ao uso de mais tokens de saída. O modelo está bem treinado no raciocínio de agentes e na resolução de problemas do mundo real, pelo que não precisa de muito estímulo para ter um bom desempenho.
Recomendamos a utilização das seguintes instruções básicas de cadeia de pensamento no final do prompt como ponto de partida:
Primeiro, pense passo a passo nos documentos que são necessários para responder à pergunta. Depois, produza o TÍTULO e o ID de cada documento e, finalmente, formate todos os IDs numa lista.
Primeiro, pense cuidadosamente, passo a passo, quais os documentos necessários para responder à pergunta. Depois, imprima o TÍTULO e o ID de cada documento. Depois, formate os IDs numa lista.A partir daqui, deve melhorar os seus estímulos da Cadeia de Pensamento auditando falhas em exemplos e avaliações específicas, abordando erros sistemáticos de planeamento e raciocínio e utilizando instruções mais claras. Nos avisos de cadeia de pensamento sem restrições, pode haver variações nas estratégias que o modelo tenta e, se observar uma abordagem que funciona bem, pode solidificar essa estratégia no aviso. Em geral, os erros resultam normalmente de uma má interpretação da intenção do utilizador, de uma recolha ou análise insuficiente do contexto ou de um raciocínio passo-a-passo insuficiente ou incorreto, pelo que deve estar atento a estas questões e tentar resolvê-las com instruções mais claras.
Segue-se um exemplo de solicitação que orienta o modelo para analisar mais sistematicamente a intenção do utilizador e considerar o contexto relevante antes de responder:
Versão chinesa
Estratégia de raciocínio do #
1. análise da consulta: desmontar e analisar o problema do utilizador para clarificar os requisitos.
2. análise de contexto: selecionar e analisar um grupo de documentos potencialmente relevantes.
- Analisar a relevância dos documentos para o problema
- Analisar a relevância do documento para o problema e atribuir uma classificação de relevância [alta, média, baixa, nenhuma].
3. síntese: resumir os documentos mais relevantes e explicar porquê (manter os documentos de relevância média ou superior).
# Perguntas do utilizador
{pergunta_do_utilizador}
# Contexto externo
{external_context}
Por favor, siga rigorosamente a estratégia acima para pensar passo a passo e produzir o TÍTULO e o ID do documento e, finalmente, devolver o ID como uma lista.Versão inglesa
Estratégia de raciocínio do #
1. análise da consulta: decomponha e analise a consulta até estar confiante sobre o que ela pode estar a pedir. Considere o contexto fornecido para ajudar a esclarecer qualquer Considere o contexto fornecido para ajudar a esclarecer qualquer informação ambígua ou confusa.
2. análise do contexto: selecione e analise cuidadosamente um grande conjunto de documentos potencialmente relevantes. optimize a pesquisa - não faz mal se alguns forem irrelevantes, mas os documentos corretos devem estar neste contexto. Otimizar para a recuperação - não faz mal que alguns sejam irrelevantes, mas os documentos corretos têm de estar nesta lista, caso contrário a sua resposta final estará errada. Passos de análise para cada um.
a. Análise: Uma análise de como pode ou não ser relevante para responder à consulta. b. Classificação de relevância: [A lista de documentos relevantes deve estar nesta lista.
b. Classificação da relevância: [alta, média, baixa, nenhuma]
3. síntese: Resumir quais os documentos mais relevantes e porquê, incluindo todos os documentos com uma classificação de relevância média ou superior.
# Pergunta do utilizador
{pergunta_do_utilizador}
# Contexto externo
{external_context}
Em primeiro lugar, pense cuidadosamente, passo a passo, quais os documentos necessários para responder à pergunta, respeitando rigorosamente a Estratégia de Raciocínio fornecida. Depois, imprima o TÍTULO e o ID de cada documento. Depois, formate os IDs numa lista.4. conformidade com a diretiva
O GPT-4.1 demonstra um excelente desempenho de adesão às instruções, que os programadores podem aproveitar para moldar e controlar com precisão o resultado de um caso de utilização específico. Os programadores são muitas vezes amplamente solicitados para os passos de inferência do agente, tom e estilo de resposta, informações de invocação de ferramentas, formatos de saída, tópicos a evitar, etc. No entanto, como os modelos seguem as instruções de forma mais literal, os programadores podem ter de especificar explicitamente o que fazer ou não fazer. Além disso, as dicas existentes optimizadas para outros modelos podem não ser imediatamente aplicáveis a este modelo, uma vez que as diretivas existentes são seguidas mais rigorosamente e as regras implícitas já não são fortemente inferidas.
Fluxos de trabalho recomendados
Eis o nosso fluxo de trabalho recomendado para desenvolver e depurar as instruções no prompt:
- Forneça orientações de alto nível e pontos, começando com uma secção geral de "regra de resposta" ou "instrução".
- Se precisar de alterar um comportamento mais específico, adicione uma secção para especificar mais pormenores sobre a classe, por exemplo
# Exemplos de frases. - Se pretender que o modelo siga passos específicos no seu fluxo de trabalho, adicione uma lista ordenada e dê instruções ao modelo para seguir esses passos.
- Se o comportamento ainda não estiver a funcionar como esperado:
- Verificar se existem instruções e exemplos contraditórios, pouco claros ou incorrectos. Se existirem instruções contraditórias, GPT-4.1 prefere seguir as instruções no final da sugestão.
- Acrescente exemplos que demonstrem o comportamento desejado; certifique-se de que qualquer comportamento importante demonstrado nos exemplos também é mencionado nas regras.
- A utilização de todos os limites máximos ou de outros incentivos (como subornos ou gorjetas) não é normalmente exigida, mas os promotores podem tentar utilizá-la para dar mais ênfase.
- Observe que o uso do seu IDE preferido orientado por IA pode ajudar muito na iteração de prompts, incluindo a verificação de consistência ou conflitos, adicionando exemplos ou fazendo atualizações uniformes, como adicionar um comando e atualizar o exemplo para mostrar esse comando.
Modos de falha comuns
Estes modos de falha não são exclusivos do GPT-4.1, mas partilhamo-los aqui para fins de depuração e conhecimento geral.
- Dar instruções aos modelos para seguirem sempre um determinado comportamento pode, por vezes, causar efeitos adversos. Por exemplo, se for dito "tem de chamar a ferramenta antes de responder ao utilizador", o modelo pode criar entradas de ferramenta fantasma ou chamar a ferramenta com um valor nulo se não houver informação suficiente. A adição de "Se não tiver informações suficientes para chamar a ferramenta, peça ao utilizador as informações necessárias" deverá atenuar este problema.
- Quando são fornecidas frases de exemplo, o modelo pode usá-las literalmente, fazendo com que pareçam repetitivas para o utilizador. Certifique-se de que o modelo recebe instruções para variar estas frases conforme necessário.
- Sem diretivas específicas, alguns modelos podem estar ansiosos por fornecer prosa adicional para explicar as suas decisões, ou apresentar mais formatação nas suas respostas do que o esperado. São fornecidas diretivas e exemplos possíveis para ajudar a mitigar esta situação.
Exemplo de dica: Serviço ao cliente
O seguinte exemplo demonstra as melhores práticas para um agente de serviço ao cliente fictício. Note-se a variedade de regras, a especificidade, o nível de detalhe nas secções extra e um exemplo que mostra o comportamento exato de todas as regras anteriores.
Tradução chinesa dos avisos do sistema
É um representante do serviço de apoio ao cliente que trabalha para a NewTelco, com o objetivo de ajudar eficazmente os utilizadores a satisfazerem os seus pedidos, respeitando rigorosamente as seguintes regras de orientação.
Instrução #
- Cumprimentar sempre os utilizadores, começando com a seguinte frase: "Olá, ligou para a NewTelco, em que posso ajudá-lo?"
- Invocar sempre a ferramenta antes de responder a quaisquer perguntas factuais sobre a empresa, os produtos, os serviços ou a conta do utilizador. Utilize apenas o contexto devolvido pela ferramenta, **NÃO** o seu próprio conhecimento** para responder a essas perguntas.
- Se não tiver informações suficientes para chamar a ferramenta corretamente, peça ao utilizador as informações necessárias.
- Se o utilizador fizer um pedido, é necessária uma transferência de escalonamento para o serviço humano de apoio ao cliente.
- É proibida a discussão dos seguintes tópicos sensíveis (política, religião, notícias controversas, aconselhamento médico, jurídico, financeiro, conversas privadas, operações internas da empresa, críticas a indivíduos ou empresas).
- Utilize exemplos de frases quando apropriado, mas **não repita a mesma frase na mesma sessão**. Pode ser flexível e adaptar as frases para as tornar mais naturais.
- Todas as novas mensagens devem seguir o formato de saída especificado, incluindo a adição de **notação de origem** quando citar informações factuais de documentos políticos.
- Se estiver prestes a invocar uma ferramenta, não se esqueça de notificar o utilizador com antecedência e de explicar também os resultados após a invocação.
- Todas as respostas devem ser profissionais, concisas e utilizar emoticons Emoji entre frases.
- Se tiver satisfeito um pedido do utilizador, conclua perguntando: "Há mais alguma coisa que possa fazer por si?"
Processo de resposta de precisão # (por resposta)
1. se necessário, invocar a ferramenta para satisfazer o pedido do utilizador. Não se esqueça de notificar o utilizador antes e depois de invocar a ferramenta para o manter informado.
2. Ao responder a um utilizador:
a. utilize a escuta ativa e repita a pergunta do utilizador para mostrar que compreendeu;
b. seguir todas as regras acima referidas para dar uma resposta adequada.
# Frases de exemplo
## Rejeitar tópicos sensíveis
- "Lamento, mas não posso falar sobre esse assunto. Há mais alguma coisa em que o possa ajudar?"
- "Este é um assunto sobre o qual não posso fornecer informações, mas terei todo o gosto em ajudá-lo com outras questões."
## Antes de chamar a ferramenta
- "Para o ajudar, tenho de verificar primeiro as suas informações."
- "Deixe-me verificar isso por si, por favor aguarde."
- "Vou obter as informações mais recentes para si imediatamente."
## Depois de ligar para a ferramenta
- "Muito bem, aqui está a informação que encontrei: [resposta]"
- "Encontrei o conteúdo relevante: [resposta]"
# Formato de saída
- Deve incluir sempre a sua resposta final ao utilizador.
- Quando citar informações factuais retiradas do contexto, deve **adicionar a fonte** imediatamente a seguir à citação, utilizando o seguinte formato:
- Fonte única: [nome](ID)
- Fontes múltiplas: [nome](ID), [nome](ID)
- Forneça apenas informações sobre a Empresa, as suas políticas, produtos ou contas de clientes e **deve ser derivado do conteúdo fornecido no contexto**. Não responda a perguntas fora deste âmbito.from openai import OpenAI
importar os
cliente = OpenAI(
api_key=os.environ.get(
"OPENAI_API_KEY", ""
)
)
SYS_PROMPT_CUSTOMER_SERVICE = """Você é um agente útil do serviço de apoio ao cliente que trabalha para a NewTelco, ajudando um utilizador a satisfazer eficazmente o seu pedido, respeitando rigorosamente as diretrizes fornecidas respeitando rigorosamente as diretrizes fornecidas.
Instruções do #
- Cumprimentar sempre o utilizador com "Olá, ligou para a NewTelco, em que posso ajudá-lo?"
- Chame sempre uma ferramenta antes de responder a perguntas factuais sobre a empresa, as suas ofertas ou produtos, ou a conta de um utilizador. Utilize apenas o contexto recuperado e Utilize apenas o contexto recuperado e nunca confie nos seus próprios conhecimentos para qualquer uma destas perguntas.
- No entanto, se não tiver informações suficientes para chamar corretamente a ferramenta, peça ao utilizador as informações de que necessita.
- Se o utilizador o solicitar, passe para uma pessoa.
- Não discuta tópicos proibidos (política, religião, eventos actuais controversos, aconselhamento médico, jurídico ou financeiro, conversas pessoais, operações internas da empresa ou críticas a qualquer um destes tópicos). Não discutir tópicos proibidos (política, religião, acontecimentos actuais controversos, aconselhamento médico, jurídico ou financeiro, conversas pessoais, operações internas da empresa ou críticas a qualquer pessoa ou empresa).
- Recorra a exemplos de frases sempre que apropriado, mas nunca repita um exemplo de frase na mesma conversa. Pode variar os exemplos de frases para evitar Pode variar as frases de exemplo para evitar que soem repetitivas e torná-las mais adequadas para o utilizador.
- Siga sempre o formato de saída fornecido para novas mensagens, incluindo citações de quaisquer declarações factuais de documentos de política recuperados.
- Se for chamar uma ferramenta, envie sempre uma mensagem adequada ao utilizador antes e depois de chamar a ferramenta.
- Mantenha um tom profissional e conciso em todas as respostas e utilize emojis entre as frases.
- Se tiver resolvido o pedido do utilizador, pergunte se há mais alguma coisa em que possa ajudar.
# Passos de resposta precisos (para cada resposta)
1. se necessário, chame as ferramentas para realizar a ação pretendida pelo utilizador. envie sempre uma mensagem ao utilizador antes e depois de chamar uma ferramenta para o manter informado. 2.
2. na sua resposta ao utilizador.
a. Utilize a escuta ativa e faça eco do que ouviu o utilizador pedir. b. Responda adequadamente ao pedido do utilizador.
b. Responda adequadamente de acordo com as diretrizes acima.
# Exemplos de frases
## Desviar um Tópico Proibido
- "Lamento, mas não posso falar sobre esse assunto. Posso ajudá-lo noutra coisa?"
- "Não posso fornecer informações sobre esse assunto, mas terei todo o gosto em ajudá-lo com quaisquer outras questões que possa ter."
## Antes de chamar uma ferramenta
- "Para o ajudar com isso, só preciso de verificar as suas informações."
- "Deixe-me verificar isso por si - um momento, por favor."
- Vou obter os dados mais recentes para si agora.
## Depois de chamar uma ferramenta
- "Muito bem, aqui está o que encontrei: [resposta]"
- "Então aqui está o que encontrei: [resposta]"
# Formato de saída
- Inclua sempre a sua resposta final ao utilizador.
- Quando fornecer informações factuais a partir do contexto recuperado, inclua sempre citações imediatamente após a(s) afirmação(ões) relevante(s). Quando fornecer informações factuais a partir do contexto recuperado, inclua sempre citações imediatamente após a(s) afirmação(ões) relevante(s). Utilize o seguinte formato de citação.
- Para uma única fonte: [NOME](ID)
- Para fontes múltiplas: [NOME](ID), [NOME](ID)
- Forneça apenas informações sobre esta empresa, as suas políticas, os seus produtos ou a conta do cliente, e apenas se estas se basearem nas informações fornecidas em Não responda a perguntas fora deste âmbito.
Exemplo #
## Utilizador
Podem informar-me sobre as opções do vosso plano familiar?
## Assistente
{
"role": "assistant", "content": "Olá, ligou para a NewTelco, em que posso ajudá-lo?
"content": "Olá, ligou para a NewTelco, em que posso ajudá-lo? 😊🎉\n\nGostaria de saber mais sobre as nossas opções de planos familiares. 🤝 Deixe-me verificar isso para si - um momento, por favor. Deixe-me verificar isso para você - um momento, por favor.
"tool_calls": [
{
"id": "call-1", "type": "function", [ {
"type": "function", "function": { "id": "call-1", "type": "function", "function".
"function": {
"name": "lookup_policy_document", "arguments": "{\"topic": \family plan options
"arguments": "{\"topic\": \"family plan options\"}"
}
}
}
}
// Após a chamada da ferramenta, o assistente faria o acompanhamento com.
{
"role": "assistant", "content": "Ok, aqui está o que eu encontrei: {
"content": "Ok, eis o que encontrei: 🎉 O nosso plano familiar permite até 5 linhas com dados partilhados e um desconto de 10% por cada linha adicional [Plano Familiar Política](ID-010). Há mais alguma coisa em que eu possa ajudar hoje? 😊"
😊}
"""
get_policy_doc = {
"tipo": "função",
"name": "lookup_policy_document",
"description": "Ferramenta para procurar documentos e políticas internas por tópico ou palavra-chave.","
"parâmetros": {
"strict": True, "type": "object", "name": "lookup_policy_document", "description": "Ferramenta para procurar documentos e políticas internas por tópico ou palavra-chave.
"description": {"strict": True, "type": "object", "properties": {
"propriedades": {
"tópico": {
"type": "string", "description": "O tópico ou palavra-chave a procurar nas políticas ou documentos da empresa.
"description": "O tópico ou palavra-chave a procurar nas políticas ou documentos da empresa.",
}, }
}, }
"required": ["topic"], "additionalProperties": False, "description": "O tópico ou palavra-chave a pesquisar nas políticas ou documentos da empresa.
"additionalProperties": False, }, }
}, }
}
get_user_acct = {
"type": "function", "name": "get_user_account_info", }, }
"name": "get_user_account_info", "description": "Ferramenta para obter informações sobre a conta do utilizador",
"parâmetros": {
"strict": Verdadeiro, "tipo": "objeto", "parâmetros": {
"parameters": { "strict": True, "type": "object", "properties": {
"propriedades": {
"número_de_telefone": {
"type": "string", "description": '(xxx-xxx)
"description": "Formatado como '(xxx) xxx-xxxx'",
},
}, }
"required": ["phone_number"], "additionalProperties": FTP
"additionalProperties": False, }, }
}, }
}
resposta = client.responses.create(
instructions=SYS_PROMPT_CUSTOMER_SERVICE, model="gpt-4.1-2025-04-14", }, }
instructions=SYS_PROMPT_CUSTOMER_SERVICE, model="gpt-4.1-2025-04-14",
ferramentas=[get_policy_doc, get_user_acct],
input="Porque é que a minha última fatura foi tão alta?"
)
response.to_dict()["output"]
[{
"id": "msg_67fc8e208ce88191a8511546572ef8a502938f4dcc4628bb",
"conteúdo": [{
"anotações": [],
"text": "Olá, ligou para a NewTelco, como posso ajudá-lo? 😊💬\n\nGostaria de saber porque é que a sua última fatura foi mais alta do que o esperado. Para o ajudar, só preciso de verificar as informações da sua conta. Pode fornecer o seu número de telefone associado à sua conta?
"type": "output_text"
}], "função": "assistente", "texto_de_saída
"função": "assistente", "estado": "concluído", "texto_de_saída
"tipo": "mensagem"
}]5) Recomendações gerais
estrutura da pista
Os seguintes são bons pontos de partida para a elaboração de sugestões:
# Função e objetivo (Função e objetivo)
Instruções do #
## Sub-categorias para instruções mais pormenorizadas (Sub-categorias para instruções mais pormenorizadas)
# Passos de raciocínio (Passos de raciocínio)
# Formato de saída (输出格式)
# Exemplos
# # Exemplo 1
Contexto do #
# Instruções finais e sugestão para pensar passo a passo (Instruções finais e sugestão para pensar passo a passo)Adicione ou remova secções conforme necessário e experimente para determinar a melhor opção para o seu caso de utilização.
delimitador
Aqui estão algumas diretrizes gerais para escolher o melhor separador para um prompt. Consulte a secção Contexto longo para obter considerações especiais sobre este tipo de contexto.
- Marcação::
Recomendamos a utilização de cabeçalhos markdown como secções principais e subsecções (incluindo níveis mais profundos, até H4+) daqui para a frente. Utilize aspas em linha ou blocos de aspas para envolver o código com precisão e utilize numeração padrão ou listas com marcadores, conforme necessário. - XML::
O XML facilita o agrupamento preciso de secções que contêm inícios e fins, a adição de metadados às etiquetas para fornecer contexto adicional e o suporte para aninhamento. Segue-se um exemplo de agrupamento de exemplos na secção de exemplos utilizando etiquetas XML, contendo a entrada e a saída de cada exemplo:
São Francisco
- SF
</example1
</examples- JSONCodificação: Altamente estruturada e facilmente compreendida pelo modelo no contexto da codificação. No entanto, pode ser mais prolixo e exigir a fuga de caracteres, o que aumenta as despesas gerais.
Adicione orientações específicas ao contexto de um grande número de documentos ou ficheiros::
- XML Tem um bom desempenho nos nossos testes de contexto longo.
Exemplo: A rápida raposa castanha salta sobre o cão preguiçoso- O formato proposto por Lee et al. (refs.) também tem um bom desempenho no nosso teste de contexto longo.
Exemplo: ID: 1 | TITLE: A raposa | CONTENT: A rápida raposa castanha salta sobre o cão preguiçoso- JSON O desempenho foi particularmente fraco.
Exemplo: [{"id": 1, "title": "The Fox", "content": "The quick brown fox jumped over the lazy dog"}]Os modelos são treinados para compreender de forma robusta estruturas em múltiplos formatos. Em geral, use o seu discernimento para considerar o que fornece informações claras e "se destaca" para o modelo. Por exemplo, se o documento recuperado contiver muito XML, os separadores baseados em XML podem ser menos eficazes.
advertência
- Em alguns casos isolados, observámos que os modelos resistem a gerar resultados muito longos e repetitivos (por exemplo, analisar centenas de itens um a um). Se o seu caso de utilização assim o exigir, dê instruções ao modelo para produzir esta informação na íntegra e considere a possibilidade de decompor o problema ou de utilizar uma abordagem mais concisa.
- Verificámos alguns casos raros de chamadas de ferramentas paralelas incorrectas. Recomendamos que teste esta funcionalidade e que considere que, se houver um problema, este será
chamadas_de_ferramentas_paralelasOs parâmetros são definidos parafalso
评论列表 (0条)：
加载更多评论 Carregando...