peopleevents
梁斌penny 2025-02-09 06:30+08:00Z
原微博

//@宝玉xp:回复@费里尼之盾:谢谢分享,很好的案例👍//@费里尼之盾:我来贡献一下小白的经验:我现在主要用deepseek(之前用kimi,都挺好)写宏来处理excel表,效率提升了100倍。比如我要把一个大表中含有某个关健词的内容筛出来,重新做成一张表,之前先筛选然后复制粘贴,关健词或表多的话累半死,但用宏的话瞬间就做好了,我的编程基础基本是0,宏语言对而言是天书...怎么办呢,我给DS提要求,他给我生成一段宏,我复制到表格VBA中,一般不会一次成功,VBA会提示错误,并高亮黄色标识错误部分,我复制错误内容给DS,说这部分提示错误,如是几次,就能用了,摸鱼时间陡增99%.......

@宝玉xp

推荐阅读:如何更好的为 DeepSeek R1 或 OpenAI o1 这样的推理模型写提示词?去年 OpenAI 发布 o1 这样的推理模型,接着 DeepSeek 也发布了 DeepSeek R1 推理模型,推理模型和传统的生成式语言模型的差别在于,传统的生成式语言模型在收到 Prompt 后就会马上生成,如果生成出现错误或者质量不好,是没机会纠正的,只能继续生成下去或者后续纠正继续生成,但是推理模型可以在向用户输出内容之前,会先输出思维链(Chain of Thought),对输入的 Prompt 思考验证完成后,再开始生成,这样可以保证有更好的质量,在 o1 中,OpenAI 因为怕别人偷了了他们的推理数据,所以可以隐藏了思维链的输出内容,但是 DeepSeek 的完整思考过程是可以直接看到的。说回来提示词(Prompt),既然推理模型自己就会做思维链,这意味着以前在提示词中加入思维链的方式已经没必要了,因为大多数时候推理模型自己写的思维链质量就很好了。另外大部分时候也不需要复杂的角色扮演、示例,因为由于思维链的存在,推理模型的“智能”程度高了很多,不需要角色设置、示例也能很好的理解和跟随指令。所以到了推理模型,已经不需要太复杂的提示词模板,大多数时候简单的提示词就可以很好的效果,但上下文(背景信息)依旧很重要。微软的工程师写了一篇文章《Prompt Engineering for OpenAI’s O1 and O3-mini Reasoning Models》,详细说明了在给推理模型写提示词应该注意的问题,一个总结了 9 个点:1. 保证提示清晰且具体明确说明你想让模型完成什么。避免不相关的信息。如果问题复杂,可直接简要陈述,不要同时抛出多个话题或做过多背景描述。2. 必要的上下文要提供,不相关的要省略包含模型所需的领域信息或数据(如案例、事实),因为模型未必具备最新或小众知识;但别堆砌与任务无关的材料或一堆示例,以免干扰。3. 尽量零示例或极少示例优先采用零示例模式。只有当模型理解有误或者格式不对时,才加入简短的示例作为演示。O1/O3 本身不需要像旧版 GPT 那样大量示例来引导。4. 使用 System/Developer 指令定位角色与风格比如「你是一位法律分析师」,或「请做一名数学老师给学生讲解」,从而设置合适的专业度和语气;再如「请用条列式列出答案」,指定输出结构。5. 通过指令控制回答长度与详细程度若要简短回答,就写「限一段话内给出结论」;若要详细分析,就写「请详述你的推理过程」。O1 默认会倾向详尽,但你可以覆盖该默认。6. 在 O3-mini 上使用“推理努力程度”参数(若 API 允许)根据任务需求设置低/中/高,以在速度与准确性之间做平衡。7. 避免重复的“逐步思考”指示不必告诉 O1/O3「让我们一步步思考」,因为它们已在内部做链式推理;这类指令对 GPT-4o 更有效。只有当你想要输出“所有中间步骤”时才额外声明。8. 测试和迭代如果初始回答不理想,可以改变提示表述或更精确地说明需求。虽然 O1/O3 通常一次就能给出高质量解答,但微调提示仍能进一步提升可读性或输出形式。9. 对重要结论做验证对于需要高可靠度的回答,可进行追问或多次查询,并对比不同答案或让模型自检,以增强对结果的信心。即便是 O1 也有可能出错,务必审慎使用。***以上观点只是微软工程师总结的,并不一定适用于你自己的场景,建议还是动手实践对比一下。原文:网页链接译文:网页链接

上一页616/995每页 10总共 9943下一页