在产品管理和开发过程中，可以利用 ChatGPT 辅助完成部分工作，提高工作生产力和创造力。原文: How to use ChatGPT in product management
相信你肯定听说过最近大火的 ChatGPT，用自然语言跟机器人聊天是挺有趣，不过我还是希望探索一下如何在产品管理中应用 ChatGPT。
本文将分享 ChatGPT 可以做什么，可以获得更好结果的提示技巧(提示工程)，以及可用于产品管理和应用程序开发的更精确提示用例。
什么是 ChatGPT & 它能做什么?
这节给那些还不熟悉 ChatGPT 的人快速介绍一下。ChatGPT 是由 OpenAI 开发的最先进的大语言模型(LLM)，是一个复杂的深度学习模型，有 1750 亿个参数(可以把它想象成大脑中的神经元)，基于维基百科和互联网上的大量语言数据训练[1]，可以根据输入提示和之前生成的文本作为上下文，预测序列中下一个单词出现的概率。
ChatGPT 能够执行许多与语言相关的任务，图标来自https://www.flaticon.com
ChatGPT 从许多人类对话样本和反馈中获得了与人类聊天的能力，并能对生成的文本进行评级和排名(基于人类反馈的强化学习，RLHF)[2][3]。你可以像跟人说话一样跟 ChatGPT 对话，它会输出最可能的答案。你可以让它做各种任务，比如总结、写文章、翻译、文本分类、解释概念、写代码、产生想法等等，不过要小心，它可能会一本正经的胡编乱造。
如何编写更好的 ChatGPT 提示?
提示是输入给 ChatGPT 的问题或说明，好的提示可以产生好的结果，编写更好的提示甚至已经成为一种被称为提示工程的技能。下面分享一些为大语言模型 AI 编写更好提示的实用技巧。
给出明确的指示。除了回答问题，还可以要求 LLM 给出详细步骤。
- 原始提示: 如何训练线性回归模型?
- 更好的提示: 编写训练线性回归模型的 Python 代码，包括代码和注释。
对于第一个提示，LLM 将在较高层次上解释训练线性回归模型的概念，但第二个提示将提供逐步训练线性回归模型的确切功能代码，并解释代码。
提供上下文。提供上下文可以帮助 LLM 给出更相关的回应，例如:
- 原始提示: "我用 XX 产品后瘦了"的情绪是什么?
- 更好的提示: XX 产品是为想要增肌的人准备的，用户为产品写了反馈:"我用了 XX 产品后瘦了"，该反馈是什么情绪?
这是一个极端例子，AI 会把第一个提示归类为积极的，因为它认为减肥是个积极的结果。但增肌产品并非如此，当提供了适当的上下文，LLM 将给出正确的情绪分析，认为这是负面的。
为 ChatGPT 提供上下文以改进结果的示例。
角色提示。角色提示和上下文类似，要求 LLM 假装自己是某个特定角色，并从该角色的角度给出答案。
- 原始提示: 设计一个计步器应用。
- *更好的提示: 假装你是一名资深应用开发者，具备数据库、云计算和 iOS 开发知识。设计一个计步器应用。
One-shot，few-shot 提示。对于 LLM，可以直接给出提示(zero-shot 提示)[4]，也可以在要求给出答案之前提供一个例子(one-shot)或多个例子(few-shot)[1]。人们发现，这种方法能让 LLM 提供更好的响应。
- 原始提示: 她是一个{MASK}
- 更好的提示: 她是程序员，是一名教师，是首席执行官，是一个{MASK}。
如果你用 zero-shot 提问，AI 很可能会返回"护士"、"秘书"或"女佣"这样的答案，答案取决于训练数据。但如果提供一些例子，AI 可以克服偏见，给出中性的结果。
思维链(CoT)提示[5]。当你要求 LLM 推理更复杂的问题时，它可能会给出错误结果。但如果要求它解释其推理，它会通过尝试一步一步回答问题来产生更好的结果。研究表明，CoT 提示可以提高算术、常识和抽象推理任务的结果。一个方便的技巧是在问题后面加上"让我们一步一步来"[4]。
- 原始提示: 一个直角三角形有两条边，长度分别是 sqrt(2)和 1，两边夹角是 45 度，第三条边是多长?
- 更好的提示: 一个直角三角形有两条边，长度分别是 sqrt(2)和 1，两边夹角是 45 度，第三条边是多长?让我们一步一步来思考。
第一个提示返回的结果是 sqrt(3)，是错的。但当你在最后加上"让我们一步一步来思考"这句话时，LLM 会给出更详细的答案，包括勾股定理的定义和计算过程。通过这些步骤，就可以给出正确答案 1。
如何在产品和提示中使用 ChatGPT
可以将 ChatGPT 集成到产品工作流几乎每个步骤中。下面是我在产品工作流中使用 ChatGPT 的一些方法，以及使用的提示。希望可以借此激发灵感，利用 LLM AI 的力量来优化产品管理流程。
获得早期想法和市场研究
产生应用创意和概念。可以使用 ChatGPT 作为头脑风暴工具来产生想法或设计概念，这是一个很好的开始。
- 提示: 生成三个在计步器应用中使用 AI 的想法。
进行市场调查和竞争对手调查。如果希望更好了解某个不熟悉的市场，可以询问 ChatGPT。
- 提示: 比较市场上排名前五的冥想应用的功能。
(注: 因为 ChatGPT 只有 2021 年之前的数据，所以答案可能不是最新的，但可以对市场/重要竞争对手有个大致了解。)
用 ChatGPT 进行市场调查的例子。
产品框架
生成用户角色和用户资料。可以用 ChatGPT 为产品创建原型人物角色或资料。如果有真实用户研究的见解，可以在提供在提示中，以获得更好的结果。
- 提示: 创建一个中年、忙碌的职业母亲用户角色，她想改善自己的健康状况，但没有时间去健身房。
撰写产品需求文档。可以要求 ChatGPT 从零开始编写 PRD 作为灵感，或者告诉它根据某些要点进行扩展，以节省写作时间。
- 提示: 为冥想应用的社区功能编写详细的产品需求文档。用户可以创建群组并邀请其他人加入群组，群组所有者可以设置讨论主题。文档应包括背景、功能、相关度量、风险和解决方案、技术需求和主要用户业务流。
将聊天机器人整合进产品。通过调优或提示工程，可以将聊天机器人整合到产品中。对于这个用例，需要与机器学习工程师或开发人员合作，看看将聊天机器人应用于产品在技术上是否可行。这里会给出一个将 ChatGPT 转换为睡眠教练的提示工程示例。
- 提示: 我想让你做睡眠教练。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。用户将询问有关睡眠模式的问题，你会问一些相关问题来分析他们睡眠习惯中的问题，并提供切实可行的步骤来帮助他们改善睡眠，同时你应该拒绝回答任何与睡眠无关的问题。
这个提示中使用了本文前面介绍的角色提示技术，提供了相关信息的上下文，并指定聊天机器人应该拒绝回答不相关的问题。
设计产品
改善用户导航体验。这是我正在探索的一个实验性用例，在这个用例中，用户可以用自然语言描述想做的事情，聊天机器人将引导他们找到相关功能。我发现这可以通过少量提示工程或对分类进行微调来实现。请看下面这个提示，看看能做什么:
编写用户体验文案。可以要求 ChatGPT 生成按钮、错误消息等用户体验文案。对于 ChatGPT 来说，这是非常基本的文本生成任务，可以处理的很好。
- 提示: 为食谱应用编写错误消息，当用户试图添加无效成分时提醒用户。
构思页面布局或设计概念。如果你想要设计新的页面布局，可以向 ChatGPT 询问潜在想法。
- 提示: 为膳食计划应用的主页生成三个布局想法。
翻译 UI 副本。可以使用以下提示要求 ChatGPT 翻译 UI 副本以进行本地化。
- 提示: 翻译以下文本。英语:Subscribe 德语:
为消费或 SEO 创建内容。许多应用程序都有博客用于用户获取、消费或提升 SEO。使用 ChatGPT，可以轻松的用几个单词编写博客。
- 提示: 为卡路里计算应用程序列一些博客标题
- 提示: 为卡路里计算应用写一篇引人入胜的 SEO 优化博客，标题为"如何用 XX 应用计算卡路里来减肥"。
评估用户反馈
分析用户情绪。可以使用以下提示来轻松分析用户情绪，而不需要训练 ML 模型。
- 提示: 用户:我不再使用这个应用程序了，因为它不准确。情绪:
总结反馈的特性需求和 bug。通过让 ChatGPT 从用户反馈中总结所要求的功能和 bug，可以节省大量阅读用户反馈的时间，只需提供用户反馈作为上下文并要求其进行总结。
- 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。可以向 ChatGPT 提供用户访谈记录，并提出问题来分析用户访谈。
- 提示: [用户访谈脚本]。从用户访谈脚本来看，用户在浏览主页时想要做什么?
创建营销/客户支持内容
制定市场进入计划。ChatGPT 可以帮助起草产品上市计划。
- 提示: 有一款针对准妈妈的新冥想应用正在全球推出，写一份详细的市场进入计划，主要关注在线渠道。
撰写新闻稿/社交媒体帖子。只要提供必要的上下文，ChatGPT 就可以很容易创建营销内容。
- 提示: 为跑步应用创建一个新的深色模式功能的 Twitter 帖子，要包含表情符号，充满活力和简洁，不要用首字母缩写。
回复客户邮件。当你不确定如何写一封难写的邮件时，你可以让 ChatGPT 帮忙。
- 提示: 有客户在退款日期后要求退款。给客户写一封礼貌的邮件，拒绝这一请求，但是提供免费延长 3 个月服务。
用 ChatGPT 来加快工作
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。虽然 ChatGPT 可能看起来非常强大，但我相信它不会取代人类的智慧和创造力。只要学会如何掌握，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.
你好，我是俞凡，在 Motorola 做过研发，现在在 Mavenir 做技术工作，对通信、网络、后端架构、云原生、DevOps、CICD、区块链、AI 等技术始终保持着浓厚的兴趣，平时喜欢阅读、思考，相信持续学习、终身成长，欢迎一起交流学习。微信公众号：DeepNoMind
