AIGC设计基础教程（微课版）第3章 课件.pptxVIP

第3章AIGC沟通技巧AIGC设计基础教程

目录Contents3.1常见提问误区3.2提问原则3.3优化提问方式3.4高效反馈机制3.5知识拓展

3.1.1过度简化提问过度简化提问通常表现为用户提供的问题过于简短或笼统，缺乏必要的细节。这种提问方式会导致生成的内容模糊、不完整，难以满足用户需求。示例：写一个儿童故事。AIGC生成的内容如下：

3.1.2忽视提问背景忽视提问背景指的是用户在提问时没提供足够的上下文信息，导致AI对问题的理解比较模糊。这种提问方式不仅降低了生成内容的准确性和针对性，还可能导致一场无效的对话。示例背景为：小陈是一名健身教练，要为一位高血糖患者定制一套适合其身体状况的锻炼计划。示例：请生成一份锻炼计划。

3.1.3提问缺乏逻辑缺乏逻辑性问题通常体现在提问的表达结构混乱，内容缺乏层次或包含多个不相关的需求。这种提问方式可能导致生成的内容没有重点，回答不够清晰，甚至出现语无伦次的现象。示例：请生成一篇简短的童话故事，内容要详细且包含丰富的情节，字数控制在300字以内。

目录Contents3.1常见提问误区3.2提问原则3.3优化提问方式3.4高效反馈机制3.5知识拓展

3.2.1让问题清晰明了提问的第一步是明确表达需求，避免模糊或宽泛的语言。一个明确的问题能够帮助AIGC聚焦主题，从而提高内容的准确性和针对性。以下为举例说明。“请介绍一下人工智能”。这类提问过于宽泛，AIGC生成的内容会涉及到人工智能多个方面（如定义、应用、发展历史等），但无法突出用户真正想要的重点。“请用通俗的语言介绍人工智能在医疗领域的三种主要应用”。像这类提问不仅限定了主题（医疗领域），还明确了回答的角度（要用通俗易懂的语言，而非专业术语）和数量（三种应用），AIGC生成的内容会更有针对性，更能达到用户的预期。

3.2.2复杂问题分步问当需要解决复杂问题时，直接提出可能会导致回答不够全面或条理不清。将复杂问题拆分成小问题，分步骤提问，这不仅有助于AIGC逐步生成完整答案，也能让用户更易于理解。以下为举例说明。“如何使用Python构建一个机器学习模型？”这个提问会涉及到多个步骤。比如数据预处理、模型选择、训练与评估等。AIGC可能会生成冗长却不够详细的回答。“1.如何用Python构建一个简单的数据集？”“2.在Python中实现线性回归的代码是怎样的？”“3.如何在Python中评估线性回归模型的性能？”

3.2.3让AIGC理解背景信息AIGC生成内容时会依赖于提问提供的信息。如果问题缺乏背景，可能导致回答偏离实际需求。补充上下文信息可以帮助AIGC更好地理解问题并生成符合情境的内容。以下为举例说明。“怎么优化网站？”“我的网站是一个提供在线课程的平台，目前用户留存率较低，请问如何优化网站以提高用户留存率？”

3.2.4避免问题有歧义有歧义的问题容易让AIGC解读为多种不同的含义。这种情况会导致生成的内容无法满足预期，甚至偏离主题。避免有歧义则需通过明确的用词、补充必要的背景信息和限定条件，以确保提问具有单一性。以下为举例说明。“如何设计一份市场调查问卷？”“如何设计一份包括10道选择题的问卷，用于调查年轻消费者对环保产品的购买偏好？”

目录Contents3.1常见提问误区3.2提问原则3.3优化提问方式3.4高效反馈机制3.5知识拓展

3.3.1关键词提问关键词提问是优化AIGC提问的一种基础方法。关键词决定了问题的理解方向和回答的核心内容。在提问时，如果关键词模糊、抽象或者过于宽泛，那么AIGC可能无法准确捕捉提问的重点，导致生成内容偏离预期。示例：如何提高学生的学习能力？优化示例：如何通过在线学习平台提高高中生的数学解题能力？

3.3.2场景化提问场景化提问是一种通过描述具体情境或应用背景，帮助AIGC更好理解问题的优化方法。用户可以为问题提供必要的上下文信息，使AIGC更聚焦与具体的问题需求。该方式场景化提问特别适用于需要复杂回答、具体分析或情境模拟的问题。示例：如何通过电商平台来增加销售额？优化示例：在年底促销季中，如何通过电商平台的限时折扣活动吸引更多消费者？

3.3.3示例式提问示例式提问是一种通过提供具体案例或问题示例，帮助AIGC更清晰地理解用户需求的提问方式。与抽象化提问相比，示例式提问能有效避免生成的回答过于宽泛或偏离主题。该方式适合用于对生成结果有特定期待或需要创意型生成的场景，尤其是在生成文本、设计方案或模拟情境时使用。示例：帮我设计一个“分数的基本概念”教学计划优化示例：以下是我设计的“分数的基本概念”教学计划部分内容：1.教学目标：理解分数的意义和基本运算。2.教学过程：通过生活实例引入分数