马上要面试了，还有八股文没理解？让ChatGPT来给你讲讲吧——如何更好使用ChatGPT？

最近这段时间 ChatGPT 掀起了一阵 AI 热潮，目前来看网上大部分内容都是在调戏 AI，很少有人写如何用 ChatGPT 做正事儿。

作为一个大部分知识都是从搜索引擎和 GitHub 学来的程序员，第一次和 ChatGPT 促膝长谈后，基本认定了一个事实：ChatGPT 一定能大幅增加程序员学习新技术的效率。

目前我已经深度使用 ChatGPT 一个月了，越来越能感受到这个工具的颠覆性。所以这篇文章不探讨 ChatGPT 的沙雕玩法，单从工作和学习的视角，分享下 ChatGPT 的牛逼之处以及我使用 ChatGPT 的一些经验技巧。

利用 ChatGPT 的说“人话”能力

学习技术，大家应该都使用过搜索引擎吧。使用搜索引擎获取知识时，通常是输入搜索关键字，然后在返回结果里挑选合适的答案进行总结。复杂的问题，需要自己再组织二次搜索的关键字，然后再挑合适的答案，再总结，如此反复。其中关键字关系搜索结果，非常重要，需要用心选择。在搜索返回结果里找到合适的答案也挺耗精力。总之，通过搜索引擎找答案学习效率挺低且耗精力。

归根结底是因为：搜索引擎是某次切面的物理匹配结果，缺乏上下文关联能力和答案总结能力。

除了借助搜索引擎寻找问题的答案，还有一个高效的办法就是抱大腿，找一个这方面比较有经验的大佬，把我自己想不通的地方清楚地表述出来问问对方，这样经过多次对话后，你想了解的复杂问题也就迎刃而解了。不过万一找不到这样的大佬，怎么办？ChatGPT就可以扮演这个巨佬的角色，提供问答服务。

这也是ChatGPT让人惊艳的地方：它可以对话式地说“人话”。

• 对话式。可以上下文关联，返回内容是上下文“思考”后的结果，答案也就更精准了。
• 说“人话”。可以模型总结返回结构化结果，内容更加“人话”。

在对话过程中，提问题就很有技巧了，和你在与人对话一样，你问的如果是「xxx 是什么」之类的开放问题，那么回答者的答案就可以五花八门了，如果是「xxx 是不是」、「xxx 对不对」之类的问题，那么回答者的答案就更加确定。下面分享一些我使用 ChatGPT 的一些技巧。

ChatGPT的使用技巧

如果想让搜索引擎返回准确的结果，需要一定的技巧来构建关键词。如果想最大化发挥 ChatGPT 的能力作为搜索引擎的补充，也需要一些小技巧。

① 尽量使用英文和 ChatGPT 交流。

如果是学习专业技术知识，尽量使用英文。某些新技术嘛，国外还是比较前沿，那么不可否认一手的技术文档还是英文居多，所以 ChatGPT 学习的相关数据肯定也相对较多，更有利于得到准确详尽的答案。

另外，中文的文本生成相比英文的文本生成要复杂，所以中文交流的响应速度会明显慢于英文交流。

② 多用反问的方式和 ChatGPT 交流。

比如说多用「我认为 xxx，你看我理解的对吗」这类句式提问，少问诸如「xxx 是什么」这样的问题。

不是说 ChatGPT 不能回答「xxx 是什么」这类问题，而是说传统的搜索引擎更适合干这个，还能给你更丰富的信息，那何必问 ChatGPT 呢？

比如我初学 k8s 时，我会把自己的理解整理成一系列观点讲给 ChatGPT 听，让它指出我理解错误的地方：

这种学习体验真的是传统搜索引擎给不了的，像极了一个学渣缠着学霸求带带的场景，哈哈😂

③ 一条消息只包含一个问题，且尽可能多地提供问题的上下文。

说到底，这就考验把问题描述清楚的能力了，其实可以有很多方法。

比如前文举的我初学 k8s 时的问题，我可以这样问 ChatGPT，先来一个引导式的提问：在 k8s 里面，所有资源都是 API Object，对吗？

得到 ChatGPT 肯定的回复，然后我开始挖坑：那么 k8s 其实就是一个存储 API Object 的数据库，对吗？

ChatGPT 就会告诉我，我这样想是不对滴，API Object 并不是简单的静态数据，巴拉巴拉。然后我再根据它的回复不断追问并提出自己的看法求指教，最终把整个知识框架梳理清楚。

④ 放开思路去提问，比如让 ChatGPT 通过类比、举例的方式讲解问题。

ChatGPT 的能力比我们之前用过的人工智障强太多了，我们可以尝试向它提出一些难度更大的问题。

比如，很多时候代码的解释性比文字更强，那么我可以直接要求 ChatGPT 写一段 demo code 出来，反正看不懂的话还可以追问：

在这段对话中，经过我的一步步提问，ChatGPT 确实写出了一个完整的 operator 的 demo。虽然它写的代码偶尔出问题，但一般都是类似包导入这种比较明显的错误，整体上我认为还是非常强大的。

再比如，ChatGPT 给我讲解了 CRD, CR, Controller 这些 k8s 中的概念之后，我请它类比编程语言里的类和实例再给我讲讲：

它类比 CRD 是类定义，CR 是类的实例对象，说实话感觉它这个类比还挺贴切的呢 👍

其他的还有很多，比如发给它一段代码让它逐行解释，让它扮演一个 Linux shell，扮演一个 yaml/json 转换器等等，这些事情 ChatGPT 都能做，确实可以在某些场景大幅提高我们的效率。

目前我认为最有价值的几个技巧就说完了，下面说下 ChatGPT 目前的一些不足之处吧。

目前 ChatGPT 的不足

① 时效性问题。

因为 ChatGPT 只掌握了 2021 年之前的数据，所以一些最新的信息会缺失，一些旧的信息也可能已经过时。比如我让 ChatGPT 帮我找一些链接，有些链接就已经 404 了。

据说微软 new bing 整合的 ChatGPT 解决了这个问题，不过我现在还没有 new bing 的试用资格，所以先用 ChatGPT 了，反正就技术学习来说时效性差一点也无妨。

② 少数情况下，ChatGPT 会一本正经的胡说八道。

我看了一些其他人的使用体验，这个问题确实是存在的。ChatGPT 从来都是有求必应，哪怕它不知道，也会一本正经地给你生成一个看起来有模有样的答案。

根据我遇到的情况猜测一波，ChatGPT 会对没有可靠答案的问题进行推理，根据类似的问题答案推理出来一个可能的答案。

比如说我让 ChatGPT 写一个用 websocket 连接 Apache Pulsar 的 code example，它二话不说就给我写了个错的。后来我发现，它是把 Kafka 的 websocket 用法有模有样地套用到了 Pulsar 上。

实际上目前网上都没有太多用 websocket 连接 Pulsar 的案例，所以 ChatGPT 没有足够的数据进行训练，写不出正确的 code example 也情有可原。

还有一次，我问 ChatGPT 如何把 MySQL 的id字段转化成varchar字符串类型。它告诉我用Cast(id as VARCHAR(255))，结果报错，它也解释不清为啥报错。

后来我一搜，原来要用Cast(id as CHAR(255))的方式。看来 ChatGPT 目前还有一些不准确的地方，有待提升。

总结

总结一下，我感觉 ChatGPT 是一个新型搜索引擎，在某些场景下能够提供比传统搜索引擎更强大更高效的搜索效率。

完全依靠 ChatGPT 去做一些稍微复杂的任务，目前来看还是不现实的。
比如让 ChatGPT 写代码，目前它的水平只能写一写简单的 demo，而且经常需要手工修复一些细节错误。

但是让它作为搜索引擎的补充帮助我们学习新技术，还是比较靠谱的。问答式的体验在很多场景下都要优于传统搜索引擎。

本文就到这里吧，我个人相信，像 ChatGPT 这样的 AI 技术会和搜索引擎扮演同等重要的角色，那么如何更好地理解并运用 AI，是未来需要不断学习探索的课题。