本文讨论了作者利用大型语言模型 (LLM) 执行各种任务的经验，主要侧重于分解复杂的提示并有效地构建输入和输出。 作者建议从基本提示开始，并针对复杂任务结合检索增强生成 (RAG)。 格式化输入并确保正确的输出结构至关重要。 简单的提示和评估单个提示有助于提高性能。 文本强调了尽量减少不必要的上下文的重要性，并强调清晰的上下文关系结构。 建议自动调整单个提示以获得最佳性能，并优先考虑可靠且可预测的工作流程。 定期评估、监控、解决幻觉和维护一致的模型版本是作者策略的重要方面。 本文提供了作者使用各种工具的个人经验的见解，其中包括 Magical，一种文本转 SQL 工具，尽管期望很高，但在使用过程中仍面临挑战。 作者提供了提高易用性以及将人工智能解决方案成功应用于各种任务的建议。