-
(C) 上下文（Context）：提供与任务有关的背景信息。这有助于 LLM 理解正在讨论的具体场景，从而确保其响应是相关的。 -
(O) 目标（Objective）：定义你希望 LLM 执行的任务。明晰目标有助于 LLM 将自己响应重点放在完成具体任务上。 -
(S) 风格（Style）：指定你希望 LLM 使用的写作风格。这可能是一位具体名人的写作风格，也可以是某种职业专家（比如商业分析师或 CEO）的风格。这能引导 LLM 使用符合你需求的方式和词语给出响应。 -
(T) 语气（Tone）：设定响应的态度。这能确保 LLM 的响应符合所需的情感或情绪上下文，比如正式、幽默、善解人意等。 -
(A) 受众（Audience）：确定响应的目标受众。针对具体受众（比如领域专家、初学者、孩童）定制 LLM 的响应，确保其在你所需的上下文中是适当的和可被理解的。 -
(R) 响应（Response）：提供响应的格式。这能确保 LLM 输出你的下游任务所需的格式，比如列表、JSON、专业报告等。对于大多数通过程序化方法将 LLM 响应用于下游任务的 LLM 应用而言，理想的输出格式是 JSON。
-
System Prompts 和 System Messages 是通过 ChatGPT 的 Chat Completions API 以程序化方式使用该 LLM 时使用的术语。 -
另一方面，Custom Instructions 是通过 https://chat.openai.com/ 的用户界面使用 ChatGPT 时的术语。
-
任务定义，这样 LLM 在聊天过程中能一直记得要做什么。 -
输出格式，这样 LLM 能一直记得自己应该如何响应。 -
防护围栏，这样 LLM 能一直记得自己不应该如何响应。防护围栏（Guardrails）是 LLM 治理方面一个新兴领域，是指为 LLM 配置的可运行操作的边界。
-
描述性统计数值计算：以定量方式总结数值列，使用的度量包括均值或方差。 -
相关性分析： 获得列之间的精确相关系数。 -
统计分析：比如假设测试，可以确定不同数据点分组之间是否存在统计学上的显著差异。 -
机器学习：在数据集上执行预测性建模，可以使用的方法包括线性回归、梯度提升树或神经网络。
-
异常检测：基于一列或多列数值识别偏离正常模式的异常数据点。 -
聚类：基于列之间的相似特征对数据点进行分组。 -
跨列关系：识别列之间的综合趋势。 -
文本分析（针对基于文本的列）： 基于主题或情绪执行分类。 -
趋势分析（针对具有时间属性的数据集）：识别列之中随时间演进的模式、季节变化或趋势。
-
LLM 分析出的人群画像：1980 年后出生，已婚或同居，中低收入，频繁进行小额购买。 -
被 LLM 聚类到这一分组的行：3, 4, 7, 10, 16, 20 -
深入研究这些数据集，这些行的完整数据为：
-
LLM 分析出的人群画像：年轻范围广，任意婚姻状况，高收入，不同的子女情况，购物支出高。 -
被 LLM 聚类到这一分组的行：2, 5, 18, 29, 34, 36 -
深入研究这些数据集，这些行的完整数据为：
