❓ 问答

问答是 AI 的基础功能，它基于考拉 AI 文本生成模型可以理解你以自然语言和书面语言提出的各种问题，根据你的问题进行推理，最终以文本的形式对你的问题进行回复。

使用问答

🤩 在消息框中输入你的问题，考拉 AI 会给你满意的回答

📰 考拉 AI支持上下文关联，如果你对答案（或者部分答案）不满意，可以通过 ✨追问的方式提问，直到获得你想要的结果。请注意每一轮追问都会使你的 Token消耗叠加。

👀 开始一个新的问题，一定使用新建聊天打开一个新的窗口，获得最佳答案并节省 Token 消耗。

选择模型

🔮 如果您对回答不满意，可以启动专家模式调整模型以获得最佳的效果。

模型	模型	优势	消耗
考拉对话 AI	KoalaiFlush	免费、快速	0
考拉助手 AI	KoalaiPlus	深度推理，慢速	20
考来对话 Pro	KoalaiPro	长文本，高性价比	1

💖 提示词技巧

和考拉 AI 学习提示词工程，获得更好生成结果的策略。可以组合使用提示词技巧以获得更好的生成效果。

策略：编写清晰、具体的指令

为了获得最佳的回答，用户需要向考拉 AI 提供清晰、具体的指令。考拉 AI 越能明确您的需求，提供的回答质量越高。

技巧：定义 System Prompt

用于设定 AI 助手行为模式的工具，包括角色设定、语言风格、任务模式和针对特定问题的具体行为指导。

你擅长从文本中提取关键信息，精确、数据驱动，重点突出关键信息，根据用户提供的文本片段提取关键数据和事实，将提取的信息以清晰的 JSON 格式呈现。

技巧：提供具体的细节要求

在 Prompt 中添加要求模型输出内容的细节和背景信息。

我对太阳系的行星非常感兴趣，特别是土星。请提供关于土星的基本信息，包括其大小、组成、环系统和任何独特的天文现象。

技巧：让考拉 AI 进行角色扮演

让考拉 AI 扮演角色、可以更准确地模仿该角色的行为和对话方式。

作为一个量子物理学家，解释量子物理学的基本原理，并简要介绍其在现代科技中的应用。

技巧：使用分隔符标示不同的输入部分

请基于以下内容：
""" 要总结的文章内容"""
提炼核心观点和纲要

技巧：思维链提示

要求模型分步骤解答问题，还要求其展示其推理过程的每个步骤。通过这种方式，可以减少不准确结果的可能性，并使用户更容易评估模型的响应。

作为一个 AI 助手，你的任务是帮助用户解决复杂的数学问题。对于每个问题，你需要首先独立解决它，然后比较和评估用户的答案，并最终提供反馈。在这个过程中，请展示你的每一步推理过程。我有一个数学问题需要帮助:"""问题是：一个农场有鸡和牛共 35 头，脚总共有 94 只。鸡和牛各有多少头？我的答案是鸡有 23 头，牛有 12 头"""。

技巧：少样本学习

可以作为进行少样本学习的示例。这些样本可以用来引导模型模仿特定的行为和语言风格。

模仿这种风格
​```
    1、三杯鸡在锅中欢跃，是岁月的篝火，是浪漫的乐章。
    2、炖排骨的滋味，是冬日的棉被，是乡土的回响。
    3、红烧勤鱼的鲜香，是海洋的密语，是大海的情书。
​```
生成新的句子。

指定输出长度的示例

指定按照具体的长度的输出内容，但是让模型精确的生成一个特定的字数难以实现。

请用不超过 100 个词的长度来总结这篇文章。

策略：提供参考资料

引用外部资料能有效提升模型回答的准确性。这种做法特别适用于基于文档的问答系统，因为它有助于减少错误或虚构信息的生成，同时确保回答的时效性和准确性。当模型受到上下文长度限制，无法引用超长文本时，可以通过 Retrieval 工具来获取文档中的语义切片来实现。

作为AI助手，你的任务是帮助用户查找和理解特定公司的规章制度。在这个场景中，你将使用搜索结果来回答用户关于公司请假政策的查询。请根据搜索结果
"""具体的搜索结果"""
提供准确和详细的信息。

策略:任务分解

在处理需求复杂的任务时，错误率通常较高。为了提高效率和准确性，最佳做法是将这些复杂任务重构为一系列简单、连贯的子任务。这种方法中，每个子任务的完成成果依次成为下一任务的起点，形成一个高效的工作流。这样的任务流程简化有助于提升模型整体的处理质量和可靠性，特别是在面对需要综合大量数据和深入分析的复杂问题时。通过将复杂任务拆解，可以更加有效地利用模型的强大处理能力。

技巧：意图理解和实体提取

要求大模型输出的内容要直接给到后端服务接口使用，所以大模型一定要按照固定格式输出格式，以便于接口解析模型输出内容，防止报错。

当你理解用户的预约会议室的意图时，提取相关的实体，并且以 Json 格式输出。

技巧：总结上文关键信息

在长对话中，为了确保对话的连贯性和有效性，对之前的交流内容进行精炼和总结，可以保持对话的焦点、减少重复和混乱、加快模型处理速度。

技巧：分段归纳长文档并逐步构建完整摘要

由于模型处理文本的上下文长度有限，它无法一次性总结超出特定长度的文本。例如，在总结一本长书时，我们可以采用分步骤的方法，逐章节进行总结。各章节的摘要可以组合在一起，再进行进一步的概括，形成更为精炼的总摘要。这个过程可以重复进行，直到整本书的内容被完整总结。如果后续章节的理解需要依赖于前面章节的信息，那么在当前部分的总结中附加之前内容的连贯摘要，能够显著提升模型的生成质量。

策略：给于模型思考时间

技巧：在模型给出最终结论之前，先引导它进行自我探索和推理。

在明确引导模型进行推理判断之前，让它先生成结果作为基准。例如，如果我们需要模型评估代码的质量，可以先让模型自行生成答案，随后再对其正确性进行评判。这样做不仅促使模型更加深入地理解任务，还可以提高最终结果的准确性和可靠性。

分析并评估以下 Python 代码片段"代码片段"的质量和功能。在生成你的回答之前，请先生成推荐示例代码，然后对代码的结构、清晰度以及其执行的功能进行评分。

技巧：隐藏推理过程，只输出结果

在回答问题之前，模型有时需要进行深入的推理并将推理过程一并输出，可以引导模型只输出结果或者结构化信息以便于解析处理。

请计算函数 f(x) = x^2 在区间 [0, 1] 上的积分。仅提供最终的积分结果，无需展示推理过程。