如何用 GPT-4 全模式（All Tools）帮你高效学习和工作？-编程知识

「十项全能」的 ChatGPT ，用起来感受如何？

之前，作为 ChatGPT Plus 用户，如果你集齐下面这五个模式，就会成为别人羡慕的对象。

但现在，人们更加期盼的，是下面这个提示的出现：

这个提示，意味着你的 GPT-4 已经不再是「一专」（只能使用某一模式），而是「多能」（根据需要自动调用不同模式的功能）。

例如你可以让 ChatGPT 看到一幅图（原本的基础模式），然后让它自动理解总结图片的内容，并且要求它绘制出类似的图片（原本的 DALLE）模式。当然，你还可以让它自动编程（原本的 Advanced Data Analysis 模式）或者访问网络（原本的 Browse with Bing 或者插件模式）。

这样一来，用户的想象力就可以变成特别有趣有用的实践过程。例如王佩老师，就让 ChatGPT 绘制简笔画。他对绘制结果很满意。

见贤思齐，于是我又把自己的微信头像传上去了。要求 ChatGPT (GPT-4 All Tools）：

画成皮克斯风格

于是，我获得了这样的图像：

呃，除了人物不像我，以及背景多了一只狐狸，我没有啥可抱怨的……

同时生成的，还有另外一幅作品。咱们也放大看看。

可这…… 也太不像我了啊。于是，我提出了这样的要求：

画成皮克斯风格，注意人物一定要像。

这次 GPT-4 全模式 (All Tools) 的绘图结果是这样的：

这个…… 你要非得说像我，我无话可说。

我查看了对应的提示词：

Photo of a cheerful man outdoors, wearing a light blue polo shirt and a backpack. He is Asian, with short black hair, smiling warmly with a backdrop of mountains covered with green and reddish trees under a cloudy sky. The image should be transformed into a Pixar-style animation, maintaining the likeness and expression of the person, but with the enchanting and whimsical characteristics typical of Pixar animations.

对应的翻译为：

一张快乐男子在户外的照片，他穿着浅蓝色的 Polo 衫，背着背包。他是亚洲人，有短黑发，背景是山脉，山上覆盖着绿色和红色的树木，天空多云。他的笑容温暖。这张图片应该被转化为皮克斯风格的动画，保持人物的相似性和表情，但具有皮克斯动画典型的迷人和异想天开的特点。

我旋即明白了，图片画得不像我，就是 ChatGPT 识图后总结提示词的原因。这里只描述为「亚洲人」、「快乐男子」和「短黑发」，至于脸型、五官之类的，丝毫没有涉及，那当然没有办法「完美复刻」了。

我在视频中提到了这个问题。有观众提示我说可能是在上传人像的时候，ChatGPT自动做了面部模糊化处理以保护人物肖像权，我觉得非常有道理。回头我准备找个卡通头像上传上去试试看。

看完了这个有趣的例子，咱们该讲讲严肃的事儿了 —— 如何利用 GPT-4 全模式 (All Tools) 帮助你更好地学习和工作？

学习

咱们先从一个最常见的场景开始 —— 上课的时候，看到课件里面的英文不会，该怎么办？

这时候，你可以拍张照或者截屏，让 GPT-4 全模式 (All Tools) 帮助你来翻译。上面这张幻灯截图，它的翻译如下：

描述了使用大语言模型（LLM）时的提示（prompting）能做什么。图片中提到，如果给一个刚刚毕业的大学生一些指导，他们是否能够完成任务。为了更加清晰明了，假设情况如下：

没有互联网或其他资源的访问权限

对你的公司 / 业务没有特定的培训

没有完成先前任务的记忆

每次都会得到一个不同的新毕业的大学生

图片旨在探讨在没有额外资源和指导的情况下，一个新毕业的大学生是否能够根据给定的指导完成任务。

你可能对此不屑一顾 —— 这简单的翻译功能，我手机上的 XX 应用，早就有了。

没错，但是 ChatGPT 可不仅仅会翻译哦。你看到一页幻灯，如果对其中内容有不清楚的地方，可以立即呼唤你的这个「私人助教」来帮忙总结和解答。例如下面这页幻灯，是吴恩达老师在新课程 Generative AI for everybody 中对「监督学习」应用的总结。

我截图发给 GPT-4 全模式 (All Tools) ，要求用中文总结图中内容。

这是 GPT-4 的回答：

这张图片是 Andrew Ng 在讲解监督学习的应用。图片中列出了不同的输入、输出和相应的应用场景。例如，输入可以是电子邮件，输出是判断这封邮件是否为垃圾邮件，应用场景是垃圾邮件过滤。其他的应用还包括在线广告、自动驾驶车辆的其他车辆位置识别、医疗诊断、视觉检测、语音识别和餐厅评论的情感分析等。每个应用都涵盖了将输入数据（如图像、广告和用户信息、音频记录等）转换为有意义输出（如诊断、缺陷检测、文本转录等）的过程。

你看，ChatGPT 打通各个模式之后，拿来当助教非常合适，讲解耐心不厌其烦。更妙的是，你不仅可以让它识别幻灯帮你讲解，还能要求它立即给你写出对应例子的程序代码来。

编程

例如我刚刚听完 GPT-4 全模式 (All Tools) 的总结，依然对监督学习没有形象的概念。于是我下面的提示语为：

就找上面的一个例子，给我写一段监督学习的 Python 代码

ChatGPT 就立即开始干活儿了。

在你看到代码之后，是不是对监督学习的模型训练流程概念理解更加清晰了呢？有了这种快速支援，相信你学东西会更加扎实，疑问也能更及时得到解决。

况且你不要忘了，GPT-4 全模式 (All Tools) 还包含了 Advanced Data Analysis 模式，也就是可以把程序直接作用在数据集上面，帮助你实验，甚至解决实际的问题。下面我们就来看看如何用 ChatGPT 来「看到」实际的数据，并且进行分析。

数据分析

我这里举的例子，也来自于吴恩达老师的新课。他提到了很有意思的问题 ——LLM 对结构化数据处理不好。

我觉得这个观察很有意思，但是将信将疑，于是立即就把数据截取出来尝试。我问 ChatGPT ：

这个表格里面有对应的面积和价格，那么 900 sqft 的房子，对应的价格是多少？请一步步思考，并且详细说明你的解题过程

下面是 ChatGPT 的回答：

你看，要公式有公式，要代码有代码。数据齐全，分析清晰。只可惜，这个线性插值计算方法并不完美，因为利用数据太少了。为了帮助 ChatGPT 改进结果，咱们还可以这样来追问：

好，但是你能否充分利用上全部数据来建模并且测算呢？

ChatGPT 旋即给了答案。

如果你希望了解 ChatGPT 如何计算，还可以点开被折叠的工作区，查看对应代码。

你看，原先表格中的所有数据，确实都被使用了进来。但是，这个计算的结果是否正确？希望你能够检验一下，然后在留言区给出自己的判定答案。

论文阅读

下面这个功能，更是很多小伙伴期待已久的 —— 你可以直接把 PDF 格式的文档扔给 ChatGPT 了。GPT-4 全模式 (All Tools) 可以自动识别其中的内容，并且进行分析和回答你提出的问题。

例如，我从 arxiv.org 下载了 MemGPT 论文的全文。

然后，我把它扔给 GPT-4 全模式 (All Tools) ，提出的要求为：

给我介绍一下这篇文章的亮点

这是 ChatGPT （速度很快）读过文章后，给出的结果。

我们让 ChatGPT 简单翻译一下前面几段：

论文《MemGPT: 朝着作为操作系统的 LLMs》介绍了一种旨在克服当前大型语言模型（LLMs）的有限上下文窗口限制的新系统。以下是其亮点的详细说明：

1. 虚拟上下文管理：作者引入了一种技术，通过借鉴传统操作系统中的分层存储系统，扩展了LLMs的可用上下文范围，超越了标准固定长度上下文窗口的限制。这种技术被称为虚拟上下文管理，通过在快速和慢速存储层之间的数据移动，实现了更大内存的幻象。

2. MemGPT系统：基于这种技术，派生出了MemGPT系统，它利用分层存储结构和中断来管理LLM、存储器和用户之间的数据流和控制。该系统可以在任务进行过程中调整上下文，更有效地利用有限的上下文。

3. 在文档分析和对话代理方面的性能：论文展示了MemGPT在文档分析和多会话聊天领域的增强性能。它能够分析大量文档并保持长期交互，超越了LLM的上下文窗口限制。

很好，这至少证明 ChatGPT 看懂了 PDF 论文全文内容。你也可以就文本内容提出问题，让它来回答。不过类似的内容，我在讲 Chatdoc 的时候都演示过了。这回咱们要充分利用它的全模式功能，搞点儿新花样。

我要求：

把上述内容，用图展示出来，要求让一个中学生能够看懂

于是 ChatGPT 这样绘制：

我们放大一下第一张图。

这张图非常有趣。它知道论文主角是一个机器大脑，要解决的问题是记忆体的限制。图中主体设计成一种类似操作系统的架构，上面是个戴学士帽的机器人。联接的小图都是与上下文、记忆体、检索能力相关，还提到了「快速」等特性。另外还有很多相关的文字作为讲解介绍。

当然了，这个图的毛病，也是显而易见的。例如说里面出现了很多奇怪的单词，都像是半文盲写的 —— 有很多拼写错误。不过你不用担心，这只是个开始。你要相信 LLM 的演进速度。

绘图做完了，咱们尝试一下表格数据的读取。这里我选择了 Table 2 的内容作为样例。

我要求 ChatGPT 来总结其内容，并且进行可视化：

这里咱们看看其操作过程的细节。

首先， ChatGPT 确实在上传的 PDF 里面，找到了表格 2 对应的位置和内容。

然后，ChatGPT 进行了编程计算，最终给出了下图的结果。

初看这张图，你可能会很不以为然。没错，这张图确实画错了。F1, Precision 和 Recall 如果真的这么惨不忍睹，也就没有汇报的必要了。但是，这错误也是有原因的。

原始论文中，对 Accuracy （准确率）和其他三个指标，表现形式就不一样 —— 前者是百分数，后者是小数。目前 ChatGPT 对于同一表格不同列数据这种转换，还没有做到灵活自如，因此才会出这样的纰漏。

但是你看到，不论是模型类型、图例说明和对应数据，ChatGPT 在读取表格的时候，确实已经尽可能做到了一一对应。因此，只要你在后续对话中稍加提示，绘图效果就会大不一样。

所以，现在的 GPT-4 全模式 (All Tools) 确实是可以「看到」图和表，这对于我们来说，意义很大 —— 论文中出现的数据，你至少可以更为灵活自如地进行二次分析与验证了。

小结

本文我为你介绍了自己使用 GPT-4 全模式 (All Tools) 来辅助工作和学习的一些心得体会。总体来说，ChatGPT 全模式打通之后，可以更方便调用各种「艺能」。它可以帮助你更快速理解消化新信息、按照你的个性化要求给出样例，根据上下文做出总结问答，并且帮你进行自动数据分析。希望这些功用的分享，可以帮助你更高效地完成任务，获得新知。

祝（更强悍的）AI 工具使用愉快！

点赞 +「在看」，转发给你身边有需要的朋友。收不到推送？那是因为你只订阅，却没有加星标。

欢迎订阅我的小报童付费专栏，每季度更新不少于10篇文章。订阅一整年价格优惠。