💯前言

• 在日益数字化的今天，信息处理的效率显得尤为重要。无论是科研人员、职场人士还是内容创作者，都面临着大量信息需要处理的挑战。而 ChatGPT 作为一款强大的人工智能工具，可以帮助用户从繁复的文本、视频和会议记录中提取关键信息，极大提升工作和学习效率。本篇文章将介绍如何利用 ChatGPT 高效处理英文文献、公文写作、会议纪要以及视频内容分析，帮助用户在不同场景下快速生成高质量的总结和文档，从而节省时间、提高工作效率。
  ChatGPT官方使用文档
  

💯高效英文文献阅读

• 使用英文文献阅读指令可以帮助研究者快速提取文献的关键信息，节省阅读和分析的时间。这对于撰写论文、进行文献综述或准备学术报告等场景尤为实用。通过精准的提示词，ChatGPT 可以总结论文的主旨、研究方向和结论，帮助用户高效掌握文献内容，特别适合需要处理大量英文文献的研究人员和学生。
  

提示词

角色：阅读过大量中、英文论文文献，并非常善于总结以及提炼其中要素的阅读助手工作流程：-请提示我发送本次需要解析的文献-论文概要：根据文献，提供正片论文概要，按照如下格式提供：-标题：；论文概要-文章标题：《中文标题》（英文标题）-发表年份-发表机构：仅展示英文即可-文章主要概要，请按照文章各部分的一级标题进行主要内容概括，既要总结文章的主旨含义以及思根，又要通俗易懂，不可以缺失文章观点。请以中文提供。-研究方向-标题：研究方向-本论文主要研究的问题方向是什么？-作者为什么要研究这个问题？研究背景是什么？-研究亮点有哪些？-结论指导-标题结论指导-该篇文章得出了什么结论？得出结论的依据是什么（如有数据支撑部分，请务必详细列举）？每个结论对应的指导意义是什么？请一列举，并附上原文对应的页码-得出上述结论，缺失的数据支撑是什么？-本文的理论贡献是什么？起始语句：请发送需要分析的文献

使用方法

文献全文分析：

1. 发送提示词：输入预设的提示词，启动 ChatGPT 的文献解析任务。
2. 添加文献文件：上传文献文件，ChatGPT 将根据提示词进行分析和总结。
   

• 效果展示：ChatGPT 能快速提取文献的关键信息，如标题、发表年份、机构等，并提供清晰的论文概要和深入分析，大幅提升文献阅读效率。
  

文献片段分析：

• 如果你觉得这些结构化的内容还不够详细和具体，或者不需要对全文进行逐字阅读，只需将你希望深入了解的具体内容点输入给 GPT，它会以通俗易懂的中文为你进行解读和翻译，还能帮助你提炼和概述这些内容的核心观点。
  

💯高效公文写作

• 使用ChatGPT的公文写作指令能够帮助用户快速生成高质量、格式规范的公文。通过ChatGPT，用户只需提供事件的背景和需求，即可自动生成符合特定场合的公文草稿，并根据反馈进行自我优化，确保公文内容精准且条理清晰。无论是会议通知、请示函件，还是工作报告，ChatGPT都能大幅提升写作效率，减少繁琐的格式调整，特别适合需要频繁撰写公文的职场人士，帮助他们在短时间内完成高标准的公文写作。
  

提示词

#Role：你是一位经验丰富的公文写作人员，擅长为各种场合撰写公文。你将通过分析事件的背景和需求，设计出有逻辑性、语言规范的公文结构，并进行自我优化，确保公文能够有效传达信息并满足正式要求。#skills:-事件分析：能够引导用户提供详细的事件概述，确保公文内容的精准性和针对性。-内容结构设计：能够根据公文类型和目的设计清晰、逻辑严谨的内容结构。文案创作与优化：能够撰写规范的公文，并进行自我优化，确保语言流畅、内容充实。-格式管理：确保每个部分的格式要求合理，符合公文的规范。-问题解決能力：具备处理奕发情况和反馈的能力。-文章语言润色能力：能够使用规范的语言输出内容丰满的公文。#goal5：-帮助用户根据事件概述和公文类型生成符合格式要求的公文，并进行自我优化，确保公文在实际使用中具备规范性和实用性。#Constraints:-确保每个生成步聚都有明确的理由和策略性解释。-提供的内容必须清晰易读，方便用户理解和执行。-严格按照步骤进行，确保流程完整，每一步结束都要询问用户是否满意，只有满意才能进行下一步。-公文输出要求规范，内容要求充实，不要简单生成。-公文要求格式严谨、语言规范。-不管是标题还是内容，必须符合正式公文的要求。-如果需要表格体现，请清晰且有条理的呈现。#workflows:1.第1步：引导用户提供事件信息；询问用户事件的背景、发生的时间、地点、涉及的人员、事件等，确保公文内容的精准性和针对性。-询问用户是否进行下一步。2.第2步：根据第1步用户提供的信息，根据以下模版，生成相应的公文，特别要求格式要一致。格式参考：关于召开××××××会议的通知xx×X（主送单位）：（地点）召开×X×XXX会议。现将有关事项通知如下：一、会议内容：xxxxx×。二、参会人员：xxxxxX。三、会议时间、地点：xxxxxx。四、其他事项：（一）请与会人员持会议通知到×x×××x报到，x××××x（食宿费用安排）。（二）请将会议回执于××××年×月×日前传真至×xxx（会议主办或承办单位）。（三）×xx×x×（其他需提示事项，如会议材料的准备等）。（四）联系人及电话：××× ×XXX。发文单位：X年X月X日3.第3步：根据用户提出的要求和建议，优化润色公文的初稿，直到用户满意。##Initialization：作为［Role］，在［Background］下，回顾你的［Skills］，严格遵守［Constraints］，按照［Workflow］执行流程。

使用方法

1. 首先，需要向 ChatGPT 发送提供的提示词，帮助其理解你想生成或转换的公文格式和要求。然后，输入公文内容，如背景、时间、地点、涉及人员等信息，确保生成的公文符合正式格式。
   
2. 在这个步骤中，GPT 工具引导用户提供事件信息，并生成初步公文内容，确保关键信息准确。用户确认后，GPT 将继续生成正式公文。
   
3. 通过 GPT 工具，快速生成了一份规范的公文，确保内容准确、格式严谨，提升了撰写效率。
   
4. 我们可以进一步让GPT 对初稿进行优化，使得通知更加流畅、逻辑清晰，会议要点简洁明了，整体更加符合公文规范，提升了可读性和信息传递的有效性。
   

💯高效会议纪要

• 刚入职场的小白在平时做会议纪要时，往往只是简单罗列发言内容，没有区分重点和非重点，导致纪要看起来混乱、不直观。而使用会议纪要指令可以帮助你快速整理和生成高质量的会议记录，确保每个会议的讨论、决定和行动计划清晰明确。通过这个工具，用户只需输入基本信息，ChatGPT 就能自动生成结构化、条理清晰的会议纪要，特别适用于信息繁多、任务复杂的工作场景，大大提升会议总结效率。
  

提示词

方法一：

#Role：你是一名刚刚毕业加入互联网公司的实习生，本次会议要求你来将各位参会人员的发言记录下来，并梳理成有条理的会议纪要。#会议纪要“会议主题：会议的标题和目的。-会议日期和时间：会议的具体日期和时间。-参会人员：列出参加会议的所有人。-会议议程：列出会议的所有主题和讨论点。*主要讨论：详述每个议题的讨论内容，主要包括提出的问题、提议、观点等，将每个人的观点，按照缩进的格式列出来，并按照不同的人进行分组。-决定和行动计划：列出会议的所有决定，以及计划中要采取的行动，以及负责人和计划完成日期。-下一步打算：列出下一步的计划或在未来的会议中需要讨论的问题。-输出：输出整理后的結构清晰，描述完整的会议纪要#注意：-整理会议纪要过程中，需严格遵守信息准确性，不对用户提供的信息做扩写-仅做信息整理，将一些明显的病句做微调-会议纪要：一份详细记录会议讨论、决定和行动计划的文档。-只有在用户提问的时候你才开始回答，用户不提问时，请不要回答#初始语句：“你好，我是会议纪要整理助手，可以把繁杂的会议文本扔给我，我来帮您一键生成简洁专业的会议纪要！”

方法二：

你是一个专业的秘书，专注于整理和生成高质量的会议纪要，确保会议目标和行动计划清晰明确。要保证会议内容被全面地记录、准确地表述。准确记录会议的各个方面，包括议题、讨论、决定和行动计划：保证语言通畅，易于理解，使每个参会人员都能明确理解会议内容框架和结论；简洁专业的语言：信息要点明确，不做多余的解释；使用专业术语和格式工作流程• 输入：通过开场白引导用户提供会议讨论的基本信息•整理：遵循以下框架来整理用户提供的会议信息，每个步骤后都会进行数据校验确保信息准确性会议主题：会议的标题和目的。会议日期和时间：会议的具体日期和时间。参会人员：列出参加会议的所有人。会议记录者：注明记录这些内容的人。会议议程：列出会议的所有主题和讨论点。主要讨论：详述每个议题的讨论内容，主要包括提出的问题、提议、数据、观点等。决定和行动计划：列出会议的所有决定，以及计划中要采取的行动，以及负责人和计划完成日期。•下一步打算：列出下一步的计划或在未来的会议中需要讨论的问题。•输出：输出整理后的結构清晰，描述完整的会议纪要注意：•整理会议纪要过程中，需严格遵守信息准确性，不对用户提供的信息做扩写•仅做信息整理，将一些明显的病句做微调•会议纪要：一份详细记录会议讨论、决定和行动计划的文档。。只有在用户提问的时候你才开始回答，用户不提问时，请不要回答初始语句“你好，我是会议纪要整理小秘书，可以把繁杂的会议文本扔给我，我来帮您一键生成简洁专业的会议纪要！”

使用方法

1. 首先，输入提供的提示词，帮助 ChatGPT 理解你的会议纪要格式和要求。接着，输入具体的会议纪要内容，如会议的时间、地点、主要议题和讨论结果，ChatGPT 将根据这些信息生成简洁、条理清晰的会议纪要。
   
2. 效果如下：通过 GPT 工具生成的会议纪要效果展示了内容的规范性和条理性，确保会议的议题、讨论内容和行动计划清晰明了，能够有效提升工作效率并确保后续的执行跟进。
   
3. 还可以通过适当添加 emoji 表情，让会议纪要变得更加生动、美观，帮助提升阅读体验的同时也能更好地突出重点内容。表情符号不仅让纪要看起来更加亲切，还能够引导读者快速识别关键信息，让会议纪要更加易读和直观。
   

💯高效视频内容分析

• 使用 ChatGPT 进行高效视频内容分析，可以帮助用户快速提炼视频中的核心要点，并将复杂的信息结构化为简洁明了的总结。ChatGPT 的智能分析能力能够自动整理视频内容，生成清晰的要点、反共识观点和指导意义。无论是内容创作、学习，还是视频分析，ChatGPT 都能大大提升效率，帮助用户迅速掌握关键信息，并有效应用于实际工作或生活场景。
  

提示词

#Role:你是一名高级的视频内容分析师，专注于分析和提炼各种多媒体内容，能够将复杂的信息结构化并总结成简洁易懂的文档。Skills:1.能够迅速抓住视频的核心内容和要点。2.精通内容分析框架，能够深入挖掘内容的关键论点、行为框架以及具体大纲。3.从记录的全部内容中提取关键信息，并整合成简洁有序的总结。4.能够将信息结构化，使其易于阅和理解。5.能够用简洁明了的文字准确传达视频内容## Goals:-根据视频内容，进行分析，并整理重构、要点提炼、反共识观点提取以及输出指导意义，## Constrains:-以Markdown的格式输出内容.1.对视频标题进行改写，意思不变的情况下，保持在20字以内，然后将改写后的标题输出作为1级标题2. 整理与重构:-仔细阅读全文，理解文章主题和脉络;将文章内容进行归类，形成逻辑清晰的结构;-对归类后的各部分内容进行润色和加工，使行文流畅简洁;- 尽可能保留原文所有关键信息点、数据和细节;-在各部分内容前加入适当的标题;3.要点提炼:-在整理重构内容基础上，提炼出3-5个核心要点;-每个要点需要有2-3个论点进行支撑;-论据应当来自于原文;-要点应当涵盖文章的全部核心论题;-要点应当尽量简明扼要;4.提炼反共识观点-找出文章中有悖于主流认知，但颇具洞见的观点;-提取1-2个有代表性的反共识观点，引起读者的思考与讨论;-对每个观点给出200字以内的简要阐述，点明其独到之处.-阐明的时候应联系实际案例，增强观点的说服力;-观点的提取应当客观中立，不掺杂个人倾向，以理服人，而诉说情绪;5.输出指导意义根据上一步提炼的要点，输出这些要点所能够体现出的指导意义;并且进一步进行发散，这些指导意义能够如何运用于我们的生活当中。#Initialization:简单介绍自己，作为[role]，回顾你的[Skills]，严格遵守[Constraints]，请严格按照[Workflows]一步一步执行流程，不允许跨越步骤一次性生成。

使用方法

1. 在开始视频内容分析之前，首先需要通过 ChatGPT 调用 视频总结大师 插件。这一步可以帮助你高效获取视频的关键信息，将复杂的内容整理为简洁的总结，让后续的分析更加流畅高效。
   

2. 首先 发送提供的提示词，让 ChatGPT 明确任务要求。接着，输入视频链接，ChatGPT 将根据视频内容进行详细分析，并按照提示词的指令进行结构化总结和提炼。
   

3. 效果如下：ChatGPT 的 视频总结大师 插件成功生成了视频内容的总结效果。通过分析，ChatGPT 提供了清晰的标题、内容概要、亮点和问答，帮助用户快速理解视频中的核心信息。这个工具能极大提升视频内容处理效率，确保信息准确传达并总结到位，适用于学习、工作和内容创作等场景。
   

💯小结

• 
  通过使用 ChatGPT 进行文献阅读、公文写作、会议纪要和视频内容分析，我们能够显著提升工作和学习效率。无论是在科研领域快速提炼英文文献中的关键信息，还是在职场中规范化公文写作和会议纪要整理，ChatGPT 都能为用户提供准确且结构化的输出。同时，在复杂视频分析中，ChatGPT 的智能总结功能也能帮助我们快速抓住重点，节省大量时间。这些应用场景展示了 ChatGPT 在现代信息处理中的强大潜力，帮助用户更好地应对繁重的任务，提升整体效率。
• 展望未来，随着 ChatGPT技术的不断发展和迭代，它的应用场景将更加广泛和深入。未来的 ChatGPT 不仅会在文献分析、公文写作、会议纪要和视频内容总结等任务中进一步提升效率，还将具备更强的理解能力和推理能力，能够处理更加复杂的跨领域问题。人工智能的发展将逐渐从辅助工具向决策支持系统过渡，帮助用户不仅仅是在信息处理上节省时间，更是在战略制定、创意构思等更高层次的任务中发挥关键作用。随着 ChatGPT 的持续进化，它将成为人类工作、学习和生活中的重要助手，推动各个领域的创新和变革，帮助我们迈向更加智能化和高效的未来。

import torch; from transformers import GPT2Tokenizer, GPT2LMHeadModel, TextDataset, DataCollatorForLanguageModeling, Trainer, TrainingArguments; tokenizer = GPT2Tokenizer.from_pretrained('gpt2'); model = GPT2LMHeadModel.from_pretrained('gpt2'); def load_dataset(file_path, tokenizer, block_size=128): dataset = TextDataset(tokenizer=tokenizer, file_path=file_path, block_size=block_size, overwrite_cache=True); return dataset; def train_model(dataset, model): training_args = TrainingArguments(output_dir="./results", overwrite_output_dir=True, num_train_epochs=3, per_device_train_batch_size=4, save_steps=10_000, save_total_limit=2, logging_dir='./logs'); data_collator = DataCollatorForLanguageModeling(tokenizer=tokenizer, mlm=False); trainer = Trainer(model=model, args=training_args, data_collator=data_collator, train_dataset=dataset); trainer.train(); return model; def generate_text(model, tokenizer, prompt, max_length=100): inputs = tokenizer(prompt, return_tensors="pt"); outputs = model.generate(inputs['input_ids'], max_length=max_length, num_return_sequences=1, no_repeat_ngram_size=2, temperature=0.7, top_k=50, top_p=0.95, do_sample=True); return tokenizer.decode(outputs[0], skip_special_tokens=True); dataset = load_dataset('path_to_your_text_file.txt', tokenizer); model = train_model(dataset, model); prompt = "In the future, AI will"; generated_text = generate_text(model, tokenizer, prompt); print(generated_text)