本文是 ChatGPT Prompt 最佳指南系列的第三篇，全部系列文章：

1. ChatGPT Prompt 最佳指南一：写清晰的说明；
2. ChatGPT Prompt 最佳指南二：提供参考文本；
3. ChatGPT Prompt 最佳指南三：复杂任务拆分；
4. ChatGPT Prompt 最佳指南四：给模型思考时间；
5. ChatGPT Prompt 最佳指南五：借助外部工具；
6. ChatGPT Prompt 最佳指南六：系统基准评测；

在我们日常生活中，无论是烹饪一道复杂的菜肴，还是组装一台复杂的机器，我们都会自然而然地将复杂的任务拆分成一系列更简单、更易于管理的子任务。这种策略也同样适用于计算机领域。想象一下，如果没有函数这种工具，我们如何能够有效地编写和管理复杂的代码呢？函数的发明，实际上就是为了将复杂的任务拆分成更小、更具体的子任务，使得代码更易于理解和维护。

同样，对于人工智能，特别是像 GPT 这样的模型来说，拆分子任务的策略也同样重要。将复杂任务拆分成更简单的子任务可以帮助 GPT 更好地回答问题，原因主要有以下几点：

• 理解上的优势：GPT 通过处理一系列简单的任务，可以更好地理解和处理复杂的问题。每个子任务都可以被看作是一个独立的问题，GPT 可以专注于解决这个问题，而不是同时处理多个问题。
• 上下文的限制：GPT 的上下文窗口有限，也就是说，它只能看到最近的一定数量的输入和输出。如果一个任务太复杂，可能会超出这个窗口，导致 GPT 无法看到所有的相关信息。通过将任务拆分，可以确保每个子任务都在 GPT 的上下文窗口内。
• 减少错误的可能性：如果一个任务非常复杂，GPT 可能会在尝试解决它的过程中犯错误。通过将任务拆分成更简单的子任务，可以减少这种错误的可能性。
• 更好的反馈：当你将一个复杂任务拆分成子任务时，你可以在每个子任务完成后给予 GPT 反馈，这可以帮助 GPT 更好地理解你的需求，从而提供更好的答案。

在 神奇 Prompt 让 GPT4 化身英语老师和神奇 Prompt 让 GPT4 化身物理老师中，已经看到了 GPT4 进行教学的可能性。数学和其他学科比，更加的深奥难懂，GPT 刚出来的时候，连简单的加减乘除都做不对。现在我们尝试来让 GPT4 教我们大学微积分，当然这里用了插件 Wolfram，主要完成计算和绘图功能。

第一步依然是把 prompt 复制给 GPT 作为初始问题，然后用 /language 简体中文 指定后续的语言，接着指定想学习大学的微积分，让它循序渐进给我们讲解。最终的微积分学习助手配置如下：

• 🎯深度：大学
• 🧠学习方式：循序渐进
• 🗣️沟通方式：无特别偏好
• 🌟语气方式：温和
• 🔎推理框架：无特别偏好
• 😀表情符号：❌
• 🌐语言：简体中文

下面文章中引用部分是我的提问，其余部分都是 GPT4 的回答。

Redis 项目中，一个名为 “[BUG] Deadlock with streams on redis 7.2” 的 issue 12290 吸引了我的注意。这个 bug 中，redis 服务器在处理特定的客户端请求时陷入了死循环，这个现象在 redis 这样的高性能、高可靠性的数据库系统中是极为罕见的。

这个 Issue 不仅仅是一个普通的 bug 报告，它实际上是一次深入探索 Redis 内部机制的学习过程。从问题的发现，到复现步骤的详细描述，再到问题的深入分析，最后到解决方案的提出，每一步都充满了挑战和发现。无论你是 Redis 的使用者，还是对数据库内部机制感兴趣的开发者，我相信你都能从这个 issue 中获得有价值的启示。

在开始研究这个 bug 之前，我们先简单了解下这里的背景知识：redis 的流数据类型。