工作多忙不過來時，只能找AI幫我干活兒。

這種選擇挺享受，它能提高效率，也有人吐槽我說，我太懶，現(xiàn)在科技發(fā)展快速，適當(dāng)用一些工具蠻有必要的。

你也用過像文心一言、天工、KIKi Chat、騰訊混元這樣的大型模型。之后會發(fā)現(xiàn)，給出答案比較傻，不夠聰明的樣子。我覺得不是AI的錯，都幾百億參數(shù)了，是你不會用。

大家怎么用的呢？舉個例子：

一般拿到一個帶有對話框的AI大模型，第一個請求是，幫我寫一個小紅書種草、大眾點評文案，這種看似直接而具體的請求，幫助不大。

為什么？因為AI大模型有龐大基礎(chǔ)數(shù)據(jù)，但它生成的能力都受限于具體背景之下，所以，你在沒有任何背景信息給到它時，只能基于百億數(shù)據(jù)中的通用場景，給你答案。

01要用好大模型，首先要明白prompt。

中文中叫法比較多，有人說是命令、關(guān)鍵詞、魔法咒語，我喜歡叫它對話框。在我看來prompt像一個嘴巴，與人對話的嘴巴，你想要從它那里拿到什么，就要給它什么。

比如說：

想讓AI幫你畫畫，得告訴它熊貓、可愛的、水墨風(fēng)，畫的不像再加點胖乎乎，正在吃竹子，你想讓AI幫你寫個寫故事，就得輸入風(fēng)格、什么類型，多少字。

這不難理解，用AI像丟線索，根據(jù)你給的線索和它以前學(xué)的東西，給你回答。懂得怎么用prompt，AI才能更準確地搞懂你想要什么。

提示詞這活兒看起來也不難，都是日常話。百度創(chuàng)始人李彥宏和open AI創(chuàng)始人Sam對提示詞理解都一樣，說，你要條理，有結(jié)構(gòu)、舉例子、講知識點，引導(dǎo)它思考。

如果你要在網(wǎng)上搜索關(guān)于prompt的文章，會發(fā)現(xiàn)，這些內(nèi)容大多給你一些現(xiàn)成模板，很少講到一些通用或深層次改進方法。為什么會這樣？

一方面，prompt優(yōu)化領(lǐng)域比較新，尤其在細分場景下，大家還在摸索中。另一方面，直接給出現(xiàn)成prompt更符合快速閱讀習(xí)慣，畢竟誰都希望快速找到想到的東西。

假設(shè)只聊提示詞，就沒意思了，所以，我想結(jié)合自己使用習(xí)慣，聊一些更深度的。在整個prompt對話中，對話分為六種分類：

• 零樣本

• 少樣本

• 思維鏈

• 完全監(jiān)督

• 細化提示

• 元學(xué)習(xí)或模型遷移

零樣本（Zero-shot learning）像教一個孩子識別動物。不給它看每一種動物，它也能識別大概。

類似于，你教會孩子什么是貓狗、讓他認識這些動物特征，即使你沒教他什么是象，當(dāng)它看到一只象時，也會根據(jù)之前已有的知識，比如，四條腿、大耳朵、長鼻子，來判斷可能是一種大型動物。

市面大模型，通常不被定義成零樣本。

它們有零樣本學(xué)習(xí)的能力，好比一個人讀過很多書，雖然他沒有研究過什么是社會心理學(xué)，由于他閱讀比較廣泛，遇到新問題時，也會利用已有的知識給出合理答案。

02我對少樣本（Few-shot learning）的理解是：

像教一個孩子學(xué)自行車，只給他很少的練習(xí)機會，這個孩子需要在這幾次練習(xí)中迅速掌握如何保持平衡和控制自行車的技巧。

同樣，AI領(lǐng)域，少樣本意思是，我們向AI提供一些內(nèi)容，讓它快速學(xué)會識別你表達的意思。比如，我想讓AI給出一個PPT框架，我只有一些背景信息和想法作為訓(xùn)練材料，給到它，它會給出基礎(chǔ)答案。‍

這就解釋了，為什么市面那么多預(yù)設(shè)好的模板式prompt。

因為大模型已經(jīng)接受過大量數(shù)據(jù)訓(xùn)練，變得相對聰明，能根據(jù)你提供的基礎(chǔ)信息給出答案。也意味著，當(dāng)你讓它進行文本處理、邏輯推理時，不需要準備太多額外材料，它就能處理。

如果效果未達預(yù)期，你要增加一些樣本、示例、演示，以幫助它更好的理解任務(wù)要求。在大模型領(lǐng)域會把示例稱之為1-shot。

按照技術(shù)語言說，1-shot等于一個單例學(xué)習(xí)（One-shot learning）。也就是，AI通過一個示例（一個數(shù)據(jù)點或一個樣本）來學(xué)習(xí)執(zhí)行某項任務(wù)。

比如，你教孩子認識動物。

在1-shot情況下，給孩子展示一張獅子照片，并告訴他是獅子。然后，當(dāng)孩子以后再遇到其他獅子（無論是玩具獅子、動畫里的獅子、還是書上的獅子圖片），他應(yīng)該能夠認出那也是獅子。

如果它認不出來，這時，得給它更多相似的照片，于是就有了3-shot、5-shot。我總結(jié)下來，想讓任何一個帶prompt的AI給出少樣本答案，有兩種通用辦法：

其一，把需求說完法

比如，我服務(wù)一些甲方客戶，經(jīng)常要寫brief。

我的對話會是這樣，我是一名營銷專家，現(xiàn)在要做茶飲推廣，要一個完整小紅書營銷框架，里面包括市場競品分析、用戶畫像分析，渠道建議，預(yù)算分配、預(yù)期結(jié)果，我的預(yù)算在20萬以內(nèi)，推廣時間是1個月，你跟我拆分下。

這種提問，一次把所有相關(guān)信息、具體需求都給它，它能提供一個全面的框架，特別適合時間緊迫，已經(jīng)非常清楚自己的需求時使用。

值得注意的是，當(dāng)AI給你框架后，不符合預(yù)期怎么辦？這時，就要分階段優(yōu)化。

比如，當(dāng)AI給我提供市場分析時，沒有背景信息，那我就會給它補充1-shot背景信息（公司介紹、產(chǎn)品特點）幫主它更好理解情景。

提供這些信息后，別忘了，讓它記住這些背景資料，然后，再次請求它進行市場分析。這樣，AI能夠更全面，生成更符合你的答案。

其二，六步層次法

簡單講：問得清楚、慢慢調(diào)整問題、告訴它你想要什么樣的答案、一步一步來、用關(guān)鍵詞、給我反饋，不行在試試。

舉個如何提高工作效率的例子。假設(shè)你上來說，如何提高工作效率，那它給你的答案很通用，怎么辦？這時，要調(diào)整為，我是一名程序員，每天敲代碼、開會，請給我建議。

得到答案還不滿意，可以進一步指定，類似于，請以列表形式、給出具體步驟或技巧。這些技巧還不能滿足預(yù)期怎么辦？我就會增加難度的說，你從認知心理學(xué)視角，給我建議。

所以，一輪又一輪，不斷交互用關(guān)鍵詞，不行再試試的方法持續(xù)迭代，能讓AI更精準的回答你的問題。

兩種方法我比較喜歡第一個，一次性說完再補充。另外我有個習(xí)慣，會讓它扮演「提問助手」，讓它幫我寫提示詞，用它給的提示詞，問問題，這招挺有意思。

不過記住，它給出的答案只能作為參考，用時，還要謹慎；類似，當(dāng)涉及到市場分析，應(yīng)當(dāng)堅持以事實、數(shù)據(jù)為依據(jù)，避免它的主觀臆斷、無根據(jù)推理。

03比起少樣本，更深層次是思維鏈（Chain of Thought）。

大白話來說，當(dāng)我要解決一個復(fù)雜問題，不是直接跳到答案處，而是一步一步，用邏輯推理方式，把思考過程輸入給它。

AI領(lǐng)域，特別處理復(fù)雜問題，或深度推理的任務(wù)時，思維鏈可以讓AI模型闡述出它的「思考過程」，好比一個人在解數(shù)學(xué)題時，不僅給出答案，還要寫出解決問題的各步驟，說明怎么算出來的。

用它的方法和少樣本有區(qū)別。

少樣本有點一層層剝洋蔥的感覺，它通過我的例子，理解我要表達的意思，快速適應(yīng)我的任務(wù)，這個方式適用于我的數(shù)據(jù)（內(nèi)容）很少，而思維鏈是先直接定義問題，然后逐步拆解。

舉個例子：

我是一家餐廳老板，我想分析客戶評論。這種情況下，我把我有的評論都給它，它能快速學(xué)習(xí)，并識別出滿意度、常見的投訴、建議。

也就是，信息量不大，AI也能深入挖掘這些評論的意思，提取出有用的見解，幫我理解客戶們的感受。

思維鏈不同。

比如，我給AI一本電子書《原則》，我的目的從中提取對餐廳經(jīng)營有用的核心原則，那么，這種情況下，AI的方法是，它會分析這本書寫的什么，識別出與業(yè)務(wù)相關(guān)、服務(wù)相關(guān)的關(guān)鍵原則。

然后，它會展示出，它的思考過程。比如，如果將這些原則應(yīng)用到你的餐廳中、預(yù)期效果會如何，整個過程不僅包括對書里概念的解讀，還包括，怎么將理論轉(zhuǎn)化成實踐的步驟。

之前，我曾說我電腦里電子書特別多。怎么用的呢？

假設(shè)我想寫一篇關(guān)于「認知心理學(xué)」方面的內(nèi)容，現(xiàn)在要找到關(guān)于認知偏差、記憶方面的概念，為了收集相關(guān)信息、觀點，我會把電子書作為資源。

首先，我把電子書給到AI，接著，我會向AI提出一個要求，比如：就這本書內(nèi)容，你能幫我找找關(guān)于認知偏差、記憶方面的重要概念、理論、研究成果嗎？請關(guān)注那些可以用在決策過程中的信息。

利用思維鏈方法，AI會做這三步：

1.內(nèi)容篩選和分析

2.關(guān)鍵概念的提取

3.實際應(yīng)用和建議

整個過程你可能看不見，AI會從電子書中篩選出和我指令相似的章節(jié)、段落，集中分析后，將這部分理論在哪一頁給到我，最后會附上一些建議。

它特別適合HR使用，如果你每天要看幾十份簡歷，最簡單的辦法是，把所有簡歷下載下來，全部給它，然后對著它提問，讓它從年齡、學(xué)歷、項目成果逐個幫你篩選。

讀書也一樣，給到它直接提問。

我經(jīng)常提到，中國人和西方人在思維方式上有很大區(qū)別。中國人傾向于關(guān)注是什么，比如，拿一本書，會從頭到尾認真讀完，每個字都想不錯過。

西方孩子則不太一樣，他們更喜歡問為什么，會先思考這本書在寫什么，想解決什么樣的問題。這種思維方式上的差異，跟教育、環(huán)境有很大的關(guān)系。

寫作也是同樣的道理。

很多人寫文章，一開始想文章的結(jié)構(gòu)應(yīng)該怎樣，要表達什么，但卻忽略一個更重要的問題：我為什么要寫這個話題？通過話題反映什么問題，解決什么問題？如果你能先明確問題，找答案會容易多了。

此類思維后天也可以培養(yǎng)，

我有一個方法用了多年，那就是「黃金圈思維（Golden Circle Thinking）」簡單講：為什么（Why），怎么做（How）做什么（What），把為什么放前面。

話說回來，知道AI思維鏈工作的方式，日常怎么用呢？你可以試試我的三步走：

1.定義問題給出數(shù)據(jù)

2.提出具體的問題

3.分析AI的回答并應(yīng)用

比如，我想讓AI幫我回答「如何減少家庭能源消耗」問題，但我不希望得到很籠統(tǒng)答案，我會在它第一輪回答后說，你給的答案太寬泛。‍

然后，我給你一些具體節(jié)能措施、最新學(xué)術(shù)研究報告?；谶@些信息，你能給出建議嗎？這時，它會給你提出具體的方法，并把分析過程給你。

如果直接給你結(jié)論，缺少了過程，你可以要求它按照因為、所以、結(jié)構(gòu)化表達出來；最后，你根據(jù)建議調(diào)整方法，實現(xiàn)想要的結(jié)果。

簡單講，思維鏈是提問-給大量內(nèi)容學(xué)習(xí)-基于內(nèi)容要答案。

04

完全監(jiān)督（Fully Supervised），像給AI上一堂明確答案的課。這個訓(xùn)練中，給它展示很多例子，并且，每個例子都明確告訴它，這是什么、對錯、好壞。

好比學(xué)校里，老師給我們上課，會明確地告訴你，每個問題的正確答案。

我們用大模型要記住，它不是完美的，雖然受到平臺監(jiān)督，但說的也不一定全對，因為這些答案是批量訓(xùn)練出來的，數(shù)據(jù)會存在一些偏見。

我記得之前有人用文心一言的AI模型來測試，問它，李彥宏是不是資本家？，它回答不是，但當(dāng)問馬云是不是資本家？時，它卻說是。

如果不是技術(shù)工程師，日常應(yīng)該不會直接用到「完全監(jiān)督」模型，我只想告訴你，了解基本原理和局限性，對我們有益，尤其涉及細分領(lǐng)域，特別專業(yè)的內(nèi)容上。

比如，律師條例，股票分析。

模型會因為訓(xùn)練的局限性，缺乏上下文理解不夠，提供不準確的信息，它的回答還會讓你毫無察覺。

國內(nèi)大模型，幾乎測試過來了一遍，我發(fā)現(xiàn)好多屬于魚型容易忘事，你給它很多內(nèi)容，有了上文，沒下文，要么，有了下文，問上文內(nèi)容時早就丟完了。

這意味著，這些模型處理某些特定任務(wù)時，給的框架還行，但在復(fù)雜情境中，表現(xiàn)就一般了。

細化提示（Fine-Tuned prompting），我理解的是，像給一個已經(jīng)學(xué)了很多東西的學(xué)生補習(xí)課，讓他在某個特定科目上更擅長。

比如，一個AI模型，已經(jīng)學(xué)很多互聯(lián)網(wǎng)上的文本，但，如果你想讓它更擅長處理法律文檔、醫(yī)學(xué)論文，得給它更多這方面的信息，讓它在這些特定領(lǐng)域變得更聰明。

從日常角度，用到的地方不會太多，充其量就在做PPT、寫文章、搞內(nèi)容創(chuàng)作時。準確來說，那也不叫細化提示，應(yīng)該稱之為訓(xùn)練指令，所以，細化提示指更底層的模型訓(xùn)練。

元學(xué)習(xí)和模型遷移（meta-Learning or Model Transfer）個人層面，國內(nèi)用到更少。前者像教一個人如何快讀學(xué)習(xí)東西，掌握學(xué)習(xí)背后的方法論，后者，就是把你訓(xùn)練出來的模型，用到另一個任務(wù)上。

類似于，從企業(yè)角度，一個原型原來可以識別圖片，現(xiàn)在你用它可以做音頻。

我唯一一次獨特體驗是，花了一天時間，把自己寫過的所有文章，都給到AI，然后，讓它總結(jié)我思考問題的方式、語言風(fēng)格，表達習(xí)慣、最后想看看到到底什么樣，結(jié)果，崩了。

所以，如果你日常想使用AI處理一些PPT、文檔、Excel什么的，知道它的基礎(chǔ)原理，掌握少樣本、思維鏈，比整理一大堆prompt強多了。

值得一提的是，任何一個帶prompt（對話框）的AI，都可以做以上操作，也不用局限于用一大堆AI產(chǎn)品。換句話說，把對話框當(dāng)成數(shù)字人，你想要什么，就給什么，問什么。

總結(jié)而言

AI，絕對腦力助手。

能否有效地使用AI，并不完全取決于選擇產(chǎn)品有多先進，關(guān)鍵你的思考方式是不是變了。用舊思維體驗新產(chǎn)品，如同，走老路，永遠到不了新地方一樣。

看完覺得寫得好的，不防打賞一元，以支持藍海情報網(wǎng)揭秘更多好的項目。

標簽： 模型 答案 樣本 隨筆