搞定Prompt,让AI成为得力写作助手

举个例子，你开始教孩子认识动物，给他介绍这些动物特征，即使你没教他什么是老虎，当它看到一只老虎时，也会根据之前已有的知识，比如，四条腿、有爪子、有斑纹，来判断可能是一种和猫接近的动物，形成一种认知。市面大模型都必备有零样本学习的能力，针对办公场景，上市的大模型基本会提供例如工作总结、推广方案、产品介绍这样的通用模板，但如果你需要的文体类型比较特殊，可不妨考虑更接近与哪种协作类型，再选择并加以训练。

在教孩子认识猫时，只给他很少的练习机会，它需要在这几次识别猫的练习中迅速掌握如何判别猫的特征的技巧，就如我们向AI提供一些内容，让它快速学会识别你表达的意思。比如，我想让AI给出一个PPT框架，我只有一些背景信息和想法作为原始材料，就能完成预设好的模板PPT，因为经过了大量数据训练，能根据你提供的基础信息给出通用性答案。

还是你教孩子认识动物，在1-shot情况下，给孩子展示一张黑猫照片，并告诉他是猫，然后，当孩子以后再遇到其他颜色的猫，他应该能够认出那也是猫，如果它认不出来，这时，得给它白猫、花猫、无毛猫的照片，于是就有了3-shot、5-shot。假如我需要AI提供一段工作总结，可以先输入几段自己之前的总结内容，并让它按照此类内容为基础，替换时间、工作内容等进行生成，或给出文章关键词和梗概进行关联，再根据生成内容替换部分，进而优化。

比较而言，少样本需要给的是动物图片或者描述，而思维链则需要的是识别动物的方法论或者经验，比如某一本涉及动物及名称的童话故事书，某个小朋友的动物园游记，某一部野生动物纪录片，然后再向AI 询问里面涉及了多少动物，它们有什么特征合习性等等，简单讲，思维链是提问-给大量内容学习-基于内容要答案。

比如，我想让AI帮我回答「如何写年终总结」问题，但我不希望得到很空泛的答案，我会提供一些范文以及我的工作内容概述，问AI基于这些信息，你能得到什么结论，或者给出某方面建议，这时，它给你提出的内容及细化过程有可能给你的需求非常丰富的提示，与1-short的区别主要在于获得AI的行文逻辑，可以给自己的写作增加灵感。

像给AI上一堂课，通过训练明确告诉它，是什么、为什么、对错、好坏，好比专业老师给孩子上生物课，会明确地告诉你，每种动物的详细说明。如果我们不是用AI来处理如医疗诊断、金融分析这类专业度极高的领域，一般用不上完全监督，毕竟面向公众的AI不容易进行系统性训练。但是大型集团化或者行业领导型企业，出于采用AI大模型提高生成力驱动下的业务、流程高效优化，或者进行深入训练时，往往会针对行业及自身采用完全监督的形式进行AI 训练，揭示所有员工的经验和需求都共同组成训练要素。

像研究生选择方向学习专业课，让他除了精通动物门类的精准辨识之后还可以进修出诸如兽医学等延伸知识。比如，在能够通过基础内容生成PPT后还能保证语句通顺、板式整洁、富有美感等等。准确来说，应该称之为“训练指令”，目前的大模型在内容本身精益求精方面还不够“敏感”和“纤细”，自己手动加工效率可能会更好。

前者像教一个某领域已有建树的人如何快速学习另一个学科门类诸如地理和天文，掌握学习背后的方法论；后者，就是把这种学习方法，传授给另一个人。其实这也是目前AIGC的发展瓶颈之一，在Prompt这个层面难以应对，因此日常想使用AI处理一些复杂PPT、文档、Excel什么的，知道这些工具的基础原理，掌握少样本、思维链，比整理一大堆Prompt技法会更有效。

AI，不仅是效率工具也是绝对脑力助手，能否有效地使用AI，并不完全取决于选择产品有多先进，关键我们的思考方式是不是随着工具在更新，要把我们习以为常的工作习惯抽象为Prompt传达给AI，并在不断驯服AI的过程中逐渐革新方法论。

图片来源于网络