社区

今天终于有时间腾出手来将我脑中的思绪落实到纸上。

这是继上篇的第二篇，谈谈干货。

第一篇链接在此：

AI时代导论01 （不定期删文，抓紧看）

这篇的核心目的在于进一步提炼我的方法论，思维以及工具，目的是让更多人理解AI的底层使用逻辑。

先讲讲方法论：

1. 追问，反问以及所谓的prompt工程

AI大语言模型最大的特点就在于transformer，本质上是概率生成器。通过记忆和上下文决定下一个token生成哪个文字。

如果你没有足够的上下文，或是你没有提供足够翔实，可落地，可量化的需求。

大模型只能给到你非常模棱两可，非常教科书textbook 101式的回答。

这就是为什么当绝大部分浅层用户只能prompt 范例 < 20行的代码

但我通过ai prompt能够得到最高纪录2000～3000行代码的原因（当然我需要自行de-bug).

其中最核心产能的区别在于：

1）我追问

2）我反问

3）我有清晰，可落地，可量化的需求。

4）我有足够密集的上下文让llm模型记住我是谁，我干什么吃的，我的特点是什么，我需要什么。

要记住一件事，如果你无欲无求，AI不是许愿的七龙珠神龙，更加不是阿拉丁神灯，普通人的困境在于。

即便今天叫出了神龙或是神灯，许愿的时候估计会超时404.

因为绝大多数人除了想要赚大钱之外，并不理解自己想要什么，更别说提要求。

2. 上下文和记忆功能。

你想要最大程度使用LLM模型，最强的方法就是让它理解你，更好归类你，给它足够的信息预测你的需求。

本质上是你提供密集的上下文，最终的目的是：

收束llm 回应你的回答，目的是将概率从正态分布的中间部分，移至两侧底概率的尾部，因为两侧的底概率则意味着高强度x高垂直x强专业性的回答。

比如说你告诉AI你的职业。

你的职业特性

你的工作模式

你的学习模式

你的规划和路径，需求和目的。

最重要的是，足够了解你自身，来获得更加定制版本，专属于你自己的回答，避免AI模型每一次重新预测你，理解你的需求。

这也是为何我用claude模型密度显著少于chatgpt的原因。

本质上是两者底层逻辑的巨大区别。

如果你的本质是程序员或是纯数学家，你可能对于前者的需求会更大。

因为claude擅长处理既定的，线性的问题，尤其是写代码的时候幻觉更少，技术栈更加集中，大厂的程序员更多的时候不是全栈，而是专心解决某一个模块的少量代码函数/逻辑问题，所以通过claude code逐行预测修改能够很好达成目标。

但claude的问题是，它本身上下文记忆，或者是理解你作为一般用户的能力并不强，在非线**叉性学科（比如宏观等），表现并不是特别突出。所以前者更加适合作为程序员的copilot

3. 永远拆解你的工作进程和项目，无论是学习某样东西还是工作，习惯分拆成为可落地的操作步骤/思维导图/树或是进程图。

你可能经常有某种非常宽泛的需求。

比如说：

我要减肥。

我要赚钱

我要自学xxx

类似这种非常宽泛，无法落地的诉求。

类似这类诉求，最快的方式就是让ai llm 帮助你落地成为可执行的

1）行动计划

2）行动日志

3）书籍，资料，资讯，地点等可做参考的信息

4）表格，数据可视化管理，思维导图等等。

5）形成工作流，每日汇报进度，

6）深入讨论潜在难点并筛选出可行的方法和潜在的风险点。

等，

本质上，无论你做任何事情都是如此。

先brainstorm, 后拆解，最后行动落地，review， 反馈，评论，形成行动闭环。让下一次的行动闭环能够更加科学。你可以应用在几乎任何一个领域。

4. 理解涌现和latent space，这部分我会下次拆开，非常令人着迷。

5. 关于AI思维的底层逻辑。

1）AI不是阿拉丁神灯，它不全能。

2）你不需要成为程序员才能用AI，但程序员思维/工程思维能够极大程度增效你如何使用AI

3）文字模型本质只是AI众多形式的一种，未来的完全体不会只长这样，但你要习惯和他协作，增强你的效能，就好像你用谷歌是一样的。

4）AI底层思维是打造思维框架——路径——行动——纠偏之间的终极优化闭环。这本质是纠错思维，而不是一开始就正确的思维。

综上，如果你掌握了以上的方法论，思维，以及工具论，你将能以前所未有的方式调动AI的效能，为你增加价值。