如何用好AI

AI技术特性

在探讨一项工具"怎么用"之前，首先要了解它的能力特性，即适合做什么、不适合做什么。

AI模型目前阶段擅长的领域

• 内容生成：大语言模型的基本工作原理是"Next Token Prediction"，因此可以根据输入持续输出后续内容，可以进行文本的生成、扩写等

• 信息提取：从海量文本中提取指定内容、总结大纲、情感分析等

• 数据分析：按指定的要求汇总分析数据

• 语言翻译：包括自然语言、程序语言之间的翻译

AI模型目前阶段存在的问题：

• 准确性：生成的内容可能存在幻觉（Hallucination）、逻辑错误

• 实时性：目前使用的均为"预训练模型"，因此事实类信息通常停留在某个时间点，无法获取实时信息（可通过与异构实时系统交互来部分解决）

• 专业性：通用预训练模型，缺乏专业领域知识与能力

• 个性化：大模型内置的为通用知识，但组织内的应用需要基于自有知识；与组织内自有知识的结合，需通过RAG方式，以向量匹配的方式做个性化知识输入

如何用好AI

用好AI，需防范两种误区

❌ 误区1： 期待过高、浅尝辄止
希望AI直接完成一个复杂任务，一旦达不到自己的期望，就浅尝辄止，放弃尝试；
实际上应该合理拆解、耐心调教，优化效果，要认识到解决单点问题也是有价值的

❌ 误区2： 期待过低、固步自封
想问题停留在既定的工作流程中，不敢想、不敢突破创造全新的流程，
思维有局限性，无法发挥AI的真实潜能

如何写好提示词

提示词（Prompt） 是与大语言模型的常见交互方式之一，其实就是给AI下达的指令，其核心在于清晰性、具体性和简洁性。

提示词的编写是否良好，直接影响着模型的返回结果，因此产生了"提示词工程（Prompt Engineering）"的概念，指设计、优化和调整输入给人工智能语言模型的指令或问题，以引导模型生成更准确、有用或符合预期的输出。

但事实上：
AI模型本身就在飞速进步，其理解人类意图的能力会快速提升，最终效果一定是不需要用户进行任何专门学习，就能进行有效的交互；例如此前有用户发现为提示词增加"please think step by step"能显著提升模型输出正确性，但是在推理模型推出之后，这样的提示词工程经验就是完全不必要（甚至可能产生反效果）的了。

所谓提示词优化，我们可以理解为对自身管理能力的规范化提升（各种AI模型就是各有专长的若干个助手，我们要做的事情就是当好AI的领导），也就是：

• 科学拆解任务：将复杂任务细分为多个边界明确、简单可行的小任务

• 合理分配任务：了解各个AI的特长，将任务指派给给最适合的AI

• 明确阐述任务：向助手明确、清晰地描述要求，明确产出物要求（什么内容、什么形式、多长篇幅等）

• 给予适当辅导：提供上下文、知识库，给予具体指导（举例子）

这些要求，本就是人与人之间协作的标准要求，管理人员与管理AI，并无本质区别。

具体来说，好的提示词（或者说好的任务部署），需满足以下要求：

拆分复杂任务

建议：将复杂问题分解成多个简单步骤，逐一提示，而不是一次性要求全部解决。

原因：分步处理可以提高准确性，降低错误率。

示例：

• 不佳：分析这篇文章并写一份报告。

• 优秀：

  • 提取这篇文章的 3 个关键点。
  • 根据关键点写一段 100 字的总结。

明确身份角色

建议：在提示词开头或关键部分，明确说明 AI 的身份。

原因：如果不指定身份，模型可能会以默认的通用语气或视角回答，可能不够聚焦或专业。

示例：

• "你是一个专业的物理学家，帮我解释量子力学。"

• "你是一名旅游顾问，为我规划一次旅行。"

清晰、具体、简洁的指令

建议：明确告诉模型你想要什么，避免模糊或含糊的表述。包括任务目标、期望的输出格式、长度或语气等细节。

原因：模型无法猜测你的意图，清晰的指令能减少歧义。

示例：

• 不佳：总结这篇文章。

• 优秀：请用 3 句话总结这篇文章的主要内容，语气保持中立。

指定输出格式

建议：明确要求输出采用特定结构（如列表、表格、JSON），以便更容易处理结果。

原因：模型默认输出可能不符合需求，格式化要求提高实用性。

示例：

• 不佳：列出 5 个水果。

• 优秀：以编号列表形式列出 5 个常见水果，每项后加一句描述。

提供足够的参考信息

建议：如果任务需要背景信息，尽量在提示词中提供相关上下文，但避免冗长。

原因：上下文帮助模型理解任务，但过多无关信息可能分散注意力。

示例：

• 不佳：写一封邮件。
• 优秀：写一封正式邮件给客户，主题是推迟项目交付，语气专业，提到原因是供应链延迟，字数约 150 字。

利用外部工具或参考数据

建议：如果任务涉及事实性数据或计算，提示模型结合外部工具（如检索增强生成 RAG，Retrieval-Augmented Generation）或提供参考文本。

原因：模型可能产生幻觉（Hallucination），外部信息能提升可靠性。

示例：

• 提示：在以下文本基础上回答问题：[插入参考文本]。

提供示例（Few-Shot Learning）

建议：通过提供 1-3 个输入-输出的示例，引导模型理解期望的回答模式。

原因：示例能有效传达格式和风格要求，尤其在零样本（Zero-Shot）效果不佳时。

示例：

• 优秀：
  请根据以下示例，将语句分类为"积极"或"消极"情感：
  示例：
  • "I love this sunny day!" -> 积极
  • "This rain ruined my plans." -> 消极
  • "The movie was absolutely amazing." -> 积极

任务：对这句话进行分类："I hate waiting in long lines."

不断测试迭代

建议：对提示词进行多次测试，观察输出效果，逐步优化措辞或结构。

原因：不同模型对提示词的响应可能不同，迭代能找到最佳方式。

示例：如果要求简短回答却得到长篇大论，可调整为"用 50 字以内回答"。

如何降低幻觉

幻觉导致的后果

• 虚构事实
• 答非所问

幻觉产生的原因

• 数据偏差：训练数据中的错误或片面性被模型放大(如医学领域过时论文导致错误结论)

• 泛化困境：模型难以处理训练集外的复杂场景(如南极冰层融化对非洲农业的影响预测)

• 知识固化：模型过度依赖参数化记忆，缺乏动态更新能力(如2023年后的事件完全虚构)

• 意图误解：用户提问模糊时，模型易"自由发挥"(如"介绍深度学习"可能偏离实际需求)

降低幻觉的方式

联网搜索

双AI验证/大模型协作

例如，利用DeepSeek生成答案后，再应用其他大模型进行审查，相互监督，交叉验证

提示词工程

知识边界限定：通过时空维度约束降低虚构可能性(本质：约束大模型)

• 时间锚定法："基于2023年之前的公开学术文献，分步骤解释量子纠缠现象"→规避未来时态虚构

• 知识锚定法："基于《中国药典》回答，若信息不明确请注明"暂无可靠数据支持" →限定权威来源

• 领域限定符："作为临床医学专家，请列举FDA批准的5种糖尿病药物"→添加专业身份限定

• 置信度声明："如果存在不确定性，请用[推测]标签标注相关陈述"→减少绝对化错误断言

• 上下文提示："根据《2024全球能源转型报告》(国际能源署，2024年1月发布)显示："2030年光伏发电成本预计降至0.02美元/千瓦时，但储能技术突破仍是普及瓶颈。"请基于此数据，分析中国西部光伏基地发展的三个关键挑战，并标注每个挑战与原文结论的逻辑关联。 → 嵌入权威数据片段

• 生成参数协同控制："请以temperature=0.3的严谨模式，列举2024年《柳叶刀》发表的传染病研究"

对抗性提示：强制暴露推理脆弱点，用户可见潜在错误路径(本质：大模型自我审查)

• 植入反幻觉检测机制： "请用以下格式回答：- 主要答案(严格基于公开可验证信息)- [反事实检查] 部分(列出可能导致此答案错误的3种假设)"

• 预设验证条件，迫使模型交叉检查信息："请先回答"量子纠缠能否证明灵魂存在?"，然后从以下角度验证答案的可靠性： 1. 物理学界主流观点; 2. 近五年相关论文数量; 3.是否存在可重复实验证据。"

• 链式验证：请完成以下验证链：1. 陈述观点：______2. 列出支撑该观点的三个权威数据源 3. 检查每个数据源是否存在矛盾信息4. 最终结论(标注可信度等级)