AI 基础应用与提示词工程

引言

AI应用已经遍布生活中的方方面面，有智能手机的AI助手例如Siri、小爱等，智能推荐的应用例如抖音、小红书等，智能问答的聊天机器人例如ChatGPT、deepseek、豆包等。对于我们来说很难去真正开发这些AI算法，更多的还是如何应用这些工具，接下来就 了解AI，用好AI来展开介绍。此文仅供参考，如有错误还请指出！

AI 基本概念的了解

人工智能（AI）是一个比较大的范围概括，有很多人会产生对 AI 的刻板印象或者是误解：

1. 电影中的机器人就是 AI 的典型代表；
2. AI 是无所不能的；
3. AI 在未来会威胁到人类的生存；
4. …

那么接下来就简单介绍，能够理解AI即可。

AI 发展到现在也衍生出了很多分支，例如自然语言处理（NLP）、计算机视觉（CV）、机器学习（ML)、**深度学习（DL)**等。

主要介绍下 DL ：对于深度学习来说，它的技术处理逻辑是机器从特定的大量数据中总结规律，归纳出某些特定的知识，然后这种知识应用到现实场景中去解决实际问题。

这同传统软件的处理逻辑是不同的，传统软件往往是通过人的经验来告诉计算机你下一步需要做什么。但是这样的处理逻辑也存在很多问题，因为社会是不断发展的，不可能一个规则可以适用于 N 多几年，这就展现出了人工智能的优势了，它可以通过不断的学习来适应这种环境。

但是一定不能把 AI 给神化，一定要明白，AI 也只是一种工具，担任的角色和传统软件是一样的，然后就是看你自己怎么利用这个工具了，如果利用的好，它就是你的得力助手；

AI 的出现就类似，当年计算机的出现，在 N 多年前， 没有计算机的时代，人们都是靠自己来实现一些计算，当然这种计算量级会非常受到限制，那么计算机的出现这个问题就可以游刃而解。

那么现在拥有一台计算机是不难的，但是有的人只会用它打游戏看视频，而有的人却会用它来提高自己的工作效率并为自己带来价值。

所以说有工具，怎么用也是一个问题。

AI 算法应用的思维模式

1. 抽象出来是一个什么问题；
2. 判断这个问题是否可解？
3. 解决这个问题需要什么数据，目前有什么数据？
4. 这些数据用什么结构表达/存储？用到什么算法？
5. 实时应用 / 离线应用 / 成本收益
6. 怎么做？ 谁来做？

了解了AI的思维模式，你才能够更好的运用它，就比如你有一个助理，你肯定也学要先知道她是能干什么，不能干什么，什么干得好，什么干得不好，然后你才可以去交给她任务去完成。

如何写好 Prompt

意思就是你如何跟你的助理进行有效沟通

明确自己的目标

在提问之前，自己首先要思考希望获得一个什么样的回答，是需要一个定义、一个列表、一个步骤指南、还是一个实例？明确目标它才能帮助你提供更准确的回应。

示例：

• 不明确：”介绍一下 AI“
• 明确：“请使用通俗的语言介绍什么是人工智能，并举一个生活中的例子”

提供必要的背景信息

就例如那你要基于一个什么信息让 AI 去回答你的问题，可以给它一个提示，或者说你是以一个什么样的角色去问这个问题的，它就会围绕你的这个角色区回答你的问题。

示例：

• “我是一个初学者，想了解下机器学习的基本概念”
• “作为一名产品经理，我需要了解如何利用AI优化用户体验”

使用清晰、简洁的语言

可以使用分隔符将问题进行分隔提问，还有就是千万不要试图使用方言化的问题去问 AI 问题，它会产生误解的，当然你有能力可以训练一个能够理解河南话的AI也是可以的，哈哈哈

示例：

• 不清晰：“能不能讲讲那个 AI 的东西？“
• 清晰：“请解释下人工智能的基本原理”

指定回答的格式或者风格

如果你希望得到某种格式的结果，完全可以交给 AI 去做输出处理，这样也方便你去使用

示例：

• “请用表格比较三种常见的机器学习算法。”

给大模型一个 “思考” 的时间

明确要完成你问的问题的实现步骤，可以让 AI 一步一步去完成，或者采用 COT的链式思维，这个就好像你在教一个小朋友学习某一个东西，你首先要给他说明一步一步是怎么做的，怎么得到最终结果的。

示例：

• 问题：所有玫瑰都是花，有些花凋谢得很快。我们能否得出结论：有些玫瑰凋谢得很快？

  链式思维提示：

  让我们一步一步地思考：

  1. 所有玫瑰都是花。
  2. 有些花凋谢得很快。
  3. 但这并不意味着所有花都凋谢得很快。
  4. 因此，我们不能确定有些玫瑰凋谢得很快。

  最终答案：不能确定。

  然后再问一个类似的问题，AI 就可以按照你提示的思考过程去思考问题。

总结一点就是，再跟 AI 进行对话的时候，明确问题，明确目标，多给提示，帮助思考，教他思考。

AI 的不足

1. 幻觉问题

   大语言模型在面对一些自己所不知道的知识内容的时候，就会按照它的逻辑去“一本正经的胡说八道”。当然这时候它说的肯定是不正确的，这就要求我们使用者一定要具有辨识的能力，明白自己想要的结果大概是什么样子的？

2. 长尾知识的稀疏性

   对于一些小众的垂直领域的“冷门知识”在通用模型的训练中占比比较低，因此 AI 也无法精准回应；因此也衍生出了许多垂直大模型，通过缩小训练数据范围，让模型在某个领域学得更深，因此能够更加精准的回到相关领域的问题。

3. 知识新鲜度问题

   在通用大模型中的训练数据是有时间截止线的，因此对于最近发生的事情它会毫无了解，对于目前的发展，都是引入了“实时检索”，就模拟用户去网上搜索，然后再总结反馈。

4. 来源与可解释性

   许多AI模型在进行训练的时候，像是一个“黑箱”，我们无法去追溯它是怎么得来的这个结果，因此也无法验证这个结论的真伪，这在某些高风险决策场景中就不太敢去使用这种结论。

5. 数据安全问题

   对于数据安全，如果喂给它的数据包含用户隐私、企业机密，这或许会带来数据泄露的风险。就像是最近字节称不允许使用Cursor，要求使用Trae，这是对于字节来说的，那其他企业呢？

总结与展望

总之，AI 应用有好有坏。它能够帮助我们高效完成一些简单工作，提高我们的工作效率；但随之而来的会让人变得越来越懒惰，什么事情都想要依靠AI来完成。那我们就应该辩证看待AI，仅仅把它当成助手看待，尤其是自己一定要多加思考，然后再配上 AI 的助攻，相信你一定能够到达一个新的高度！