你真的会用 ChatGPT 吗？来看看这 4 个模式，让你的 AI 技能更上一层楼！（上）

一年半已经过去，ChatGPT 虽然风靡一时，但真正发挥其超过 30% 效能的人却寥寥无几。许多资深用户依然沿用传统的人机交互方式，认为只需要事无巨细地编写指令，让 AI 服从即可。大多数人并不了解这些生成式 AI 的某些不为人之的特性，比如翻转交互（Flipped Interaction）等。

这就是为什么，我们虽然花费了大量的时间来编写 Prompt 并且一而再再而三地去向 AI 追问，但是最终得到的结果却依然低于我们预期的原因。

目录

• 引言
• 翻转交互模式
• 协作任务定义与语境增强
• 总结

引言

大多数情况下，这些 AI 不过是被当成一种工具，用来回答问题、根据提示生成文本或处理数据。如果这些工具没有能够提供令我们满意的回答，我们要么就继续追问，要么就干脆换个工具。

这里其实有一个隐藏的观点，也就是说：如果我们没有时间来详细描述想要让 AI 做的事情，或者我们还没有完全明确这件事情本身，那我们可能就不会去使用 AI 了。

这种观点明显限制了生成式 AI 的范围和价值。AI 其实可以做比我们想象的多得多的事情，它们除了可以回答我们的各种各样的问题之外，还可以扮演多种角色。而且，我们不一定非得指导或者训练它们才能够得到满意的回答。

通过让 AI 角色更加广泛和多样化，我们可以扩大 AI 解决问题的范围，得到更高质量的成果，这样也能减少我们编写 Prompt 的负担。

也就是说，我们需要让 AI 扮演一些非传统意义上的角色。

本文将这些非传统角色归为 4 种模式，将分为上下两篇文章为你详细介绍。

翻转交互模式

翻转交互模式，Flipped Interaction Strategy，换句话说就是，角色反转，让 AI 来引领对话，让 AI 来问我们问题。

在翻转交互模式中，定义好明确的交互目标非常重要，主要体现在以下三点：

• 明确的目标可以让 AI 优先提出相关问题，并根据我们的需求定制回复，从而带来令人满意且简化的对话。
• 明确的目标能够让 AI 理解需求、调整提问方式并避免陷入无休止的提问循环。
• 明确的目标可以确保高效有效的对话体验，从而实现既定的目标。

通常，这种方法可以减少用户的时间和认知投入，这与大部分 AI 使用者的目标完全契合。毕竟，我们的初始需求是让 AI 提效，而不是因为使用 AI 增加了我们的工作时间。

案例

例如，我们想要利用 AI 掌握一个比较广泛的主题，比如通过 Dall-E 来学习 AI 图像生成的技巧。

首先让 AI 询问我们问题，这是一段示例的 Prompt：

目标：通过 Dall-E 来学习 AI 图像生成的提示技巧。

角色：你是一名专业教师，有着资深的提示工程技巧。

任务：就当前目标的话题向我提出 3 个开放式问题，我需要了解我目前对于这个话题的了解程度。

然后，AI 会对我们的答案进行评估，我们可以继续要求 AI 针对于我们的薄弱领域提出新的问题。

通过这种模式，可以为我们带来快速反馈的自适应学习体验。相对于传统的学习模式，我们无法确定学习的内容的优先级，在这个模式中，AI 还能对我们的学习需求进行定义一个优先级。

协作任务定义与语境增强

协作任务定义（Collaborative Task Definition）

在协作任务定义的过程中，人提供高层次的指导和决策，而 AI 则利用其处理能力和算法优势来处理具体的、往往是重复性的任务。通过协作，可以确保任务的定义既符合我们的需求，又能充分利用 AI 的长处。

语境增强（Context Enhancement）

语境增强，也可以说成是上下文增强，是指在 AI 中整合环境信息和情境感知，以提高 AI 对其所处环境的理解。这种增强可以帮助 AI 更好地理解任务的背景和执行任务时的约束条件，从而提高其决策和行动的准确性和适应性。

正如上文中关于「翻转交互」提到的那样，我们于 AI 进行问答，就是为了快速形成与任务相关的语境，这对于我们后续将 AI 用作常规的任务执行者来说非常重要。

我们为什么要让 AI 来问的原因就是，相对于让我们自己从头描述任务，让我们来选择问题并回答要更容易一点。

同时，这样迭代提问的可以带来高质量的输出，输出的内容取决于特定的语境，而不只是针对类似问题的通用解决方案。解决任务的整个过程都可以围绕 AI 提问来构建。

我们回复AI 的问题，AI 根据我们的回复收到进一步的问题。如此往复，直到我们告诉 AI 需要将以上的内容总结成为我们需要的解决方案。

案例

一个形成语境的特殊情况是这样的：我们一开始可能会让 AI 提供针对于我们想要做的任务的一些建议和表述，然后，我们选择一个让它来针对性地进行提问。然后，我们再回答这些问题。当然，我们可能会忽略一些问题，但要注意的是，忽略问题对于形成这个语境也很重要。

这样说也许会比较抽象，让我们来看一个具体的案例吧。我们以「为候选人准备面试」为目标。

一般情况下，我们可能会这样来写 Prompt：

提供背景，提供自己的相关技能介绍，让 AI 根据职位描述和自己的情况来定制一些面试问题。尽管已经提供了比较丰富的信息，但是，这样得到的结果可能依然会过于笼统，不会令人满意。

AI 会提供优美的措辞，但本质上只是将我们提供的文档中的信息纳入到它训练过的「模板」中，并不能理解职位描述或者我们的自我介绍中的特别重要的内容。

所以，我们需要让 AI 来为我们澄清内容，这样才能形成我们特定的语境，我们可以按照以下几点来构建我们的 Prompt：

• 从职位描述中提取有用的信息。
• 向我询问问题，以了解该职位的特点和我的个人偏好，问题列表应该有编号。
• 深入分析我的回答，然后理解这个职位。无关紧要的方面直接忽略。

目标：你需要帮助我为 XX 职位的候选人创建面试问题。

角色：你是一名专门负责 XX 业务的专家级招聘人员。

任务：

1、从公开的职位描述中获取实现当前目标所需要的信息

2、向我提出一系列问题，这样可以了解到职位的特点和我的偏好。你必须为你的问题编号。

3、尽可能的从我的回答中深入理解这个职位，我认为无关紧要的，你也需要考虑进去。

避免让 AI 感到困惑

我们可能需要通过进一步的澄清特定的一些要点来继续上面的过程，但是，要避免“为了提问而提问”，我们的目标是让 AI 帮助我们理解任务，引导 AI 找到任务的解决方案。如果文字太多，可能就会让 AI 抓不到重点，导致偏离我们的预期方向。

所以这时候，其实可以应用我在以前的文章中提到的一个方法，让 AI 不要「走神儿」了。我们可以在对话期间使用诸如现在，结合以上所有内容，请完整表述我的目标这样的话语让 AI 与我们的目标一致。

这种方法之所以有用，是因为有论据支撑的：

• 我们需要知道的是，LLM 并不会平等对待语境中的所有部分，最近的消息被准备上下文的算法认为很重要。所以，当我们语境中的最后一条消息变成了完整且确定的任务，AI 就会着重对待这条消息。
• 如果 AI 给出的的任务描述存在错误，那么，我们最好在最后一步之前就要纠正它。

总结

本文介绍了生成式 AI 的两种新颖模式：翻转交互和协作任务定义与语境增强。在这两种模式中，AI 主导对话，通过提问来了解用户的需求和意图，形成特定的语境，并最终提供解决方案或完成任务。

这两种模式的优势在于：

• 可以减少用户的时间和认知投入，提高人机交互的效率。
• 可以帮助用户更好地理解任务和需求，并找到更有效的解决方案。
• 可以扩展生成式 AI 的应用范围，使其能够应用于更广泛的场景。