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。

如何系统的去学习大模型LLM ？

作为一名热心肠的互联网老兵，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。

但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的 AI大模型资料 包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

😝有需要的小伙伴，可以V扫描下方二维码免费领取🆓

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

四、AI大模型商业化落地方案

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。
• 内容：
  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
    - L1.4.1 知识大模型
    - L1.4.2 生产大模型
    - L1.4.3 模型工程方法论
    - L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
• 内容：
  • L2.1 API接口
    - L2.1.1 OpenAI API接口
    - L2.1.2 Python接口接入
    - L2.1.3 BOT工具类框架
    - L2.1.4 代码示例
  • L2.2 Prompt框架
    - L2.2.1 什么是Prompt
    - L2.2.2 Prompt框架应用现状
    - L2.2.3 基于GPTAS的Prompt框架
    - L2.2.4 Prompt框架与Thought
    - L2.2.5 Prompt框架与提示词
  • L2.3 流水线工程
    - L2.3.1 流水线工程的概念
    - L2.3.2 流水线工程的优点
    - L2.3.3 流水线工程的应用
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
• 内容：
  • L3.1 Agent模型框架
    - L3.1.1 Agent模型框架的设计理念
    - L3.1.2 Agent模型框架的核心组件
    - L3.1.3 Agent模型框架的实现细节
  • L3.2 MetaGPT
    - L3.2.1 MetaGPT的基本概念
    - L3.2.2 MetaGPT的工作原理
    - L3.2.3 MetaGPT的应用场景
  • L3.3 ChatGLM
    - L3.3.1 ChatGLM的特点
    - L3.3.2 ChatGLM的开发环境
    - L3.3.3 ChatGLM的使用示例
  • L3.4 LLAMA
    - L3.4.1 LLAMA的特点
    - L3.4.2 LLAMA的开发环境
    - L3.4.3 LLAMA的使用示例
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。
• 内容：
  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

学习计划：

• 阶段1：1-2个月，建立AI大模型的基础知识体系。
• 阶段2：2-3个月，专注于API应用开发能力的提升。
• 阶段3：3-4个月，深入实践AI大模型的应用架构和私有化部署。
• 阶段4：4-5个月，专注于高级模型的应用和部署。

这份完整版的大模型 LLM 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

😝有需要的小伙伴，可以Vx扫描下方二维码免费领取🆓