即刻App年轻人的同好社区
下载
App内打开
丘岳
97关注111被关注4夸夸
南湖丘岳
丘岳
2天前

Yangyi.: 学会提问，可以激活AI大量的能力 当你不为AI添加工具，不给予AI知识库，不提供AI后训练，想单纯依靠AI的基础模型和提示词工程来让AI发挥原始效能，最重要的是懂得提问 提问从主体上来说，有两类： - 人类向AI提问 - AI向人类提问 人类向AI提问的相关技巧与使用场景： - 脑暴：找AI一起脑暴，找想法，找创意，向AI提问寻找解决方案 - 讨论：提出一个观点，获取AI的反馈，这里可以使用后退提示词，即告诉AI可以质疑人类的观点，退后一步思考，这种时候AI往往能更睿智 - 寻求专业建议：比如我在某个技术实现方案不确定，我会问AI，让AI去做Deepresearch，然后提供我对比，方便我了解信息 - 不断追问：当AI给你结果后，一定要不断追问，因为AI很多时候也会不懂装懂，产生幻觉，当你不断追问时，AI也会不断思考，经过5轮追问，你会掌握更多细节和信息，以便确定AI是不是在欺骗你 - 交叉验证：问题不确定时，可以使用多个AI互相交叉验证，但我更推荐通过不断追问的方式培养独立的自主思考 - 提供证明：当AI试图只给你结果时，你要提问让他提供具体证明，比如让他打印请求结果，或者让他定位问题核心关键代码等等 - 提出要求：比如要求AI先别开发，而是先写文档，通过审查他的文档，来判断AI是否真正理解了任务目标，设置约束条件让AI去满足 AI向人类提问的相关技巧与使用场景 - 补充任务信息：人类的描述往往会简化，导致AI难以判断，或者有一些细节，AI未得到确认。所以我们应该要求AI向我们主动提问，我每次任务开始前都会要求它主动提问，它会提出一些细节，这些细节我未在任务过程中明确，也能引发进一步对细节的思考与设计 - 确认目标：让AI明确下一步的目标，确保AI理解了任务范围，而不是一口气做一大堆事情，明确交付里程碑，控制好每次的小交付，逐渐完善 - 设计旅程：让AI设计出对应的子任务执行路径，每完成一个小里程碑后，让AI提问我们接下来做哪个事情，并提供出自己的建议，有时候应该先完成一些关键链路，有时候应该先做一些细节，这种情况下，让AI提问询问人类，会获得思考帮助 - 拓展体验：让AI提问，AI有时候会给出人类没能思考到的建议，从而拓展了产品体验 - 提供外部信息：让AI提问，AI往往会寻求一些外部信息，比如会询问你是否能提供一些文档，或者他认为在执行任务过程中可能需要使用到的信息 - 获得反馈：AI需要获得反馈，比如AI开发了一个东西之后，它需要提问获得反馈，比如它可以主动提供console的一些js命令，以便获得进一步的结果进而修正 --------- 为AI构建工具的其中一个目标，是为了加强提示词工程，但如果你不懂得构建工具，仍然能让AI发挥出更好的效果，学会这两类提问，就可以激发人类和AI的潜在潜能

00
丘岳
5天前
丘岳
8天前

Barret李靖: LLM 出来之后，在应用层的折腾从未停歇。从 Prompt 调优到 Workflow 配置，再到 Agent 构建，最终目的都是一样的：让 LLM 更好地为人类干活，把机器的性能压榨到极致。 对 LLM 的压榨，可以分为两个维度。一是帮助它找到最优算法，让推理少走弯路。 为此我们几乎把能想到的路子都走了一遍，让 LLM 学会反思（reflection、self-consistency、self-critics），学会推理和规划（reasoning、planning、chain-of-thought、tree-of-thought）；学会记忆（short-term memory、long-term memory），不至于对话一长就失忆；学会找知识（RAG、knowledge graph），在外部世界里补充事实；学会构建上下文（context building），在有限 token 里塞下更多有效信息；学会用工具（tool-use，function calling，MCP），把事情交给外部程序去跑，而不是光靠自己生成；等等。 这些东西，说到底都是技巧和机制，本质目的是让 LLM 更快理解人类要干啥，围绕目标（goal-oriented）尽可能找到一条代价最小的路，跑到最优解上去。 第二个维度，是对时间的压榨，让 LLM 可以做到 7×24 小时不停歇。当我们对 LLM 有了更深入的理解之后，很容易想到把它打造成属于自己或组织的“数字员工”，它不知疲惫、不会抱怨，可以持续运转、不断学习。 大部分人今天用 AI 的方式，还停留在查资料、总结内容、写周报月报这些单点场景上，如果要真正构建一名“不停歇的 AI 数字员工”，光靠这些还不够。我们需要先规划出属于自己的 AI 数字工厂 ——想清楚要造出来的“产品”是什么，是沉淀知识的系统，是自动化的业务流程，还是一个可以长期迭代的服务。 在这座工厂里，AI 是生产线上的执行者，它负责具体的加工与产出；而人类的角色发生了转变，从“亲自干活的工人”变成“监工与管理者”。 人类不再亲手完成每一步，而是要设计流水线，设定规则，制定指标，监控质量，并在需要时调度资源。换句话说，AI 的价值不在于替我们“干一点活”，而在于帮把整条流水线跑起来，而人类更像是“数字工厂的管理者”。 当这两个维度结合起来时，真正的拐点就出现了。LLM 不再只是一个冷冰冰的工具，而是逐渐变成了可以长期协作的伙伴。它既能承担重复性劳动，也能在复杂问题上提供洞见。它不仅仅是“帮你做事”，更是“和你一起做事”。 未来的差距，不在于谁能写出更漂亮的 Prompt，而在于谁能把 LLM 真正融入到自己的时间和组织里，形成稳定的生产方式。 因此，会不会用、用到什么深度、能否持续优化，这些才是长期的竞争力来源。谁能把 AI 运行成“工厂”，让自己从执行者转为监工和管理者，谁就能在未来的日常工作和业务中，获得真正可复用、可累积的优势。

00
丘岳
11天前
丘岳
13天前
丘岳
14天前
丘岳
16天前
丘岳
17天前
丘岳
19天前

玉伯: 昨天试用 Notion 3.0 过程中，越用越无趣。 比如同步 Linear 到 Notion 中，我们用 Linear 还不到一年，提示要 30+ 小时。这个时间还是其次，更重要的是，尝试过程中，突然没了欲念。 在项目管理这块，Notion 是把长矛，Linear 是架机关枪。没必要把机关枪同步成长矛。 Notion 最厉害之处，是 Block 化和 Base 化的产品抽象。由各种 Block 组装成了一个个 Page，再由多个 Page 组装成一个个 SaaS（未达成）。 Notion 的厉害之处，可能也就是 Notion 最大的傲慢之处。由 Block + Base 组装成的 Page，成为不了 Calendar、Mail、Slack、Linear 等垂类应用。这类应用，还是得收购或重新构建。 Notion 的底盘，依旧只是文档协作。 有意思的是，AI 时代，让各种文档开始有了更好的归属。比如产品设计文档，经常可以直接用 Cursor 写在代码仓库里。项目协作文档，则可以直接写在Linear 里（长一点的 issue 就是文档）。 AI 时代，Notion 的底盘没有变厚，而是变薄了。不需要协作的文档，有更好的地方去写。Notion 里剩下的，是需要协作的文档。 进一步的可能是，如果人越来越不需要与人协作，而是与各种 AI 协作，那么，Notion 的协作底盘都会被动摇。 全新一代的 Office 里，可能就没有文档。

00
丘岳
20天前
周末密集学习两天，见识到人工智能改变日常生活。

野原蘑菇: 转需，有被帮助到～

00