|
DeepSeek虽然是推理类大模型，对结构化prompt的要求没有那么训练类模型（如Kimi、Claude）那么高。 但是依然需要用户擅长和它对话，而这就是AI时代最值钱的技能之一：指令调教。
一 为什么需要调教指令
AI输出任务的难度不同，对指令的质量要求截然不同，调教难度千差万别。
如果只是一个不需要任何背景信息的客观单任务，比如明天杭州天气，比如小米15和iphone 15性能对比，也就是说和用户没关系，答案非常稳定，就不需要什么指令学问，随便问，甚至搜索就能直接解决。
但如果这个任务，个性化+多变量，那就需要好的指令。
如果对这2个关键词不好理解，我们一个个来说。
第一，非常个性化，也就是和执行人的背景信息高度相关，比如去杭州旅行2天的攻略，1000个人有1000种玩法，预算上可以花100，也可以花10万，景点安排上，酒店安排上，到处都是差异。
第二，是多变量复杂任务。 也就是说需要拆分为各种元素的，比如你让AI帮你写篇文章，但你知道，一篇文章由太多元素组合而成，标题、开头、正文、结构、表达、语句、金句、结尾等等。 不做每个元素的限定指令，你心里想要的和AI实际生成的就会差之毫厘谬以千里。
二 指令调教的底层逻辑
所以指令调教，就像是给AI先教会，再让它完成任务。
这个和人的学习非常像，比如我们每个人开车是手动眼动脚动脑动，基本上都已经形成机械记忆了。
但是我们学驾照的时候，教练是怎么教我们的，是把一个个动作拆分给我们的，怎么换档位，怎么踩刹车，怎么调灯光，怎么打方向盘等等。
那有人会问了，AI不是特别强大嘛，为什么我们还要去教他？
它确实很强大，但它强大的是它背后有海量的知识，比如GPT 4他被喂养了几千万本书了，DeepSeek也已经被喂养了海量的中英文知识库。
但是他是一个书呆子，他动手能力还不行，没办法执行你的任务，但好在他学习能力很强，而且是真学，这就需要你，先把任务做细化的拆分，先教会它。
这就像是一个老板和一个中高层给下面的同事布置任务，是不是要根据这个人的身份，任务的目标，这个人的能力资源需求，还有具体要做的事情来布置。
这就是目前所有的高质量的指令的底层逻辑，这是我开发并命名的CHAT模型，也是元指令。
这个元指令，我把它命名为CHAT模型，不是瞎编，瞎往ChatGPT上凑，是Character（角色)， History（背景)， Ambition（目标)， Task（行动)的首字母缩写。
1 给它一个角色身份，告诉它它是谁。2 给它充分的上下文背景信息。3 告诉它你要实现什么目标。4 明确告诉它帮你做什么。
三 AI指令的5个层次
不同层次的指令会带来截然不同的生成结果。
这也是为什么AI在有些人手中是人工智障，但在高手手中是人工智能。
我调教过无数个指令，也看过很多别人调的指令，更看过海量的AI生成的指令。
根据生成质量的不同，我把他们分为五个层次。
第一层，逻辑层，简单的问是什么，为什么，怎么样，答案类似搜索引擎，常常结果不让人满意。
比如你问AI，如何每天早起，得到的就是和搜索一样的无用的废话或道理。
他不知道你的背景信息，也不知道为什么要早起，更不知道你愿意为早起付出什么等等。
第二层，案例层，用一个例子投喂给AI，让它模仿，结果超过第一层，但是模仿痕迹太过，创意不足。
这个方法其实很多人在用，比如给AI一个文案例子，然后让他直接模仿，生成新的文案。
但是，通常情况下，质量很不行。
这个质量不行，来自于两个原因，因为你不够专业，你喂养他的这个案例根本质量就不行，第二，AI的学习模仿能力还没有这么强。
而且很多时候因为你喂给AI的只是一两个例子，他的输出结果是很不稳定的。
它在这个产品可以模仿，换别的产品呢，换别的品类呢，换别的行业呢。
第三层，模板层，用各种限制元素确定好的模板，直接套用。
这个模板层，有一个词大家可能很熟悉，特别是有知识体系的人，就叫思维模型，或者叫方法论。
比如讲故事，写文章，就有SCQA模型，STORY模型、故事7步公式法模型等等。
那你用这些模型框架去给AI做限定，比如让AI写一篇1000字左右的讲书稿，和让AI用SCQA模型写一篇讲书稿，质量就完全不一样，而且有了框架支撑，就像人的骨架一样，他的输出结果是非常稳定的。
比如目标管理和教练技术，就有GROW模型。
比如复盘总结，就有PDCA模型。
比如做演讲，就有黄金圈模型3W。
第四层，角色层，赋予它一个身份，让它执行你的任务。
听过OpenAi首席的开发专家分享，再结合我自己的调教经历，我就发现给他一个身份，特别是专家身份，它的输出结果就好很多。
这真的有跟人很像。
我还记得在十几年前，我高考前的百日誓师大会上，一个学长就跟我们分享。 他说我之前也是一个很讨厌学习的人，但自从有一天用了一个方法就是自我催眠，自我欺骗，说，我很爱学习，就真的每天会多学一点，慢慢的有进步了，他就真的相信自己很爱学习。
这种心理暗示，其实是有科学来源的，在心理学要安慰剂效应。 我在育儿的时候也很有体会，多表扬闺女，多夸闺女，他就会表现的更好。
比如我们在指令里说，你是一个爆款文章写作专家，就比直接说你帮我完成什么什么任务，生成质量要好很多。
但是如果我们给他下指令，说你是一个备受读者吹捧的爆款文章写作专家，你的粉丝像追小说连载一样，追你的文章，生成的质量效果就更好。
第五层，混合层，把前四层综合运用。
第五层就是混合层，我几乎每个高质量的指令都是用混合层来调整完成的。
有专业的角色身份，有优质的案例，有科学的思维模型框架，再加上具体的目标和任务。
在这里举个例子，完整的呈现一下我调教一个高质量指令的全过程。
比如我在调教爆款标题指令的时候。
第一步，找到大量非常优质的爆款标题，特别是咪蒙的标题。
这第一步非常关键，如果你没有判断爆款标题的能力，你喂养给AI的标题语料都是很劣质的，你自己不是行业内的细分专家，你不可能调教出高质量指令。
就像人吃的食物很劣质，就不可能有健康的身体，也不可能有很好的工作表现。
第二步，让AI总结出爆款标题的特点。
第三步，把自己的爆款标题方法改造成AI懂的。
用你自己的爆款标题方法论和这些特点做一个结合。
有人可能会问了，为什么不直接把自己的爆款标题方法给到AI让他直接去生成。
因为很多时候你的爆款标题方法论，他之前没有学习过，但是没有创造能力的。
还记得我们始终要坚持的一点吗，先把AI教会再让它来帮助我们完成高难度的任务。
我们前面几步的把标题语料喂养给他，并让他总结，其实就是他的一个模仿学习过程。
第四步，用CHAT模型和模型框架+案例
给Ai下任务，这一步是测试我们的爆款标题指令是否能够生成高质量的标题。
第五步，大面积推理测试
第五步是测试它的稳定性，看这个指令是否能够高质量的生成不同场景的高质量标题。 不同类型的文章，不同类型的视频，不同类型的文案，不同类型的书籍。
哪个类型发挥失常，就需要继续加限制。
比如我前段时间用得到AI来生成书籍的金句，就发现如果我不限定这个金句的来源，他就会胡编乱造。
第一版本是帮我给《活着》这本书找十个金句，第二个版本结果就好很多，帮我给《活着》这本书找十个金句，并说明在书中哪里。
第六步，用打分指令，给这个终极指令再打个分优化一下。
|
