AI时代提问比答案更重要-向大模型学习提问的四个招式
AI时代提问比答案更重要-向大模型学习提问的四个招式
在AI时代，提问能力如同信息时代的编程能力一样重要。只有会提问，才能用好大模型，让大模型发挥价值。那么如何学习提问呢？大模型就是最好的老师。大模型不光能够提供答案，还可以让您学会提问。下面介绍向大模型学习提问的四招。
第一招 “反复推敲”提炼问题
反复推敲问题是一种动态提炼问题的方式。其基本思想是，每当我们向大模型提问时，不光是获得答案，而是让大模型尝试改进我们的问题，通过多次往复，这样我们就能够和大模型协作，不断的改善我们的问题。
反复推敲的原理因为我们人类由于知识所限，以及平常的人类沟通模式已经有很多的隐含信息，所以提出的问题可能很笼统。大模型从训练数据中获得海量信息或潜在的关联，很有可能帮助改进我们的问题，使我们的问题更具体，或者提供额外的背景信息。
要使用这个招式，你的提示语应该包含类似以下语句：
- 从现在起，每当我提出一个问题时，请建议我使用一个更好的问题来代替它。
- （可选）提示我是否愿意改用更好的版本
具体示例如下：
- 原始问题：汽车以旧换新细则来了，我该买玛莎拉蒂吗？
- 改进后的问题：在当前的汽车以旧换新政策下，对比玛莎拉蒂的性能、维护成本、保值率以及我的个人预算和驾驶需求，它是否是最适合我的选择？
- 大模型的回答：考虑到汽车以旧换新的细则已发布，一个可能更有助于您做出决策的问题是：“在当前的汽车以旧换新政策下，对比玛莎拉蒂的性能、维护成本、保值率以及我的个人预算和驾驶需求，它是否是最适合我的选择？”这样的问题可以帮助您更全面地评估是否购买玛莎拉蒂的决定。您是否愿意考虑这个改进版的问题呢？
反复推敲的优点
- 鼓励我们针对问题更具体地提问，深入探索。
- 辅助我们理解大模型在问题解答中所运用的模式和语言。
- 引导我们审视自己的问题，并找出可能缺失的信息。
适用的场景
- 当我们对某个主题不是很了解时，需要更多的信息。
- 当我们想要得到更具体、更有针对性的答案时，以满足特定需求。
- 当我们希望大模型能够更好地理解我们问题的背景和上下文时。
第二招 “条分缕析”拆解问题
在许多情况下， 我们的问题比较复杂，如果将问题分解为一堆较小的问题，大模型实际上可以更好地进行推理。 如果你是这个问题的专家，可以自行拆解问题。如果你不是的话，可以让大模型来帮助我们自动拆解问题。 要做让大模型条分缕析拆解问题，你的提示语应包含类似以下语句：
- 当你被问到一个问题时，请遵循以下规则。提出一些额外的问题，帮助你更准确地回答问题。综合各个问题的答案，得出整个问题的最终答案。
具体示例：
- 原始问题：中午吃啥？
- 问题拆解：
- 您有什么口味偏好？（比如辣的、清淡的、重口味等）
- 您对食物类型有什么要求？（比如中餐、西餐、素食、荤食等）
- 是否有食材禁忌或者过敏情况？（比如不吃牛肉、海鲜过敏等）
- 考虑到健康因素，您今天更倾向于摄入高蛋白还是低卡路里的食物？
- 您打算在家自己做还是外出就餐或者点外卖？
- 补充信息：辣的，中餐，吃肉，没有过敏，高蛋白，外出就餐
- 大模型回答：根据您的回答，我推荐您可以去尝试川菜或者湘菜馆，它们通常以辣味著称，且中餐种类丰富，含有较多的肉类选择，能满足您想吃辣和吃肉的需求。点餐时可以选择像辣子鸡丁、水煮牛肉或是麻辣香锅这样的菜品，这些都富含高蛋白。外出就餐也便于您享受美食的同时，体验不同的就餐环境。希望您中午用餐愉快！
“条分缕析”的优点
- 深度探索问题： 通过拆解问题，可以更深入地了解问题的各个方面，从而更全面地考虑问题的解决方案。
- 提高问题解决准确性： 通过提出额外问题，可以更全面地考虑问题，从而提高对问题的理解和回答的准确性。
- 促进思维清晰： 这种模式可以帮助我们将复杂的问题分解为更简单、更易处理的部分，从而使思维更加清晰。
适用的场景
- 复杂问题解决：当原始问题较为复杂,涉及多个方面时,采用"条分缕析"的方式来拆解问题,有利于更好地理解问题的全貌,并得到更周全的答复。
- 信息不足的情况：当我们对某个领域或问题不太熟悉时,让大模型提出一些补充问题,可以帮助我们获取更多的相关信息,从而得出更准确的结论。
第三招 “因人而异”针对性提问
不同的人在知识背景、专业领域、理解能力等方面存在巨大差异，量身定制的内容更加贴近用户的实际情况，能够增强交互的亲和力和吸引力。通过设定合适的"用户角色",大语言模型能够结合该角色的特点,调整输出内容的深度、难度和表达方式,从而提高输出的针对性和可理解性,避免出现"物是人非"的情况。
因人而异背后的想法是，我们告诉大语言模型，你的用户是谁， 这样它就可以考虑如何量身定制输出。 要使用这种模式，你的提示语应包含类似以下语句：
- 假设我是角色 X，向我解释 Y。
你需要将 "X "替换为一个合适的角色，例如 "计算机科学背景有限 "或 “幼儿园小朋友”。然后，你需要指定要解释的主题 Y。
具体示例
- 向我解释大语言模型。假设我是秦始皇。
- 假设我是一个幼儿园小朋友，请向我解释大语言模型
“因人而异”的优点
- 个性化定制： 允许根据不同用户角色的特点，定制输出内容和表达方式，从而使输出更贴合用户的实际需求和理解能力。
- 增强沟通效果： 输出内容更符合用户的背景和专业领域，使得沟通更加直观、清晰，提升了信息传递的有效性。
- 提升用户体验： 使得用户能够更轻松地理解和接受输出内容，从而提升了用户的交互体验和满意度。
适用场景
全场景适用，任何问题都要先考虑用户是谁
第四招 “角色互换”进行反问
有时我们不知道如何开始解决一个问题，可以尝试一下角色互换。角色互换是不再由我们提出问题并由模型回答，而是设定一个特定的目标，让大语言模型根据目标提问。通过这种方式，模型可以主动引导交流，直到达到我们所期望的目标或解决方案。要使用角色互换，提示语应包含以下类似语句：
- 我希望你向我提问，以实现 X
- 你应该提问，直到条件 Y 满足或实现这一目标（或者，永远提问）
- (可选）一次问我一个问题、一次问我两个问题、问我第一个问题等。
您需要将 "X "替换为一个适当的目标，如 "写一份营销计划 "。你应该用 "Y "指明何时停止提问。例如，"直到你掌握了关于我的受众和目标的足够信息 "
具体示例：
- 我希望你向我提出问题，帮助我诊断我上不了网的问题。问我问题，直到你有足够的信息找出两个最可能的原因。一次问我一个问题。问我第一个问题。
角色互换的优点
- 主动引导交流： 通过让大语言模型扮演提问者的角色，角色互换模式可以主动引导交流，从而使得交流过程更加流畅和有效。
- 减轻思维负担：在传统模式下,用户需要自行拟定问题的逻辑顺序。而在角色互换模式下,用户只需要根据模型的提问作答,减轻了思维负担,也避免了问题设置不当导致的信息缺失。
适用场景
- 问题解决： 当用户面对问题时不确定如何着手时，使用角色互换帮助用户逐步理清问题并找到解决方案。
- 目标制定： 在制定个人或团队目标时，使用角色互换帮助用户明确目标并制定达成目标的计划。
- 学习探索： 在学习或探索新领域时，使用角色互换帮助用户获取所需信息并深入理解相关概念。
总结
管理顾问彼得·德鲁克。他在 1967 年出版的《有效的经理》一书中写道：“大多数人花 90% 的时间寻找答案，只有 10% 的时间定义问题。他们不知道在解决问题之前，定义问题是多么重要。”
大语言模型不光是寻找答案的工具，更是我们可以用来学会提问，寻找问题的利器。希望本文总结的四招能够给您一些启示，帮助您学习如何更好的提问，利用好大模型，打造私人效率倍增器。