领域专长是高效使用大模型的关键

在人工智能快速发展的今天，大型语言模型（LLM）已经深刻改变了人们获取和处理信息的方式。过去，如果一个人缺乏某项技术能力，比如编写CSS，他要么依赖技术精湛的同事，要么寄希望于互联网上恰好存在解决他具体问题的答案。如今，借助LLM，几乎每个人都能通过委托任务来写出尚可的CSS代码。LLM让每个人都变成了通才。

然而，这种便利性也导致了一种普遍误解：许多人认为使用LLM并不需要任何技能。毕竟，无论你想要的是博士级别的数学解答、质量尚可但有时略显乏味的计算机代码，还是那种略显生硬的领英风格文章，只需简单提问即可获得。由于所有人都在与相同的模型对话，所谓的“提示专家”与初次接触LLM的新手似乎得到了相同的结果。

但事实并非如此。在提示工程中，最重要的技能恰恰是你在所提示领域内的专业知识。一个绝佳的例证是数学家陶哲轩（Terence Tao）与ChatGPT关于雅可比猜想最新反例的对话。那不是我日常使用的ChatGPT！即使给我无限的令牌，我也无法达到陶哲轩所达到的深度。

从陶哲轩的对话中，我们可以学到很多关于有效提示的技巧。首先，他的消息非常简短且切中要害，他不对模型进行逐点回应，而是针对核心要义进行交流。其次，模型输出也远比普通人对话时简洁得多。通过展示专业素养，陶哲轩将模型引导至“与数学家对话”的模式，而非“向初学者解释”的模式。第三，当模型回应看似错误时，陶哲轩会提出质疑，但并非直接反驳，而是采用诸如“这看起来比我预期的更复杂”这样的表述。最后，他经常自己做出跳跃性思考并提出建议，几乎从不盲目采纳模型关于下一步行动的建议。

然而，仅仅遵循这些技巧，你无法在数学问题上像陶哲轩那样进行提示。他技巧的关键在于真正理解数学：从ChatGPT的多段回复中提取相关思想，提出替代方法或表述，并识别出“看起来不对劲”的地方。陶哲轩作为数学家的水平远超我作为程序员的水平，但“领域知识使你更擅长使用LLM”这一理念，我在自己的工作中也深有体会。如果你对代码库有良好的理论理解，你就能比毫无熟悉度时更深入地推动LLM。因为你对一个良好解决方案有自己的直觉，你可以说“不，我认为这里可以更简单”，或者“但我们不是已经做过X了吗？”，又或者“我们能以这些熟悉的术语来表达这个问题吗？”。

这触及了我之前写过的一个观点：系统设计问题往往由具体细节主导，而非通用原则。当然，两者都有用，但我更愿意拥有对代码库的熟悉，而非对软件系统的深层通用理解。在陶哲轩的对话中，他提出了许多具体问题，例如“这个反例是否与某个特定构造有关？”这种基于领域知识的提问，正是高效使用LLM的核心所在。

这一现象揭示了一个重要的趋势：随着LLM的普及，真正的竞争优势不再来自对工具本身的熟悉，而是来自对问题领域的深刻理解。对于开发者和研究者而言，这意味着在利用AI工具时，不应仅仅关注提示技巧，而应持续深化自身的专业知识。只有这样，才能充分发挥LLM的潜力，获得真正高质量的输出。

总之，LLM虽然让知识获取变得民主化，但领域专长仍然是区分高效使用者与普通用户的关键因素。无论是在数学、编程还是其他领域，专家都能通过精准的引导和批判性思考，让AI成为更强大的助手。未来，随着模型能力的不断提升，领域知识与AI协作的深度融合，将成为推动创新和解决问题的重要动力。