即刻App年轻人的同好社区
下载
置顶用 AI 练雅思的这半年。
去年 8 月，我在即刻写下了第一条关于雅思的帖子（m.okjike.com），当时想到了一个好玩的计划：看我能不能用 AI (主要是生成式 AI) 辅助学习，把雅思考到 6.5 以上。即让生成式 AI 扮演我的学习助手，帮我克服英文阅读畏难情绪、检查语法错误、优化表达、写作评测、口语练习等等。
前几天刚考完，这算是对我自己的一个回应吧。
当然，这个成绩在雅思里是非常普通的水平。有一点比较好玩，由于要用 AI 辅助学习，于是我就要学习如何更好地使用 AI。在这个过程中我读了几十篇提示词相关的论文，如果算上 AI 其他相关方面的论文，可能读了有上百篇。
我始终觉得，提示词是了解基于 LLM 的生成式 AI 能力的一个很好的角度。同时，读论文的过程也是练习英文阅读的过程，一举两得。从我的阅读得分可以看到，这些论文确实没有白读。
在开始备考前，我的英文大致是依靠翻译工具勉强能阅读一些英文文档的水平。我当时用雅思真题测过，听说读写大致如下：
- 听力，英音听不懂
- 口语，基本是 「Well, um…….I think….」的水平
- 阅读，带着畏难情绪读，没法在一个小时之内完成 3 篇文章的阅读理解
- 写作，雅思两篇作文，我需要花 2 个小时才能勉强凑齐字数。但考试必须一个小时之内写完两篇作文
整个过程走下来，我与 AI 的对话方式发生了很大的变化，英文练习上也有不少收获。
与 AI 对话，或者说写提示词方面，我现在已经很少会一上来就列详细的要求。会以简明而扼要的方式提出目标，然后根据 AI 的回应判断其对问题的了解程度，从而思考我需要设置哪些约束条件来界定范围，以及需要提供哪些额外的上下文来帮助 AI 更有效地进行推理。
我也越来越认识到「分而治之」策略的重要性。早期，我常常希望 AI 一次性提供我所需的全部信息。举个例子，对于一个雅思作文评测的任务 (m.okjike.com)，我期望 AI 能够在一次回复中既按照雅思标准评分，又检查语法错误，并给出改进建议。
虽然这种要求从人的角度看似合理，但对于当前的生成式 AI 而言，这往往只能得到一个「总感觉差点意思」的答案。有时候，当我们认为自己对某个问题已经想得非常清楚时，向 AI 提出后发现得到的回复完全不符合预期，这时候就应该考虑如何将任务细分，让 AI 逐步分多次处理。
英语学习方面，读英文基本上没有什么畏难情绪了。因为我知道我随时可以让 AI 给我讲解。关于克服阅读畏难情绪，之前也写过想法（m.okjike.com）。练习得越多，感受越深。
吴恩达教授在《Generative AI for Everyone》里提过一个观点：AI has the potential to give every individual the ability to hire intelligence at low cost.
确实如此啊。如果没有生成式 AI，总是碰到读不懂的英文，谁能随时给我从各种不同的角度解释呢？谁陪我练口语而我不用担心尴尬呢？谁在深夜里依然随叫随到给我批改作文、给我优化建议呢？
如果你对生成式 AI 感兴趣，《Generative AI for Everyone》课程确实是很好的学习指南。我对这个课程写过详细的笔记：
第一部分：m.okjike.com
第二部分：m.okjike.com
第三部分：m.okjike.com
让 AI 多干点活儿！
去年 8 月，我在即刻写下了第一条关于雅思的帖子（m.okjike.com），当时想到了一个好玩的计划：看我能不能用 AI (主要是生成式 AI) 辅助学习，把雅思考到 6.5 以上。即让生成式 AI 扮演我的学习助手，帮我克服英文阅读畏难情绪、检查语法错误、优化表达、写作评测、口语练习等等。
前几天刚考完，这算是对我自己的一个回应吧。
当然，这个成绩在雅思里是非常普通的水平。有一点比较好玩，由于要用 AI 辅助学习，于是我就要学习如何更好地使用 AI。在这个过程中我读了几十篇提示词相关的论文，如果算上 AI 其他相关方面的论文，可能读了有上百篇。
我始终觉得，提示词是了解基于 LLM 的生成式 AI 能力的一个很好的角度。同时，读论文的过程也是练习英文阅读的过程，一举两得。从我的阅读得分可以看到，这些论文确实没有白读。
在开始备考前，我的英文大致是依靠翻译工具勉强能阅读一些英文文档的水平。我当时用雅思真题测过，听说读写大致如下：
- 听力，英音听不懂
- 口语，基本是 「Well, um…….I think….」的水平
- 阅读，带着畏难情绪读，没法在一个小时之内完成 3 篇文章的阅读理解
- 写作，雅思两篇作文，我需要花 2 个小时才能勉强凑齐字数。但考试必须一个小时之内写完两篇作文
整个过程走下来，我与 AI 的对话方式发生了很大的变化，英文练习上也有不少收获。
与 AI 对话，或者说写提示词方面，我现在已经很少会一上来就列详细的要求。会以简明而扼要的方式提出目标，然后根据 AI 的回应判断其对问题的了解程度，从而思考我需要设置哪些约束条件来界定范围，以及需要提供哪些额外的上下文来帮助 AI 更有效地进行推理。
我也越来越认识到「分而治之」策略的重要性。早期，我常常希望 AI 一次性提供我所需的全部信息。举个例子，对于一个雅思作文评测的任务 (m.okjike.com)，我期望 AI 能够在一次回复中既按照雅思标准评分，又检查语法错误，并给出改进建议。
虽然这种要求从人的角度看似合理，但对于当前的生成式 AI 而言，这往往只能得到一个「总感觉差点意思」的答案。有时候，当我们认为自己对某个问题已经想得非常清楚时，向 AI 提出后发现得到的回复完全不符合预期，这时候就应该考虑如何将任务细分，让 AI 逐步分多次处理。
英语学习方面，读英文基本上没有什么畏难情绪了。因为我知道我随时可以让 AI 给我讲解。关于克服阅读畏难情绪，之前也写过想法（m.okjike.com）。练习得越多，感受越深。
吴恩达教授在《Generative AI for Everyone》里提过一个观点：AI has the potential to give every individual the ability to hire intelligence at low cost.
确实如此啊。如果没有生成式 AI，总是碰到读不懂的英文，谁能随时给我从各种不同的角度解释呢？谁陪我练口语而我不用担心尴尬呢？谁在深夜里依然随叫随到给我批改作文、给我优化建议呢？
如果你对生成式 AI 感兴趣，《Generative AI for Everyone》课程确实是很好的学习指南。我对这个课程写过详细的笔记：
第一部分：m.okjike.com
第二部分：m.okjike.com
第三部分：m.okjike.com
让 AI 多干点活儿！
24 519
(The Batch 翻译) 主题：模型上下文窗口长度不断被扩展，多样本学习 (many-shot learning) 提示策略值得一试
Medprompt 论文：
arxiv.org
我的 Medprompt 阅读笔记：
m.okjike.com
P.S. 文章来源是吴恩达 (Andrew Ng) 教授主理的一个 AI 周报，分享他对于 AI 的思考和洞察。
上一期：m.okjike.com
本期原文：www.deeplearning.ai
Medprompt 论文：
arxiv.org
我的 Medprompt 阅读笔记：
m.okjike.com
P.S. 文章来源是吴恩达 (Andrew Ng) 教授主理的一个 AI 周报，分享他对于 AI 的思考和洞察。
上一期：m.okjike.com
本期原文：www.deeplearning.ai
1 00
生成式 AI 在雅思口语练习中的应用。
听说读写里，「说」真的是最难突破的。即使掌握了一定程度的阅读英文的能力，真到了要用英语口头表达自己的想法或者与人闲聊时，总感觉「就是开不了口让 TA 知道」。
短时间内大幅提升口语能力显然不太现实，但从考试的角度来说，只要是考试，就有它的流程和形式，如果针对这种流程和形式来练习，显然更容易达成预期目标。就像用特定的数据集来训练模型，那训练后的模型在这些数据集上的表现可能就会更好一些。
雅思口语里的数据集就是当季口语题库。这个从网上不难找到。剩下的就是如何练以及生成式 AI 在这个流程里如何辅助我们学习。
我给自己设定的口语目标分数是 6 分，按照雅思的评分标准，6 分可以大致看作是一个及格水平。
仔细阅读了雅思的评分标准以及一些前雅思考官的口语指南以后，我给自己提炼了针对这个目标水平练习应该注意的原则：
- 不要过于在意语法错误，流利度的权重更高
- 不要痴迷于专八、雅思高级词汇这些，如果不能流畅自然地运用这些词汇，还不如不用
- 表达观点的时候，要做适当的展开。比如说到什么什么很 convenient，需要简单地展开为什么感觉很 convenient
目标有了，练习原则有了，接下来就是拆分目标，结合生成式 AI 构建一个练习流程。我的方案比较质朴，核心是三步。
第一步：Part 1 和 Part 2&3 各找 50 个以上的话题，针对每个话题，思考如果用中文来表达我会如何表达。然后用生成式 AI 把这些中文表达用地道的英文口语重新复述（不是翻译）。这一步基本上 GPT-3.5 水平的 AI 都能做到。
目的是基于自己真实的想法和经验，积累相关场景下的英文表达。然后就是每天大声朗读这些英文答案。读的目的不是为了背诵答案，而是训练自己习惯说英文，可以说是训练肌肉记忆一样。
第二步：经过第一步的练习（大约 1-2 个月），嘴应该就被撬开了，可以开口说一些了。然后就是分开练习 Part 1、Part 2&3。
Part 1 的主要话题都是一些生活日常，工作、爱好等等，Part 2 则是描述一些经历、人物等，Part 3 是基于 Part 2 问一些相对抽象的问题。所以 Part 1 和 Part 2&3 没什么强关联性，可以分开练习。
我的练习方式是直接拿实际的话题来练，这包括第一步准备过的几十个话题，也包括新话题。使用的是 ChatGPT-4 的语音模式。提示词设计分两步，模拟提问和完善答案。
模拟提问参考提示词如下：
docs.qq.com
先发送给 ChatGPT 之后，再开启语音模式。然后就是一个个地回答问题。问题回答完以后，我通常会退出语音模式，接着发送一句：Show me how to answer these questions better based on my answers. 让 ChatGPT 基于我的答案内容来优化一下。这个过程中，我的感受是 ChatGPT-4 可以很好地优化答案，GPT-3.5 则要差点意思，优化出来的答案比较冗长和空洞。
Part 1 比较熟悉了之后，如法炮制练习 Part 2&3。参考提示词如下：
docs.qq.com
这个过程里，回答完问题以后，在完善答案的时候建议 Part 2 和 Part 3 分开做优化，能得到更好的结果。
优化 Part 2 参考提示词：Show me how to answer the above part 2 topic better based on my answer.
优化 Part 3 参考提示词：Show me how to answer the above part 3 questions better based on my answers.
第三步：全流程模拟。有很多雅思相关的网站都提供类似的模拟流程，找一个自己用起来称手的就行。核心是熟悉整个流程。还别说，刚开始全流程模拟的时候，还真有点紧张呢。
我以前也写过一个用生成式 AI 来做全流程模拟的提示词，用来感受一下流程还可以，实际的话题什么的参考性不够强：m.okjike.com
另外，如果你可以用 GPTs，@胡贝侨 写的这个雅思口语 GPT 很赞，可以用 ChatGPT-4 来做完整的口语模拟。
直达链接：chat.openai.com
该 GPT 开源思路 (提示词、话题库等)：github.com
听说读写里，「说」真的是最难突破的。即使掌握了一定程度的阅读英文的能力，真到了要用英语口头表达自己的想法或者与人闲聊时，总感觉「就是开不了口让 TA 知道」。
短时间内大幅提升口语能力显然不太现实，但从考试的角度来说，只要是考试，就有它的流程和形式，如果针对这种流程和形式来练习，显然更容易达成预期目标。就像用特定的数据集来训练模型，那训练后的模型在这些数据集上的表现可能就会更好一些。
雅思口语里的数据集就是当季口语题库。这个从网上不难找到。剩下的就是如何练以及生成式 AI 在这个流程里如何辅助我们学习。
我给自己设定的口语目标分数是 6 分，按照雅思的评分标准，6 分可以大致看作是一个及格水平。
仔细阅读了雅思的评分标准以及一些前雅思考官的口语指南以后，我给自己提炼了针对这个目标水平练习应该注意的原则：
- 不要过于在意语法错误，流利度的权重更高
- 不要痴迷于专八、雅思高级词汇这些，如果不能流畅自然地运用这些词汇，还不如不用
- 表达观点的时候，要做适当的展开。比如说到什么什么很 convenient，需要简单地展开为什么感觉很 convenient
目标有了，练习原则有了，接下来就是拆分目标，结合生成式 AI 构建一个练习流程。我的方案比较质朴，核心是三步。
第一步：Part 1 和 Part 2&3 各找 50 个以上的话题，针对每个话题，思考如果用中文来表达我会如何表达。然后用生成式 AI 把这些中文表达用地道的英文口语重新复述（不是翻译）。这一步基本上 GPT-3.5 水平的 AI 都能做到。
目的是基于自己真实的想法和经验，积累相关场景下的英文表达。然后就是每天大声朗读这些英文答案。读的目的不是为了背诵答案，而是训练自己习惯说英文，可以说是训练肌肉记忆一样。
第二步：经过第一步的练习（大约 1-2 个月），嘴应该就被撬开了，可以开口说一些了。然后就是分开练习 Part 1、Part 2&3。
Part 1 的主要话题都是一些生活日常，工作、爱好等等，Part 2 则是描述一些经历、人物等，Part 3 是基于 Part 2 问一些相对抽象的问题。所以 Part 1 和 Part 2&3 没什么强关联性，可以分开练习。
我的练习方式是直接拿实际的话题来练，这包括第一步准备过的几十个话题，也包括新话题。使用的是 ChatGPT-4 的语音模式。提示词设计分两步，模拟提问和完善答案。
模拟提问参考提示词如下：
docs.qq.com
先发送给 ChatGPT 之后，再开启语音模式。然后就是一个个地回答问题。问题回答完以后，我通常会退出语音模式，接着发送一句：Show me how to answer these questions better based on my answers. 让 ChatGPT 基于我的答案内容来优化一下。这个过程中，我的感受是 ChatGPT-4 可以很好地优化答案，GPT-3.5 则要差点意思，优化出来的答案比较冗长和空洞。
Part 1 比较熟悉了之后，如法炮制练习 Part 2&3。参考提示词如下：
docs.qq.com
这个过程里，回答完问题以后，在完善答案的时候建议 Part 2 和 Part 3 分开做优化，能得到更好的结果。
优化 Part 2 参考提示词：Show me how to answer the above part 2 topic better based on my answer.
优化 Part 3 参考提示词：Show me how to answer the above part 3 questions better based on my answers.
第三步：全流程模拟。有很多雅思相关的网站都提供类似的模拟流程，找一个自己用起来称手的就行。核心是熟悉整个流程。还别说，刚开始全流程模拟的时候，还真有点紧张呢。
我以前也写过一个用生成式 AI 来做全流程模拟的提示词，用来感受一下流程还可以，实际的话题什么的参考性不够强：m.okjike.com
另外，如果你可以用 GPTs，@胡贝侨 写的这个雅思口语 GPT 很赞，可以用 ChatGPT-4 来做完整的口语模拟。
直达链接：chat.openai.com
该 GPT 开源思路 (提示词、话题库等)：github.com
7 14
(The Batch 翻译) 主题：警惕反对开源的错误论点
P.S. 文章来源是吴恩达 (Andrew Ng) 教授主理的一个 AI 周报，分享他对于 AI 的思考和洞察。
上一期：m.okjike.com
本期原文：www.deeplearning.ai
P.S. 文章来源是吴恩达 (Andrew Ng) 教授主理的一个 AI 周报，分享他对于 AI 的思考和洞察。
上一期：m.okjike.com
本期原文：www.deeplearning.ai
2 01
随着模型能力的进步，具体的提示词技巧确实变得没那么重要了。
从我自己的使用方式来看，prompt 写得越来越简单。比如英文语法检查，就是简单的一句话：m.okjike.com
很简单但很有效。如果一个任务比较复杂，我会更多地考虑拆分成子任务或子步骤。也就是更加关注工作流。
由于好久没刷论文了，这几天把近两个月的论文都刷了一下，发现了一个有趣的点：居然没发现一篇关于提示词技巧的论文。倒是关于这两方面的论文显而易见的多起来了：工作流 (agentic workflow)、合成数据 (synthetic data)。
比如 Google 的这篇论文 (arxiv.org) 提出了 Med-Gemini，让模型借助网络搜索能力，最后在医学数据集上基本上胜过了微软之前提出的 Medprompt。Medprompt 的思路见：m.okjike.com
ChatGLM 提出了 ChatGLM-Math (arxiv.org)，借助 Self-Critique 工作流的思路来提升模型在数学推理方面的能力。
Google 的这篇论文 (arxiv.org) 提出了关于合成数据的一些最佳实践。
从这个趋势来看，大家都不怎么发具体的提示词相关的技巧论文了，某种程度上说明这块可能确实没什么好挖的了，或者说价值没那么大了。随着模型基础能力的提升，简单地把任务描述清楚 + 为任务设计合理的工作流可能才是更有价值的地方了。
从我自己的使用方式来看，prompt 写得越来越简单。比如英文语法检查，就是简单的一句话：m.okjike.com
很简单但很有效。如果一个任务比较复杂，我会更多地考虑拆分成子任务或子步骤。也就是更加关注工作流。
由于好久没刷论文了，这几天把近两个月的论文都刷了一下，发现了一个有趣的点：居然没发现一篇关于提示词技巧的论文。倒是关于这两方面的论文显而易见的多起来了：工作流 (agentic workflow)、合成数据 (synthetic data)。
比如 Google 的这篇论文 (arxiv.org) 提出了 Med-Gemini，让模型借助网络搜索能力，最后在医学数据集上基本上胜过了微软之前提出的 Medprompt。Medprompt 的思路见：m.okjike.com
ChatGLM 提出了 ChatGLM-Math (arxiv.org)，借助 Self-Critique 工作流的思路来提升模型在数学推理方面的能力。
Google 的这篇论文 (arxiv.org) 提出了关于合成数据的一些最佳实践。
从这个趋势来看，大家都不怎么发具体的提示词相关的技巧论文了，某种程度上说明这块可能确实没什么好挖的了，或者说价值没那么大了。随着模型基础能力的提升，简单地把任务描述清楚 + 为任务设计合理的工作流可能才是更有价值的地方了。
9 42
生成式 AI 在雅思写作练习中的应用。
在练习雅思写作的过程中，我是完全借助生成式 AI 来提供反馈的。经过这半年的练习，我的感受是生成式 AI 确实是自学者的福音。虽然不能替代专业的老师，但足够让我们实现从 0 到 1，拿到合格的结果。
换句话说，目前的生成式 AI 可能没法给我们提供 90 分以上的反馈，但给出 70-80 分的反馈建议是没问题的。
先不考虑 AI，我们可以先列出来针对雅思写作练习这个任务，我们的需求是什么？不难想到，主要有 4 点：
1. 基于雅思官方作文评分标准对作文给出整体反馈；
2. 语法分析；
3. 表达优化；
4. 基于我们的作文改写。
需求明确了，剩下的就是如何指导 AI 来做事了，也就是 prompting。
早期玩得没那么熟，因此总想着一股脑一次性给 AI 描述清楚所有需求，然后希望 AI 按照我的要求一条条来做，于是就写出了这样的提示词：m.okjike.com
现在读起来着实有些脸红。这里面犯的最大的错误是希望 AI 一次性完成多个任务。比如又做语法错误检查又评分，同时还要给我提供改进建议。结果就是总是得到一个不咸不淡的反馈。
后来读了些论文，加上自己的实践，才慢慢意识到拆分任务的重要性。虽然这个原则OpenAI 和 Claude 早就在官方文档里写了，但知道和理解之间还是有着一点距离。
当我们真的用 AI 去解决实际问题的时候，如何让 AI 的输出相对稳定是很重要的。而要让输出相对稳定，除了描述要清晰明确，更重要的就是单次推理过程不要太过复杂。比如要求 AI 做语法检查就只做语法检查，不要希望 AI 同时还给出表达是否地道的分析。
按照这个思路，把上面的 4 点需求都作为独立的任务，分别写提示词就可以了。这其实很简单，我有时候也好奇，为什么我一开始没有这么想。我想大概是对生成式 AI 的能力边界了解得不够。
以下是针对雅思写作练习的几个提示词，非常质朴，我用下来还比较稳定。
小作文评估 (Task 1)：docs.qq.com
大作文评估 (Task 2)：docs.qq.com
语法分析：m.okjike.com
表达分析：docs.qq.com
小作文 (Task 1) 改写：docs.qq.com
大作文 (Task 2) 改写：docs.qq.com
在这个思路里，把雅思的上下文背景信息换成其他英文写作目标，我想应该也是适用的。
在练习雅思写作的过程中，我是完全借助生成式 AI 来提供反馈的。经过这半年的练习，我的感受是生成式 AI 确实是自学者的福音。虽然不能替代专业的老师，但足够让我们实现从 0 到 1，拿到合格的结果。
换句话说，目前的生成式 AI 可能没法给我们提供 90 分以上的反馈，但给出 70-80 分的反馈建议是没问题的。
先不考虑 AI，我们可以先列出来针对雅思写作练习这个任务，我们的需求是什么？不难想到，主要有 4 点：
1. 基于雅思官方作文评分标准对作文给出整体反馈；
2. 语法分析；
3. 表达优化；
4. 基于我们的作文改写。
需求明确了，剩下的就是如何指导 AI 来做事了，也就是 prompting。
早期玩得没那么熟，因此总想着一股脑一次性给 AI 描述清楚所有需求，然后希望 AI 按照我的要求一条条来做，于是就写出了这样的提示词：m.okjike.com
现在读起来着实有些脸红。这里面犯的最大的错误是希望 AI 一次性完成多个任务。比如又做语法错误检查又评分，同时还要给我提供改进建议。结果就是总是得到一个不咸不淡的反馈。
后来读了些论文，加上自己的实践，才慢慢意识到拆分任务的重要性。虽然这个原则OpenAI 和 Claude 早就在官方文档里写了，但知道和理解之间还是有着一点距离。
当我们真的用 AI 去解决实际问题的时候，如何让 AI 的输出相对稳定是很重要的。而要让输出相对稳定，除了描述要清晰明确，更重要的就是单次推理过程不要太过复杂。比如要求 AI 做语法检查就只做语法检查，不要希望 AI 同时还给出表达是否地道的分析。
按照这个思路，把上面的 4 点需求都作为独立的任务，分别写提示词就可以了。这其实很简单，我有时候也好奇，为什么我一开始没有这么想。我想大概是对生成式 AI 的能力边界了解得不够。
以下是针对雅思写作练习的几个提示词，非常质朴，我用下来还比较稳定。
小作文评估 (Task 1)：docs.qq.com
大作文评估 (Task 2)：docs.qq.com
语法分析：m.okjike.com
表达分析：docs.qq.com
小作文 (Task 1) 改写：docs.qq.com
大作文 (Task 2) 改写：docs.qq.com
在这个思路里，把雅思的上下文背景信息换成其他英文写作目标，我想应该也是适用的。
3 13
(The Batch 翻译) 主题：智能体工作流 (agentic workflow) 为生成高质量的合成数据打开了新思路
P.S. 文章来源是吴恩达 (Andrew Ng) 教授主理的一个 AI 周报，分享他对于 AI 的思考和洞察。
上一期：m.okjike.com
本期原文：www.deeplearning.ai
P.S. 文章来源是吴恩达 (Andrew Ng) 教授主理的一个 AI 周报，分享他对于 AI 的思考和洞察。
上一期：m.okjike.com
本期原文：www.deeplearning.ai
2 02
使用生成式 AI 做英文语法检查踩的那些坑。
无论是练习雅思写作还是平时写一些简单的英文，写完第一件事总是先检查语法错误。不知道为什么，英文语法在我看来真的不容易掌握。为此，我还特意学习了 English with Ronnie 频道的语法课程（www.youtube.com），Ronnie 讲解得很生动也很有趣。但是这语法知识是真的进不了脑子。学完写起来还是错误一堆。
有个关于英文语法的笑话是这样的：
You dance, I dance, but he dances.
A million people dance, but he dances.
WTF? Does he dance more than us?
你看，英文语法就是这么神奇。
后来我索性直接采用朴实无华的方法：多写，闷着头就写，写完再校正错误。我相信写的量到一定程度了，校正的错误多了，语法准确率就会上来了。
Make mistakes and learn.
一开始我认为检查语法这样的任务对于现在的生成式 AI 来说应该是很简单的。由于 GPT-4 有消息条数限制，我需要用作其他用途，所以都是使用 GPT-3.5、Geimini 等其他 AI 来做语法检查的。这就是我踩坑的开始。
每当我一篇几百词的段落发过去之后，这些 AI 会像模像样地帮我挑出几个语法错误，然后称赞我写得好。谁又不喜欢听好话呢？渐渐地，我在一声声的夸奖中迷失了自己。这雅思写作不得拿个 7 分？
直到有一天，我打开我的 Grammarly 找一篇以前写过的段落，然后顺手把刚用 GPT-3.5 检查过的段落放到了 Grammarly 中。靠，我才发现 GPT-3.5 竟然有这么多语法错误没有检查出来。继续对照了几十篇段落之后，我终于意识到语法检查这个任务对于这些 AI 来说并不是那么简单的。
怎么没早点对结果做二次校验呢？怪我把语法检查这个任务想得太简单了，尤其是针对篇幅较长的段落。有点不甘心，于是又用 GPT-4 来和 Grammarly 做对照，最后发现 GPT-4 倒是可以胜任这个任务。
配合逐句分析的思路，有时候分析结果比 Grammarly 更好一些。比如有些句子虽然没有明显的语法错误，但是 GPT-4 会提示某个短语在英文中不常用，或提示某个单词在这个语境里不太合适。
最后实践下来，使用生成式 AI 做英文语法检查，比较有效的方式如下：
1. 要使用 GPT-4 或同等模型能力的 AI
2. 让 AI 采用逐句分析策略 (sentence-by-sentence)
3. 用英文提示词
通用参考提示词：Check the grammar accuracy of the following text sentence-by-sentence: {{your text}}
核心是 sentence-by-sentence, 类似「Let's think step-by-step.」
GPT-4 回复结果参考附图。
无论是练习雅思写作还是平时写一些简单的英文，写完第一件事总是先检查语法错误。不知道为什么，英文语法在我看来真的不容易掌握。为此，我还特意学习了 English with Ronnie 频道的语法课程（www.youtube.com），Ronnie 讲解得很生动也很有趣。但是这语法知识是真的进不了脑子。学完写起来还是错误一堆。
有个关于英文语法的笑话是这样的：
You dance, I dance, but he dances.
A million people dance, but he dances.
WTF? Does he dance more than us?
你看，英文语法就是这么神奇。
后来我索性直接采用朴实无华的方法：多写，闷着头就写，写完再校正错误。我相信写的量到一定程度了，校正的错误多了，语法准确率就会上来了。
Make mistakes and learn.
一开始我认为检查语法这样的任务对于现在的生成式 AI 来说应该是很简单的。由于 GPT-4 有消息条数限制，我需要用作其他用途，所以都是使用 GPT-3.5、Geimini 等其他 AI 来做语法检查的。这就是我踩坑的开始。
每当我一篇几百词的段落发过去之后，这些 AI 会像模像样地帮我挑出几个语法错误，然后称赞我写得好。谁又不喜欢听好话呢？渐渐地，我在一声声的夸奖中迷失了自己。这雅思写作不得拿个 7 分？
直到有一天，我打开我的 Grammarly 找一篇以前写过的段落，然后顺手把刚用 GPT-3.5 检查过的段落放到了 Grammarly 中。靠，我才发现 GPT-3.5 竟然有这么多语法错误没有检查出来。继续对照了几十篇段落之后，我终于意识到语法检查这个任务对于这些 AI 来说并不是那么简单的。
怎么没早点对结果做二次校验呢？怪我把语法检查这个任务想得太简单了，尤其是针对篇幅较长的段落。有点不甘心，于是又用 GPT-4 来和 Grammarly 做对照，最后发现 GPT-4 倒是可以胜任这个任务。
配合逐句分析的思路，有时候分析结果比 Grammarly 更好一些。比如有些句子虽然没有明显的语法错误，但是 GPT-4 会提示某个短语在英文中不常用，或提示某个单词在这个语境里不太合适。
最后实践下来，使用生成式 AI 做英文语法检查，比较有效的方式如下：
1. 要使用 GPT-4 或同等模型能力的 AI
2. 让 AI 采用逐句分析策略 (sentence-by-sentence)
3. 用英文提示词
通用参考提示词：Check the grammar accuracy of the following text sentence-by-sentence: {{your text}}
核心是 sentence-by-sentence, 类似「Let's think step-by-step.」
GPT-4 回复结果参考附图。
5 00
生成式 AI 在 A 类雅思阅读中的应用。
从我做剑雅 18-12 的真题以及阅读 AI 相关的论文和文章的感受来看，生成式 AI 在这个场景里主要的作用有两点：辅助克服心理恐惧、解释长难句。
我并没有用 AI 帮助我了解雅思阅读的基本规则，比如评分标准、题型等。这些基本信息显然通过像 NEEA 的备考指南 (www.chinaielts.org) 和 FAQ 来了解会更高效。
也没有用 AI 来制定雅思阅读练习计划。一个通用的计划意义不大。做几套剑雅真题熟悉所有题型之后，就会知道自己的薄弱环节在哪里。然后据此为自己设定训练计划。
针对雅思阅读考试，训练计划可以概括为 2 点：提升做题准确性和做题速度。
准确性的基础其实就是对文章内容的理解程度。和其他阅读理解一样，弄懂一篇文章就是理解每一句的含义、句与句之间的关系、段与段之间的关系。这个环节也是生成式 AI 能发挥极大价值的地方。
刚开始练习的时候，很多都读不懂，难免感到有些沮丧、失落、茫然无措。如果你知道有人能随时随地给你答疑，并且你试过几次之后发现真的可以搞懂，正反馈循环就建立起来了。慢慢地，你心里就会产生一种感觉：读不懂就读不懂，我来问问我的「老师们」就能搞懂了。
各生成式 AI 就是这些老师们，你只管问就行。也没有什么神奇的提示词 (prompt)，我自己感觉有效的方式就是把整个一段文字发给 AI，然后直接提问其中某个单词/句子如何理解。
发整段文字的好处是给 AI 提供单词/句子的上下文。就像我们在现实生活中向其他人提问一样，给更多的背景信息更加有助于别人理解问题，从而提供更好的答案。
另外，就像每个老师有一套自己的讲解风格一样，不同的 AI 解释的风格也有些不一样。如果一个老师的讲解没让你理解，就换一个问。
这样练几十篇文章，做题准确性就会有明显的提升。当准确性练到你的目标的时候 (比如正确率 30/40 对应 7 分)，就可以开始着重练习提升做题速度了。
对于做题速度来说，需要配合一些做题技巧。这个环节，我没有发现生成式 AI 可以为我提效或解决疑惑的地方。
雅思阅读三篇文章，根据我有限的经验，我没法在一个小时之内从头至尾地阅读完 3 篇文章。我的策略是略读 + 题目关键词/题意定位。
略读用来把握文章的结构。雅思的文章有着非常清晰的结构。比如主题是关于某个现象，那么通常结构就会是引言介绍、现象当前产生的影响（数据/研究等）、各机构/人员对该现象持什么观点、提出了什么解决方案，应采取什么措施、对未来的展望。
我的略读流程：
1. 读文章 title 和首段来了解主题是什么
2. 读每一段的首句，有些段落会读首句 + 尾句
通过这个略读流程，可以在脑海里构建起文章的结构，并把各段落大致对应到结构中。必要时，可以对段落做一些高亮和备注。
具体到做题，首先看有没有明显的关键词可以直接定位文章段落，比如时间、人物、机构、数字等。如果没有，则根据题意考虑对应的应该是文章结构中哪个环节。案例？某人的观点？当前的影响？未来预测？
同样，按照这个方式练几十篇文章，做题速度也就上来了。惭愧的是，我的阅读量积累得还不够，所以前阵子考试的时候，我是掐着点才做完所有题。三篇文章花的时间差不多是 15 + 18 + 26 分钟。
无他，继续多读吧。
P.S. 如果选择的是机考，对应阅读里的找原词填空题，我发现实际上是可以复制文章中的单词然后粘贴 (Ctrl + C/V) 到填空里的，尤其对于不熟悉的单词，我会选择复制粘贴，因为怕打错字。
从我做剑雅 18-12 的真题以及阅读 AI 相关的论文和文章的感受来看，生成式 AI 在这个场景里主要的作用有两点：辅助克服心理恐惧、解释长难句。
我并没有用 AI 帮助我了解雅思阅读的基本规则，比如评分标准、题型等。这些基本信息显然通过像 NEEA 的备考指南 (www.chinaielts.org) 和 FAQ 来了解会更高效。
也没有用 AI 来制定雅思阅读练习计划。一个通用的计划意义不大。做几套剑雅真题熟悉所有题型之后，就会知道自己的薄弱环节在哪里。然后据此为自己设定训练计划。
针对雅思阅读考试，训练计划可以概括为 2 点：提升做题准确性和做题速度。
准确性的基础其实就是对文章内容的理解程度。和其他阅读理解一样，弄懂一篇文章就是理解每一句的含义、句与句之间的关系、段与段之间的关系。这个环节也是生成式 AI 能发挥极大价值的地方。
刚开始练习的时候，很多都读不懂，难免感到有些沮丧、失落、茫然无措。如果你知道有人能随时随地给你答疑，并且你试过几次之后发现真的可以搞懂，正反馈循环就建立起来了。慢慢地，你心里就会产生一种感觉：读不懂就读不懂，我来问问我的「老师们」就能搞懂了。
各生成式 AI 就是这些老师们，你只管问就行。也没有什么神奇的提示词 (prompt)，我自己感觉有效的方式就是把整个一段文字发给 AI，然后直接提问其中某个单词/句子如何理解。
发整段文字的好处是给 AI 提供单词/句子的上下文。就像我们在现实生活中向其他人提问一样，给更多的背景信息更加有助于别人理解问题，从而提供更好的答案。
另外，就像每个老师有一套自己的讲解风格一样，不同的 AI 解释的风格也有些不一样。如果一个老师的讲解没让你理解，就换一个问。
这样练几十篇文章，做题准确性就会有明显的提升。当准确性练到你的目标的时候 (比如正确率 30/40 对应 7 分)，就可以开始着重练习提升做题速度了。
对于做题速度来说，需要配合一些做题技巧。这个环节，我没有发现生成式 AI 可以为我提效或解决疑惑的地方。
雅思阅读三篇文章，根据我有限的经验，我没法在一个小时之内从头至尾地阅读完 3 篇文章。我的策略是略读 + 题目关键词/题意定位。
略读用来把握文章的结构。雅思的文章有着非常清晰的结构。比如主题是关于某个现象，那么通常结构就会是引言介绍、现象当前产生的影响（数据/研究等）、各机构/人员对该现象持什么观点、提出了什么解决方案，应采取什么措施、对未来的展望。
我的略读流程：
1. 读文章 title 和首段来了解主题是什么
2. 读每一段的首句，有些段落会读首句 + 尾句
通过这个略读流程，可以在脑海里构建起文章的结构，并把各段落大致对应到结构中。必要时，可以对段落做一些高亮和备注。
具体到做题，首先看有没有明显的关键词可以直接定位文章段落，比如时间、人物、机构、数字等。如果没有，则根据题意考虑对应的应该是文章结构中哪个环节。案例？某人的观点？当前的影响？未来预测？
同样，按照这个方式练几十篇文章，做题速度也就上来了。惭愧的是，我的阅读量积累得还不够，所以前阵子考试的时候，我是掐着点才做完所有题。三篇文章花的时间差不多是 15 + 18 + 26 分钟。
无他，继续多读吧。
P.S. 如果选择的是机考，对应阅读里的找原词填空题，我发现实际上是可以复制文章中的单词然后粘贴 (Ctrl + C/V) 到填空里的，尤其对于不熟悉的单词，我会选择复制粘贴，因为怕打错字。
4 01
(The Batch 翻译) 主题：为什么需要更多算力来做推理？
P.S. 文章来源是吴恩达 (Andrew Ng) 教授主理的一个 AI 周报，分享他对于 AI 的思考和洞察。
上一期：m.okjike.com
本期原文：www.deeplearning.ai
P.S. 文章来源是吴恩达 (Andrew Ng) 教授主理的一个 AI 周报，分享他对于 AI 的思考和洞察。
上一期：m.okjike.com
本期原文：www.deeplearning.ai
1 00
基于上下文信息提供英文单词和句子解释的浏览器插件。
读英文文章的时候，我经常会遇到一个问题：单词都认识，句子结构也明白，但还是不太能理解整个句子所表达的含义。
一方面是因为很多单词是一词多义的，另一方面就是上下文语境不同，单词所表达的隐含意思是有差异的。
对于该问题，我之前常用的方式是把整个一段文字发给 AI，然后提问其中的某个词/短语/句子在这段文字里是什么意思。通常，经过 AI 的解释，我就能明白。
比如我之前看 Jimmy 的 stand-up 的时候，有些句子我听懂大概意思了，但我不明白为什么观众都在笑。我就会把字幕导出来，然后复制我不懂的那一段发给 AI 提问。例子如图一。
也就是说，对于读英文文章而言，如果有工具能在解释单词/短语/句子的时候，除了提供基础的翻译，还能自动根据上下文信息推理出进一步的解释，那么读英文文章就会更顺畅。
最近惊喜地发现，我一直在用的欧路词典插件新增了这个功能，很惊喜。效果见图二、图三。
比如图二里的 grounding，在翻译里会翻译成接地，想一想也能大致理解意思，但显然根据上下文推理出来的「情境理解」更容易让人明白 grounding 所表达的意思。
对于单词解释的场景也一样，如图三，根据上下文推理出来的解释会让阅读更顺畅。
顺带一提，这个插件也支持中英对照的「沉浸式翻译」。
欧路词典插件官方链接：www.eudic.net
读英文文章的时候，我经常会遇到一个问题：单词都认识，句子结构也明白，但还是不太能理解整个句子所表达的含义。
一方面是因为很多单词是一词多义的，另一方面就是上下文语境不同，单词所表达的隐含意思是有差异的。
对于该问题，我之前常用的方式是把整个一段文字发给 AI，然后提问其中的某个词/短语/句子在这段文字里是什么意思。通常，经过 AI 的解释，我就能明白。
比如我之前看 Jimmy 的 stand-up 的时候，有些句子我听懂大概意思了，但我不明白为什么观众都在笑。我就会把字幕导出来，然后复制我不懂的那一段发给 AI 提问。例子如图一。
也就是说，对于读英文文章而言，如果有工具能在解释单词/短语/句子的时候，除了提供基础的翻译，还能自动根据上下文信息推理出进一步的解释，那么读英文文章就会更顺畅。
最近惊喜地发现，我一直在用的欧路词典插件新增了这个功能，很惊喜。效果见图二、图三。
比如图二里的 grounding，在翻译里会翻译成接地，想一想也能大致理解意思，但显然根据上下文推理出来的「情境理解」更容易让人明白 grounding 所表达的意思。
对于单词解释的场景也一样，如图三，根据上下文推理出来的解释会让阅读更顺畅。
顺带一提，这个插件也支持中英对照的「沉浸式翻译」。
欧路词典插件官方链接：www.eudic.net
8 22