给 AI 模型提供解题线索，以提升回复精准度。

这篇论文（arxiv.org）提出了一种新的提示词技巧，DSP（Directional Stimulus Prompting），我就叫它「灯塔」吧。

核心应用思路就是给 AI 模型提供更多解题线索。如图一的文本总结，我们可以看到，「灯塔」策略在让 AI 总结一段文本的时候，多了一段关键词，并要求 AI 基于这些关键词来总结。

可以看到，在提供了关键词的情况下，AI 模型总结出来的结果，ROUGE 得分更高。 ROUGE（Recall-Oriented Understudy for Gisting Evaluation）是一种用于评估文本摘要质量的指标。通常结果越接近参考答案，得分越高。

图二可以看到更明显的对比。

论文中的线索/关键词是用训练过的模型（SFT/SFT + RL）得出来的，然后和提示词一起提供给 GPT。

我想，哪怕没有这样的模型，我们写提示词的时候，也是可以采取这个思路的。这个和之前写的生成相关知识点以提升 AI 模型回复精确性的思路是很类似的（m.okjike.com）

只不过，「灯塔」策略里给的不是具体的知识点，而是一些关键词，来引导 AI 模型在回复的时候往关键词的方向靠。

在做类似文本总结的时候，比如要为文章生成一段导读摘要。通常，AI 模型总结出来的摘要有基本信息，有时候比较生硬，有时候不是我想要突出的重点。我在翻译 The Batch 的时候，做摘要，是把翻译后的结果发给 Claude，并让它按照第一人称以原文本的写作风格来总结。

看来，翻译下一期 The Batch 的时候，我可以加上一些关键词来让它总结了。

对于其他类型的任务，这个策略我想也能用得上。思考我想要什么样的输出结果，我预期 AI 模型回复我哪些信息。然后让它基于我要的关键词来回复。

一个感慨：要用好生成式 AI 模型，一方面是要会提问，另一方面就是想办法给它提供有效的数据/信息。像著名的 RAG（Retrieval-Augmented Generation）策略，就是很好的一个例子，可以借助外部信息，甚至是实时的信息来给 AI 模型提供数据。

这也是为啥我除了用 ChatGPT，也常常用 Bard 和 Bing 的原因。谁比搜索引擎更能发挥 RAG 的威力呢？