最近常在想一个问题，在生成式 AI 这个领域，到底有什么是值得你长期研究的？

怎么写好 prompt 嘛？

好像不是诶。

最近 Open AI 的几波更新，比如 GPTs、比如 DALLE 3，一是让写好 prompt 这件事情没那么难了，二是让 prompt 的价值空间变得更加有限了。

因为用户心智有限，大伙儿只能记住一些对自己能有帮助的应用。

所以当你调式出了一段完美的 prompt 时，最优策略是把它变成 system prompt，内置在产品或者像 GPTs 这样的小工具里。

底层技术嘛？

嗯，这个确实很值得关心，但真的很难呀。

我曾尝试去啃一些 X（Twitter）上学者们发的论文，但都没能坚持下来。

而且，貌似在一些技术问题的共识上，学者们也没能达成一致。

我自己当前的结论是，最值得长期研究的，是「工作流」。

假如你是一个产品经理，你每天面对的，大概是这样的课题：

1️⃣ 如何更好地理解真实的用户需求，并设计出对应的功能来满足这些需求。

2️⃣ 如何更好地通过需求文档和原型图来提高沟通效率，向程序员和设计师同事明白自己的设计的新功能如何落地在产品上。

3️⃣ 怎么做好需求排期和研发项目管理，让这些功能能够在合理的时间范围内上线。

4️⃣ 在功能上线后，如何通过数据分析，来获得真实市场的反馈，并且利用这些反馈来做出更高质量的决策，来为企业增加营收。

很容易看出，这是一个涉及多个步骤、多方配合的复杂流程问题，至少在目前不能单独靠一个 chatGPT 来解决。

如果你真的想让大模型的能力来帮你提高效率，一份教你写 prompt 的教程、一篇篇论文解读、一个个工具教程，很难系统性地帮到你。

我非常建议你做一件这样的事情：

① 找一个悠闲的日子，画一个流程图，详细地列出了自己工作的每一个步骤。

② 分析出每一个步骤你需要输入什么，完成这个步骤后会输出什么。

③ 为每个步骤单独编写了一段 prompt，或者匹配上了一个成熟的 AI 产品。

在这个过程结束之后，相信你的思路会变得非常清晰，若能好好执行，效率自然能大幅提升。

而且呢，这也是一种更高效的学习方法。

你不再是以产品为中心在学习，试图穷尽一个产品的所有能力；

你也不再是以他人为中心在学习，并没有在呆呆地跟随一个课程大纲；

你是在以「工作流」为中心而学习，是在自己为中心在学习。

你找到了自己的目标，你凌驾于 AI 之上，而不是让 AI 绑架了你。

#AI工作流