即刻App年轻人的同好社区
下载
我觉得推特 / 小红书等等上有些评论区的文字是有启发性的，并且也包含了些许潜在的、未挖掘的信息量和 insight。
在阅读评论的过程中，大多数人往往只是用眼睛 + 脑海快速扫描一遍。而在对观点的判断上，我们常常忽视了自己潜意识里带有的喜好偏见：
- "我觉得他说的对"，其实往往是因为你的观点和他想表达的观点在此时此刻的语境、环境下是"同一个方向的"
- "我觉得他说的不对"，其实也只能说明你和他想表达的观点在此时此刻的语境、环境下"不是同一个方向的"
那么，在找到一个有待挖掘的评论/文本信息后：
- 如何尽量让自己和评论发言者"站在同一个方向上"去思考？
- 如何去确保自己在对信息的理解上是完备的？
- 如何去不带偏见地审视这个结论是否有道理 / 是否有价值？
- 以及如何通过文字本身引导思维进行发散，产生更多的 insight？
「选择一个当前相对来说更加智能的 LLM + 提出有效提问，就能开始你的探索文字信息增量之旅～」
为什么说如果可以，还是要选择一个更加智能的LLM？
主观体感上，今年国内通用大模型的输出质量已经足够在个人场景下使用。但是面对同样一个提问，更智能的模型有极大的概率会给你带来更多具有广度和深度的输出细节。
如何提出有效提问？成为一个会批判性思考的人。
此处引用姜胡说在《价值心法》这本书中对培养批判性思维的建议：
- "要成为一个会批判性思考的人，首先要学会辨识论题、结论、理由。"
- "所有结论都必须有支撑这个观点的理由（论据）和逻辑（论证过程），否则不足以被采信。"
- "别人的观点可以作为参考，但你必须能够清晰地看到该观点的论题、结论以及理由是什么。"
当然，在选择模型和提出提问前面其实还有一步，就是首先判断、找到什么是潜在的、有待挖掘的、有可能含有其他信息的信息。如果第一步没找对，后面 AI 工具的使用，也无法起到足够的杠杆价值。
在阅读评论的过程中，大多数人往往只是用眼睛 + 脑海快速扫描一遍。而在对观点的判断上，我们常常忽视了自己潜意识里带有的喜好偏见：
- "我觉得他说的对"，其实往往是因为你的观点和他想表达的观点在此时此刻的语境、环境下是"同一个方向的"
- "我觉得他说的不对"，其实也只能说明你和他想表达的观点在此时此刻的语境、环境下"不是同一个方向的"
那么，在找到一个有待挖掘的评论/文本信息后：
- 如何尽量让自己和评论发言者"站在同一个方向上"去思考？
- 如何去确保自己在对信息的理解上是完备的？
- 如何去不带偏见地审视这个结论是否有道理 / 是否有价值？
- 以及如何通过文字本身引导思维进行发散，产生更多的 insight？
「选择一个当前相对来说更加智能的 LLM + 提出有效提问，就能开始你的探索文字信息增量之旅～」
为什么说如果可以，还是要选择一个更加智能的LLM？
主观体感上，今年国内通用大模型的输出质量已经足够在个人场景下使用。但是面对同样一个提问，更智能的模型有极大的概率会给你带来更多具有广度和深度的输出细节。
如何提出有效提问？成为一个会批判性思考的人。
此处引用姜胡说在《价值心法》这本书中对培养批判性思维的建议：
- "要成为一个会批判性思考的人，首先要学会辨识论题、结论、理由。"
- "所有结论都必须有支撑这个观点的理由（论据）和逻辑（论证过程），否则不足以被采信。"
- "别人的观点可以作为参考，但你必须能够清晰地看到该观点的论题、结论以及理由是什么。"
当然，在选择模型和提出提问前面其实还有一步，就是首先判断、找到什么是潜在的、有待挖掘的、有可能含有其他信息的信息。如果第一步没找对，后面 AI 工具的使用，也无法起到足够的杠杆价值。
4 00
图一：
所以我期待未来的 agent 是「有情绪的」。它可以有自己的「小心思」、有自己的烦恼、有自己的欲望、有每一次执行 action 前的「动机」、有想证明自己价值的冲动、有想把下一个 action 做的更好的私心和渴望。
图二：
LLM 的兴起让很多人仿佛打上了「鸡血」。回顾历史周期，下一个所谓的「泡沫」在所难免，甚至有可能我们已经身在「泡沫」之中。但是，有潮起就有潮落。不理想的尝试经历会成为下一次做决策时思考的养料。这次的潮落是在为下一个潮起做准备。
所以我期待未来的 agent 是「有情绪的」。它可以有自己的「小心思」、有自己的烦恼、有自己的欲望、有每一次执行 action 前的「动机」、有想证明自己价值的冲动、有想把下一个 action 做的更好的私心和渴望。
图二：
LLM 的兴起让很多人仿佛打上了「鸡血」。回顾历史周期，下一个所谓的「泡沫」在所难免，甚至有可能我们已经身在「泡沫」之中。但是，有潮起就有潮落。不理想的尝试经历会成为下一次做决策时思考的养料。这次的潮落是在为下一个潮起做准备。
0 10
今天听了下小宇宙 “出海相对论：如何用好GPT并拥抱AGI时代”这个播客，我觉得蛮有意思（尤其适合我这种prompt新手）。播客请来了flowGPT的创始人（真的优秀），他讲述了自己对prompt目前以及未来的看法。
博客时长一个小时多，公众号里文字稿的字数也很多。所以我就产生了一个想法，我想把文字稿做个小小的内容总结概括、提取，并发在即刻中。
这个想法目的有两个：1. 方便我自己回顾观点。2.为想了解、学习prompt的个体、公司（学生、工程师、创业者等）提供一些思路。
我用gpt简单的写了个总结、提取文章prompt并把文字稿放进去。以下是通过gpt总结或者提取的输出：
Q1:为什么叫FlowGPT？Flow代表了什么
回答：
1. AI原生工作流（flow）定义了AI与工作流的融合，分为两种形态：“+AI”和“AI+”。
2. “+AI”是将AI模块与现有工作流结合，提高效率的方式，如Notion AI、微软的Copilot、Adobe的Firefly。
3. “AI+”是通过多个大模型和prompt的协作，构建完全基于AI的工作流。
4. 通过示例说明了如何使用AI原生工作流创作绘本故事，包括标题、大纲、插画、环境描写和排版润色等步骤。
5. 每个工作流模块都是一个“prompt+大模型”的组合，它们协作形成一个完整的工作流。
6. 这种工作流可以大幅度提高效率，使一个人完成以前需要多人合作完成的任务。
7. GPT被泛化成生成器的意思，FlowGPT代表了flow的主要载体，用户可以在其上创建、探索和使用各种工作流。
Q2：为什么选择从prompt切入进行大语言模型方向的创业？背后的思考逻辑是什么？
回答：
创始人提到了GPT-3时代的应用，如Jasper、Copy.ai，以及垂直应用，特别是AIGC相关的项目。他指出这些应用本质上都是使用prompt或flow的方式来包装大模型的功能。他认为对于缺乏自有独特数据或大模型的公司来说，他们实际上是租用prompt来获取价值。他们讨论了prompt是商品还是内容的问题，认为它更像是内容。创始人还提出了prompt需要不断迭代，并且应该有一个开源社群和UGC平台来维护和迭代prompt，而不应该由一个专业平台独自创建和运营并出租给他人。
Q3:FlowGPT上的主流人群画像，以及用得最多的prompt场景分别是什么？
回答：
1. 主流的人群画像是年轻人，尤其是25岁以下的人群。
2. 这些年轻人主要使用与求职和学术相关的prompt。
3. 尽管如此，点赞最多的内容可能不是这些常见场景，但仍然受到广泛使用。
4. 主持人分享了她的ChatGPT公开课经验，其中她强调了prompt的重要性，并提到了一些来自FlowGPT的案例，如生成Elon Musk相关的内容、创业BP、面试问答、情人节约会指南等。
Q4:分享一些比较有趣的具体的prompt案例
回答：
1. "Hustle GPT"是一个有趣的prompt，可以将ChatGPT变成一位老板，指导用户创业。
2. 使用GPT-4来询问关于创业的问题可以获得有价值的见解。
3. 编写和设计高质量的prompt是一项高级技能，对于自然语言编程有重要意义。
4. 不断对话和迭代是提高prompt效果的关键方法。
5. AI技术在教育、创新和问题解决方面有巨大潜力。
Q5:作为一个“prompt playground”的创始人，分享一下如何写出一个好的prompt
回答：
1. 讨论了如何编写有效的prompt以获得良好的生成模型结果。（prompt既可以是结构化，也可以是自然语言。当然既可以不是结构化，也可以不是自然语言。最重要的是要知道需要解决的问题或者需求是什么，根据需求来动态的、有机的设计prompt。）
2. 提到了一个年轻的研究者，他花了600小时开发一个用于编写prompt的框架，该框架具有许多规则和函数。
3. 提供了该框架的文档链接：docs.google.com
4. 讨论了生成模型如ChatGPT对教育的影响，指出它可能减少了对编程课程的需求。
5. 提到了高级prompt概念，如思维链和LangChain项目，这些概念涉及更复杂的问题解决方法和工程手段。
Q6:作为prompt资深玩家能否聊聊prompt的资深玩法？
回答：
1. 思维链和LangChain的不同：思维链在单个prompt内引导逻辑，LangChain关注构建更大规模、更复杂的工作流，解决更具体和困难的问题。
2. "hustle GPT"是一种自动化机器人，可以自动执行各种任务，例如赚钱、搭建网站和融资。
3. 随着生成模型的进一步发展，可以预期出现更多种类的prompt框架，用于不同领域的应用，例如网站开发、游戏设计等。
Q7：怎么看待五年后我们“不需要prompt engineering”这个话题？
回答：
1. "魔法词"的概念指出特定的词汇可以用来改善prompt的效果，但这需求正在随着生成模型的进化而减少。
2. prompt engineering有三个不同层次的定义：
第一层是编写更容易被理解的提示词。
第二层是构建AI原生的工作流来解决更复杂的问题。
第三层是对AI使用场景的哲学探索。
3. 文章强调了对AI使用场景的探索和创新，以及生成模型在不同行业和领域的广泛应用潜力。
Q8:从你的角度聊聊fine-tune和prompt
回答：
1. Foundation model提供基本能力，类似于一个人的智商和底层特征。
2. Fine-tune model用于调整模型以在特定领域内获得专业知识，类似于一个学生在大学选择专业并深入学习。
3. Prompt充当工作流和SOP，指导模型如何使用其能力和领域专业知识来解决问题，类似于在现实世界中应用专业知识来执行工作流程。
4. 这三个方面在生成模型中都具有重要性，相互协作以提高模型的性能和适应性。
Q9：GPT出现之后人的优势是什么？以及在AGI大航海时代，什么是创业团队成功最关键的优势？
回答：
1. 创业成功因素：执行力和适应力被强调为创业成功的关键因素。创业者需要勇气去尝试和适应各种挫折，坚持追求自己认为正确的事情。
2. 创新决策：提到成功创业者常常做出反常识的决策，因为这些决策可能会避开竞争，创造出新的机会。
3. 中国企业软件机会：文中指出中国企业软件可能通过提高生产力和转向软件交付最终服务来找到出路。这涉及降低协同管理软件的进入门槛和难度以及提供更好的通信服务。
4. 人工智能应用：提到人工智能技术的应用取决于数据的质量和行业的相关性。行业拥有大量高质量数据的公司在应用人工智能方面具有更大的机会和效率。独特的数据可以让公司建立强大的竞争优势和不同于竞争对手的商业模式。
Q10:基于GPT的和AGI的走向，国内和海外分别什么样的创业趋势和机会？
回答：
1. 自定义prompt与大模型关系：文章指出，一些项目仅仅是将自定义prompt与大模型结合，但这并不能改善模型本身，因为模型的主要功能由底层模型提供，而收集的数据更多地是关于产品本身而非模型的数据。
2. 数据训练成本下降趋势：文章讨论了训练大模型的成本下降趋势，类比了神经网络的成本下降历程。作者认为中小型企业和个人很快就会有能力训练大模型。
3. 创业机会：作者提出了两种创业机会：一是如果拥有大量高质量的行业独特数据，可以训练一个大模型并迭代其能力；二是协助拥有数据的公司实现这一目标。
4. 数据垄断：文章强调了数据垄断的重要性，认为未来训练大模型的成本不再是主要问题，而关键在于拥有独特的数据。
Q11:怎么看“千人联名叫停比GPT-4更强大的AI系统”事件？
回答：
1. AI领域变革速度快，每周都有大更新和变革。
2. 终端用户缺乏对AI技术变革的感知。
3. 引文"大模型界一天，人间一年"表明AI领域发展与人类社会变革不同步。
4. 创始人自称是AI的狂热爱好者，渴望看到AI能够实现什么。
Q12:如何理解“当AI无限放大我们的创造力，限制我们，只剩下想象力”？
回答：
1. 大模型降低了技能门槛，提高了数字操作的能力，使任何人都能够具备专家级别的技能。
2. 生成式模型可以通过prompt来实现各种创意，不仅限于自然语言，还可以是其他形式的输入，如草图、录音、视频等。
3. 随着AI技能的提升，创意实现的成本将大幅下降。
4. 人类的优势在于想象力，AI可以辅助增强想象力。
5. FlowGPT举办prompt hackathon活动，提供奖金和工作坊，鼓励用户使用各种prompt发挥想象力。
写在最后：
（问答可能总结不全，应该是疏忽了一个，不过问题应该不大）
另外，提供该博客链接🔗：
最后，祝大家更快的拥抱AI，更快的进化。
博客时长一个小时多，公众号里文字稿的字数也很多。所以我就产生了一个想法，我想把文字稿做个小小的内容总结概括、提取，并发在即刻中。
这个想法目的有两个：1. 方便我自己回顾观点。2.为想了解、学习prompt的个体、公司（学生、工程师、创业者等）提供一些思路。
我用gpt简单的写了个总结、提取文章prompt并把文字稿放进去。以下是通过gpt总结或者提取的输出：
Q1:为什么叫FlowGPT？Flow代表了什么
回答：
1. AI原生工作流（flow）定义了AI与工作流的融合，分为两种形态：“+AI”和“AI+”。
2. “+AI”是将AI模块与现有工作流结合，提高效率的方式，如Notion AI、微软的Copilot、Adobe的Firefly。
3. “AI+”是通过多个大模型和prompt的协作，构建完全基于AI的工作流。
4. 通过示例说明了如何使用AI原生工作流创作绘本故事，包括标题、大纲、插画、环境描写和排版润色等步骤。
5. 每个工作流模块都是一个“prompt+大模型”的组合，它们协作形成一个完整的工作流。
6. 这种工作流可以大幅度提高效率，使一个人完成以前需要多人合作完成的任务。
7. GPT被泛化成生成器的意思，FlowGPT代表了flow的主要载体，用户可以在其上创建、探索和使用各种工作流。
Q2：为什么选择从prompt切入进行大语言模型方向的创业？背后的思考逻辑是什么？
回答：
创始人提到了GPT-3时代的应用，如Jasper、Copy.ai，以及垂直应用，特别是AIGC相关的项目。他指出这些应用本质上都是使用prompt或flow的方式来包装大模型的功能。他认为对于缺乏自有独特数据或大模型的公司来说，他们实际上是租用prompt来获取价值。他们讨论了prompt是商品还是内容的问题，认为它更像是内容。创始人还提出了prompt需要不断迭代，并且应该有一个开源社群和UGC平台来维护和迭代prompt，而不应该由一个专业平台独自创建和运营并出租给他人。
Q3:FlowGPT上的主流人群画像，以及用得最多的prompt场景分别是什么？
回答：
1. 主流的人群画像是年轻人，尤其是25岁以下的人群。
2. 这些年轻人主要使用与求职和学术相关的prompt。
3. 尽管如此，点赞最多的内容可能不是这些常见场景，但仍然受到广泛使用。
4. 主持人分享了她的ChatGPT公开课经验，其中她强调了prompt的重要性，并提到了一些来自FlowGPT的案例，如生成Elon Musk相关的内容、创业BP、面试问答、情人节约会指南等。
Q4:分享一些比较有趣的具体的prompt案例
回答：
1. "Hustle GPT"是一个有趣的prompt，可以将ChatGPT变成一位老板，指导用户创业。
2. 使用GPT-4来询问关于创业的问题可以获得有价值的见解。
3. 编写和设计高质量的prompt是一项高级技能，对于自然语言编程有重要意义。
4. 不断对话和迭代是提高prompt效果的关键方法。
5. AI技术在教育、创新和问题解决方面有巨大潜力。
Q5:作为一个“prompt playground”的创始人，分享一下如何写出一个好的prompt
回答：
1. 讨论了如何编写有效的prompt以获得良好的生成模型结果。（prompt既可以是结构化，也可以是自然语言。当然既可以不是结构化，也可以不是自然语言。最重要的是要知道需要解决的问题或者需求是什么，根据需求来动态的、有机的设计prompt。）
2. 提到了一个年轻的研究者，他花了600小时开发一个用于编写prompt的框架，该框架具有许多规则和函数。
3. 提供了该框架的文档链接：docs.google.com
4. 讨论了生成模型如ChatGPT对教育的影响，指出它可能减少了对编程课程的需求。
5. 提到了高级prompt概念，如思维链和LangChain项目，这些概念涉及更复杂的问题解决方法和工程手段。
Q6:作为prompt资深玩家能否聊聊prompt的资深玩法？
回答：
1. 思维链和LangChain的不同：思维链在单个prompt内引导逻辑，LangChain关注构建更大规模、更复杂的工作流，解决更具体和困难的问题。
2. "hustle GPT"是一种自动化机器人，可以自动执行各种任务，例如赚钱、搭建网站和融资。
3. 随着生成模型的进一步发展，可以预期出现更多种类的prompt框架，用于不同领域的应用，例如网站开发、游戏设计等。
Q7：怎么看待五年后我们“不需要prompt engineering”这个话题？
回答：
1. "魔法词"的概念指出特定的词汇可以用来改善prompt的效果，但这需求正在随着生成模型的进化而减少。
2. prompt engineering有三个不同层次的定义：
第一层是编写更容易被理解的提示词。
第二层是构建AI原生的工作流来解决更复杂的问题。
第三层是对AI使用场景的哲学探索。
3. 文章强调了对AI使用场景的探索和创新，以及生成模型在不同行业和领域的广泛应用潜力。
Q8:从你的角度聊聊fine-tune和prompt
回答：
1. Foundation model提供基本能力，类似于一个人的智商和底层特征。
2. Fine-tune model用于调整模型以在特定领域内获得专业知识，类似于一个学生在大学选择专业并深入学习。
3. Prompt充当工作流和SOP，指导模型如何使用其能力和领域专业知识来解决问题，类似于在现实世界中应用专业知识来执行工作流程。
4. 这三个方面在生成模型中都具有重要性，相互协作以提高模型的性能和适应性。
Q9：GPT出现之后人的优势是什么？以及在AGI大航海时代，什么是创业团队成功最关键的优势？
回答：
1. 创业成功因素：执行力和适应力被强调为创业成功的关键因素。创业者需要勇气去尝试和适应各种挫折，坚持追求自己认为正确的事情。
2. 创新决策：提到成功创业者常常做出反常识的决策，因为这些决策可能会避开竞争，创造出新的机会。
3. 中国企业软件机会：文中指出中国企业软件可能通过提高生产力和转向软件交付最终服务来找到出路。这涉及降低协同管理软件的进入门槛和难度以及提供更好的通信服务。
4. 人工智能应用：提到人工智能技术的应用取决于数据的质量和行业的相关性。行业拥有大量高质量数据的公司在应用人工智能方面具有更大的机会和效率。独特的数据可以让公司建立强大的竞争优势和不同于竞争对手的商业模式。
Q10:基于GPT的和AGI的走向，国内和海外分别什么样的创业趋势和机会？
回答：
1. 自定义prompt与大模型关系：文章指出，一些项目仅仅是将自定义prompt与大模型结合，但这并不能改善模型本身，因为模型的主要功能由底层模型提供，而收集的数据更多地是关于产品本身而非模型的数据。
2. 数据训练成本下降趋势：文章讨论了训练大模型的成本下降趋势，类比了神经网络的成本下降历程。作者认为中小型企业和个人很快就会有能力训练大模型。
3. 创业机会：作者提出了两种创业机会：一是如果拥有大量高质量的行业独特数据，可以训练一个大模型并迭代其能力；二是协助拥有数据的公司实现这一目标。
4. 数据垄断：文章强调了数据垄断的重要性，认为未来训练大模型的成本不再是主要问题，而关键在于拥有独特的数据。
Q11:怎么看“千人联名叫停比GPT-4更强大的AI系统”事件？
回答：
1. AI领域变革速度快，每周都有大更新和变革。
2. 终端用户缺乏对AI技术变革的感知。
3. 引文"大模型界一天，人间一年"表明AI领域发展与人类社会变革不同步。
4. 创始人自称是AI的狂热爱好者，渴望看到AI能够实现什么。
Q12:如何理解“当AI无限放大我们的创造力，限制我们，只剩下想象力”？
回答：
1. 大模型降低了技能门槛，提高了数字操作的能力，使任何人都能够具备专家级别的技能。
2. 生成式模型可以通过prompt来实现各种创意，不仅限于自然语言，还可以是其他形式的输入，如草图、录音、视频等。
3. 随着AI技能的提升，创意实现的成本将大幅下降。
4. 人类的优势在于想象力，AI可以辅助增强想象力。
5. FlowGPT举办prompt hackathon活动，提供奖金和工作坊，鼓励用户使用各种prompt发挥想象力。
写在最后：
（问答可能总结不全，应该是疏忽了一个，不过问题应该不大）
另外，提供该博客链接🔗：
最后，祝大家更快的拥抱AI，更快的进化。
#4 如何用好ChatGPT并拥抱AGI时代？让我们从prompt谈起——对话FlowGPT创始人J
出海相对论
12 412
纪念一下自己在prompt探索上的第一个证书
客观来说这个证书的含金量我个人觉得一般，因为自己上传讯飞助手用到的prompt知识还比较浅显，属于有手就行那种。但是这是我在学习的道路上迈出的一小步。
勉励自己，继续向前
客观来说这个证书的含金量我个人觉得一般，因为自己上传讯飞助手用到的prompt知识还比较浅显，属于有手就行那种。但是这是我在学习的道路上迈出的一小步。
勉励自己，继续向前
38 275