您尚未登录账户
您的企业账号申请正在审核中
AI推理模型兴起，促使新型提示方法需求显现
近年来，AI推理模型的发展势头强劲。自2024年9月OpenAI推出其o1推理模型以来，该领域迎来了新一轮的革命。o1模型虽然在回答问题时耗时较长，但其性能卓越，尤其在解决复杂的多步骤数学和科学问题上表现突出。此后，商业AI领域迅速涌现了众多模仿者和竞争者，如DeepSeek的R1、Google的Gemini 2 Flash Thinking，以及最新的LlamaV-o1等，它们均旨在提供与OpenAI的o1及即将推出的o3系列模型相似的内置“推理”功能。
这些模型采用了“思维链”（Chain-of-Thought, CoT）提示或“自我提示”技术，要求模型在分析过程中进行自我反思、回溯、检查，并最终得出比直接快速输出嵌入信息更准确的答案。然而，o1及其迷你版的高昂成本（每100万输入标记15美元，相比之下GPT-4o在OpenAI API上的价格为每100万输入标记1.25美元）引发了一些争议，质疑其性能提升是否真正值得付出12倍于普通先进大型语言模型（LLM）的费用。
尽管如此，越来越多的用户开始接受这类模型，而解锁推理模型真正价值的关键可能在于用户提示方式的变化。据AI新闻服务Smol的创始人分享的来自前苹果visionOS界面设计师Ben Hylak的观点，用户在与o1模型交互时，应更多地提供“简报”而非简单的提示。这意味着用户需要提供详细的上下文信息，明确说明期望的输出内容、用户身份以及所需信息的格式。
Hylak指出，传统上，用户会告诉模型如何回答，例如“你是一位专家软件工程师，请慢慢思考并仔细回答”。然而，在使用o1模型时，他建议只说明“要做什么”，而不具体指导“如何做”，让模型自主规划和解决问题步骤。这种方法利用了模型的自主推理能力，并可能比人工审核和交互更快。
此外，对于非推理型LLM，如Claude 3.5 Sonnet，用户同样可以通过改进提示方法来获得更好、更不受限制的结果。例如，前Teton.ai工程师、现神经调节设备openFUS创作者Louis Arge提到，他发现LLM更信任自己的提示而非用户的提示，并分享了如何通过“触发冲突”与Claude进行“战斗”，从而说服其输出更勇敢、不受拘束的答案。
综上所述，随着AI时代的发展，提示工程仍然是一项重要的技能。
