63 lines
3.4 KiB
Markdown
63 lines
3.4 KiB
Markdown
---
|
|
title: "高级启发"
|
|
description: 使用结构化推理方法推动 LLM 重新思考其工作
|
|
sidebar:
|
|
order: 6
|
|
---
|
|
|
|
让 LLM 重新审视它刚刚生成的内容。你选择一种推理方法，它将该方法应用于自己的输出，然后你决定是否保留改进。
|
|
|
|
## 什么是高级启发？
|
|
|
|
结构化的第二轮处理。与其要求 AI "再试一次" 或 "做得更好"，不如选择一种特定的推理方法，让 AI 通过该视角重新审视自己的输出。
|
|
|
|
这种区别很重要。模糊的请求会产生模糊的修订。命名的方法会强制采用特定的攻击角度，揭示出通用重试会遗漏的见解。
|
|
|
|
## 何时使用
|
|
|
|
- 在工作流生成内容后，你想要替代方案
|
|
- 当输出看起来还可以，但你怀疑还有更深层次的内容
|
|
- 对假设进行压力测试或发现弱点
|
|
- 对于重新思考有帮助的高风险内容
|
|
|
|
工作流在决策点提供高级启发——在 LLM 生成某些内容后，系统会询问你是否要运行它。
|
|
|
|
## 工作原理
|
|
|
|
1. LLM 为你的内容建议 5 种相关方法
|
|
2. 你选择一种（或重新洗牌以获取不同选项）
|
|
3. 应用方法，显示改进
|
|
4. 接受或丢弃，重复或继续
|
|
|
|
## 内置方法
|
|
|
|
有数十种推理方法可用。几个示例：
|
|
|
|
- **事前复盘** - 假设项目已经失败，反向推导找出原因
|
|
- **第一性原理思维** - 剥离假设，从基本事实重建
|
|
- **逆向思维** - 询问如何保证失败，然后避免这些事情
|
|
- **红队对蓝队** - 攻击你自己的工作，然后为它辩护
|
|
- **苏格拉底式提问** - 用"为什么？"和"你怎么知道？"挑战每个主张
|
|
- **约束移除** - 放下所有约束，看看有什么变化，然后有选择地加回
|
|
- **利益相关者映射** - 从每个利益相关者的角度重新评估
|
|
- **类比推理** - 在其他领域找到平行案例并应用其教训
|
|
|
|
还有更多。AI 会为你的内容选择最相关的选项——你选择运行哪一个。
|
|
|
|
:::tip[从这里开始]
|
|
对于任何规范或计划，事前复盘都是一个很好的首选。它始终能找到标准审查会遗漏的空白。
|
|
:::
|
|
|
|
---
|
|
## 术语说明
|
|
|
|
- **LLM**：大语言模型。一种基于深度学习的自然语言处理模型，能够理解和生成人类语言。
|
|
- **elicitation**：启发。在人工智能与提示工程中，指通过特定方法引导模型生成更高质量或更符合预期的输出。
|
|
- **pre-mortem analysis**：事前复盘。一种风险管理技术，假设项目已经失败，然后反向推导可能的原因，以提前识别和预防潜在问题。
|
|
- **first principles thinking**：第一性原理思维。一种将复杂问题分解为最基本事实或假设，然后从这些基本要素重新构建解决方案的思维方式。
|
|
- **inversion**：逆向思维。通过思考如何导致失败来避免失败，从而找到成功路径的思维方式。
|
|
- **red team vs blue team**：红队对蓝队。一种模拟对抗的方法，红队负责攻击和发现问题，蓝队负责防御和解决问题。
|
|
- **socratic questioning**：苏格拉底式提问。一种通过连续提问来揭示假设、澄清概念和深入思考的对话方法。
|
|
- **stakeholder mapping**：利益相关者映射。识别并分析项目中所有利益相关者及其利益、影响和关系的系统性方法。
|
|
- **analogical reasoning**：类比推理。通过将当前问题与已知相似领域的问题进行比较，从而借鉴解决方案或见解的推理方式。
|