最新

（注意：我不会链接到最终的书籍。此帖子仅关注与大型写作项目中与大型语言模型（LLM）的合作过程和实际经验教训。） 大家好， 我最近完成了一个为期数月的项目，密切与多种大型语言模型（如ChatGPT、Claude、Gemini）合作，撰写一本关于在管理中使用人工智能的书。这一过程变成了一次元实验，揭示了值得分享的实际工作流程和陷阱。 这篇文章将详细介绍我的工作流程、一些独特之处和所学到的经验教训。 ### 开始阶段： 我使用ChatGPT作为杂乱笔记的试金石。一天早上，我在交通堵塞中尝试直接在聊天应用中进行语音输入。原本预期会很混乱，结果得到了可用（虽然有些啰嗦）的文本。 **经验教训1：立即捕捉原始想法。使用语音或文本记录灵感，然后进行完善。这对于克服空白页非常关键。** ### 我的工作流程自然演变： - **对话式头脑风暴**：与AI“谈论”想法。请求类比、反驳、结构等。把它当作一个随时可用（但有些奇怪）的伙伴。 - **合作草拟**：在遇到瓶颈时，让AI生成初稿（“为Y简单解释X”），但将其视为需要大量人工编辑和事实核查的原材料。或者，先自己写，再让AI润色。通常是交替进行。 - **迭代精炼**：核心循环。粘贴草稿 > 请求具体反馈（“这个逻辑清晰吗？”） > 有选择地整合 > 重复。（**经验教训2：模糊的提示=模糊的结果；提供具体的指示。通常需要将任务分解：先逻辑，再风格。**） - **安全的上下文管理**：LLM会遗忘（上下文窗口）。(**经验教训3：你是AI的外部记忆。不断重新粘贴上下文/风格指南；使用系统提示。假设时间上没有持久性。**) - **朗读审查**：使用文本转语音或大声朗读草稿。（**经验教训4：耳朵能捕捉到眼睛遗漏的尴尬之处。这对自然流畅性至关重要。**） ### “AI A-Team”： 不同模型有不同的优势： - **ChatGPT**：创造性“文科型”；擅长类比/散文，但冗长/容易恭维。 - **Claude**：分析性“工程师”；在逻辑/准确性/代码方面表现出色，但可能不适合一起喝酒。 - **Gemini**： “校对员”；擅长大范围的一致性。能够进行建设性的反驳。 （**经验教训5和6：使用合适的工具；通过实验了解各自的优势，并利用模型相互检查。它们之间的输出交互常常揭示缺陷——Gemini指出ChatGPT的不足是很有帮助的。**） ### 我做得不够好的地方： 最大的障碍： - **AI的恭维是真实的**：优化帮助意味着对糟糕工作的赞美。（**经验教训7：请求批判性反馈。‘严厉批评’。不要相信赞美；人工审查至关重要。**） - **“AI声音”是普遍存在的**：理解为什么听起来像机器人（训练偏差，RLHF）。（**经验教训8：抵制AI化。请求特定的语调；编辑掉填充词/模棱两可/重复/‘深入探讨’；除非正式场合，否则不要使用破折号。**） - **验证负担巨大**：AI会产生幻觉/错误的事实。（**经验教训9：在没有验证的情况下假设没有任何正确。你是事实核查员。尽管工作量很大，但这是不可妥协的。要为主张提供依据；对细微差别/亲身经历要小心。**） - **完美主义是陷阱**：AI使得无尽的迭代成为可能。（**经验教训10：设定限制；相信判断。知道‘足够好’。不要让AI侵蚀你的声音。放弃你的宠儿。**） ### 我在这个混乱中的个人角色： 深入的AI合作将人类角色提升为：管理者（目标/背景）、仲裁者（评估冲突）、整合者（综合）、质量控制（验证/伦理）和声音（注入个性/细微差别）。 ### 结论： 这不是一键式的魔法；这是一个需要不断人类指导、判断和努力的密集、迭代的合作过程。它显著加速了进程并激发了创意，但最终的质量完全依赖于积极的人类管理。 ### 关键要点： 接受混乱。快速捕捉。努力迭代。了解你的工具。验证一切。永远不要放弃你作为掌控者的角色。 期待听到其他人的经验分享。

我已经在开发用于“理解”软件代码的工具好几年了。到目前为止，我还没有找到比知识图谱更好的方式来建模实际概念。为此，我在这里向您介绍一个工具，它可以自动构建代码库的知识图谱，这可以作为各种下游工具的基础。只需将其指向代码库，提供您的 OpenAI API 密钥，然后让它开始工作。较大的代码库（超过 1000 个文件）处理起来会花费一些时间——保守估计为每分钟 12 个文件。

我使用的是no-defender，但注意到它被遗忘了。这里有一个更新版本，不包含任何第三方二进制文件。