Cynthia Bailey：清楚提问、核验证据，保留独立判断

今天我们讨论提示词、信任、上下文、资源和独立判断。虽然示例使用交互式聊天，同样的习惯也会影响之后使用更自主的智能体。

本讲重点是来回互动的聊天。之后智能体会在互动之间工作更长时间，但说明和评估工作的原则依然适用。

先明确自己想要什么。这既有助于获得有用结果、保留自己的声音，也能减少达到目标所需的往返次数。

宿舍 T 恤设计说明了目标不清的代价：可能需要多次生成才能符合请求者的喜好。更清楚的初始方向可以缩短过程。

不必强迫自己使用不自然、法律化或像电脑一样的语气。工具应适应人；不过，直接而具体地说明任务有助于模型理解请求。

Bailey 认为，人们不应为了迎合工具想象中的期望而扭曲自己的语言。自然语言有用，正是因为它不像编程语法那样受限。

直接不意味着为每一种可能情况列出机械规则。自然语言指令可以说明结果或行为，再让系统理解普通语言。

系统提示词是放在对话上下文中的额外指令。Bailey 使用公开示例说明，直接指令可以描述期望行为，而不必枚举每一种情况。

Bailey 说，公开的系统提示词档案也是透明度的一个例子：用户可以看到塑造产品行为的部分指令。

指定角色可以改变回答的语气、受众和表述框架。但让模型扮演专家本身不会给已训练的参数注入新的专业知识。

角色提示可以同时说明谁在说话、谁接收答案。有经验的人给初学者的建议，其表述会不同于同行之间的讨论。

如果希望模仿自己的写作风格，可以提供示例。用真实材料为请求提供依据，能让模型利用你未必知道如何描述的模式，也能降低但不能消除幻觉。

来源文档也可以为事实性工作提供依据。提供实际数据后，便可以把回答与材料核对，但模型仍可能误读或编造细节。

示例可以传达难以逐一列举的个人风格特点。重点是提供有代表性的材料，而不是假定一个简短形容词就能概括全部语气。

Bailey 说，她采访过的资深 AI 用户把有效提示比作良好的管理：明确期望、合理拆分任务、了解哪些工作可以委派，并为结果设定验收标准。

任务含糊、事后又因未说出的要求而批评结果，会让同事感到挫败；使用 AI 时也可能造成反复修订。应在评价输出前先设定期望。

一个有用的类比是有能力但刚加入团队的实习生，不知道组织习惯或你的偏好。Bailey 指出这个类比带有拟人化，但它有助于解释为何需要说清目标和规则。

工作范围可以写明目标、受众、背景、约束、资料、输出格式和成功标准。清晰标准有助于避免等到工作完成后才发现此前没有说出的期望。

对于写作，不仅要说明作者角色，还要说明目标读者和文档希望产生的效果。这些细节有助于区分有用结果与只是形式完整的文字。

约束可以包括长度和格式，也可以提前附上资料。Bailey 还建议说明最终工作将如何被接受或评估。

如果难以一开始就写出详细说明，可以让模型先采访你再动手。例如，活动策划请求可以引出组织、受众、预算和约束等问题。

采访可以只从高层目标开始。关于人数、预算和组织性质的问题，能帮助请求者补充原本未想到要列出的细节。

另一种方法是先写初步范围，再要求模型提出澄清问题并更新范围。在较长任务开始前审阅它，让缺失要求尽早显现。

在耗时或成本较高的运行前，澄清尤其有用。几个问题可以避免助手基于缺失的假设花时间产出偏离需求的结果。

经过多轮交流得到有用结果后，可以要求生成独立提示词或摘要，记录其中的决定。对于重复工作，这种复盘通常比下次只复制最后一条消息更有用。

复盘对需要反复遵循特定格式的工作尤其有用，例如办公室备忘录。当结果符合需要后，可以要求生成可复用的独立指令。

更简短、可复用的起点可能节省工作和推理资源。Bailey 把环境影响作为集体问题讨论，而没有给单次提示指定精确影响。

要求模型解释先前的内部过程或给出置信度时要谨慎。Bailey 认为，自信的自我报告不能代替判断答案是否正确的外部证据。

Bailey 提醒，询问受保护特征是否影响了先前建议，仍然只会得到另一个生成的答案。她建议寻找可核查的证据，而不是把回答当成审计。

准确性重要时，应要求证据而不是宽慰。打开引用，核实来源是否真的支持具体说法；仅仅有链接并不够。

引用来源可能确实存在，却没有包含回答归给它的具体细节。既要检查来源，也要检查说法的具体程度。

引用也要与原文核对。生成的引文可能听起来熟悉，却改动了词句，因此依赖之前应搜索实际原文。

可观测性是让过程中的相关部分可见。Bailey 希望用户把更多中间信息变成可以检查和纠正的形式，而不是只依赖经过润色的最终答案。

她描述自己让模型汇总 PDF 中的班级资料。结果暴露出模型只统计了 20 名学生，因为阅读器只处理了前 20 页。要求报告找到的总人数，本可以提供一个简单的合理性检查。

在 PDF 示例中，不寻常的百分比促使她进一步检查。经验是要求计数或其他独立检查，以暴露输入处理不完整的问题。

采访式交流后，可以要求模型把要求复述成工作范围，并让你批准或修改。这能在模型继续之前暴露误解。

面向推理的系统可能在回答前进行额外的中间生成。用户能看到多少内容因产品而异；Bailey 将可见材料作为检查部分过程的方法，而不是最终答案正确的保证。

讲者比较了不同产品界面展示中间推理的方式。可见摘要或记录因界面而异，应将其理解为产品呈现的一部分。

话题无关时，开始新的对话。把过去关于食谱或人际关系的对话带入微积分问题，会增加无关上下文并消耗资源。

长对话可以保留有用的连续性，例如以前对你有效的解释方式。应将这一好处与累积历史的大小和相关性一起权衡。

对于反复讨论的话题，同一对话可以保留先前困难或偏好示例等有用上下文。但很长的历史也可能携带无关细节并强化不想要的方向；要判断连续性是否仍有帮助。

即使不再有帮助，旧的旁支讨论或一次性例子也可能留在长对话中。Bailey 建议愿意重新开始，而不是自动把所有内容继续带入。

Bailey 介绍了首因和近因效应，以及长上下文中间的信息可能受到较少关注的风险。她建议把特别重要的要求放在容易找到的位置。

对于很长的说明，Bailey 建议将特别重要的要求放在开头或结尾附近。她担心埋在中间的细节更容易被忽略。

根据任务选择模型和推理强度。简单拼写检查或短文本编辑可能不需要能力最强的模型及其最高强度。

避免不必要的庞大输入：如果已有文字，就提供文字，而不是文字照片。有时计算器或文档搜索比使用大语言模型更合适。

节约资源也可以意味着不调用语言模型。计算器可以处理简单算术，查找命令也可能找到文档中已知的词语。

Bailey 回到独立声音的问题：委派之前应知道自己的目标和偏好。否则生成文本可能滑向常见模式，而不是你真正想要的内容。

为了保护自己的技能，可以要求 AI 解释它做了什么，并写下你下次能够自己照做的步骤。Bailey 在工具帮她修复问题时会保留并定期复习这类笔记。

Bailey 把 AI 帮她完成任务时学到的小经验记录在个人文档中，并定期复习。目标是通过委派保留或增长知识，而不是逐渐失去它。

她让学生想一想自己希望保持熟练的技能，以及什么外部警报能够显示能力下降。在采访中，一些经验丰富的程序员直到再次尝试使用常规技能时，才发现自己已经忘记了。