提示词工程与专业能力的关系
提示词工程很重要吗? 重要,但更重要的是:你,是你的专业能力! https://t.co/CYos83wzDH 关键案例:陶哲轩与 ChatGPT 讨论 Jacobian 猜想反例 作者的感受是:"...
陶哲轩案例证明:专业能力才是用好AI的关键,技巧只是表象。
陶哲轩与ChatGPT讨论Jacobian猜想反例时,展示了专业能力的重要性。他的消息极短,只回应要点,模型输出也明显更简洁。
他避免直接否定,用方向性引导,并提出自己的建议。模仿这些行为无法达到陶的效果,前提是他真的懂数学。
提示词工程很重要吗? 重要,但更重要的是:你,是你的专业能力! https://t.co/CYos83wzDH 关键案例:陶哲轩与 ChatGPT 讨论 Jacobian 猜想反例 作者的感受是:"...
提示词工程很重要吗? 重要,但更重要的是:你,是你的专业能力! seangoedecke.com/llms-reward-ex… 关键案例:陶哲轩与 ChatGPT 讨论 Jacobian 猜想反例 作者的感受是:"这不是我平时用的那个 ChatGPT"——即使给他无限 token,他也到不了陶哲轩到达的地方。他从对话中提炼出四个可观察的特征: · 陶的消息极短,只回应要点,不逐条回应模型输出 · 模型的输出也明显更简洁——专业信号把模型切换进了"对数学家说话"模式 · 陶质疑时避免直接否定,用"这比我预期的更复杂"之类的话做方向性引导 · 陶自己提出跳跃和建议,几乎从不采纳模型关于下一步的意见 技巧是表象,专业是内核 最重要的转折:模仿以上四条无法达到陶的效果。这些行为的前提是他真的懂数学——能从模型多段回复中挑出真正相关的想法,能提出替代表述,能一眼识别"哪里看着不对"。技巧是专业能力的外显,无法单独存在。 迁移到软件工程 作者用自己的经验佐证:对代码库有清晰的"理论",就能把 LLM 逼得更紧——"这里应该能更简单"、"我们已经有 X 了吧"、"能否用这些熟悉的概念重新表述"。这呼应他此前的观点:系统设计由具体细节主导。他宁要对某个代码库的熟悉,也不要对软件系统的宽泛理解,因为具体性才能让你像陶那样问出"X 在这里成立吗"、"已知 Y 和 Z,为什么是 A"。 两种使用模式 · 无领域知识:依附 LLM,至少能拿到点什么,这本身没问题 · 有领域知识:对同一个 LLM 强力施加方向,榨出远多得多的价值 Addy Osmani @addyosmani "The most important skill in prompting is expertise in the domain you’re prompting for" seangoedecke.com/llms-reward-ex… Sometimes the human is the bottleneck. A good reminder LLMs are a force multiplier if you're skilled and to build this domain expertise if you don't have it yet. 🔗 View Quoted Tweet📊 2 ⚡
This report is categorized under AITOP's "How-to" desk, focusing on US frontier AI labs and Silicon Valley technology leaders. Within our cross-regional analytical framework, it directly maps to AI developer toolchains, coding agents, and engineering workflows. Key entities and technical topics under continuous tracking include prompt engineering, ChatGPT, Terence Tao.
Source attribution: curated from shao__meng (@shao__meng).