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 🔄 0 ❤️ 0 👀 259 📊 2 ⚡