AI对我的指令理解不到位，我应该怎么训练它

指令就是那些技巧之外的，你需要让AI能真正理解你意图，并且精确控制AI按照你的意图去完成任务的部分。其实这部分才是提示工程的核心部分，而且并不容易做好，因为它有很多难点：如何清楚的表达自己的意图表达清楚自己的意图其实很难，如果不能表达清楚，不管是AI还是人类，都很难懂你或者帮到你。比如说“五彩斑斓的黑”是什么颜色？如何让AI明白所有相关的上下文人和人沟通的时候，一个常见的错误就是一方假定对方明白自己知道的所有上下文，然后造成很多误解。跟AI也一样，但是如何让AI明白我们所处的上下文环境也是很有必要并且很难的事情：要如何交代清楚上下文，要交代多少上下文？如何将复杂的任务拆分成简单的任务我刚大学毕业那会，HR会给员工推荐一本书，叫《把信送给加西亚》，本来挺好的故事，但是被老板们用来教育员工：员工收到老板的指令，就应该像书中的安德鲁·罗文那样，没有任何推诿，不讲任何条件，历尽艰险，徒步走过危机四伏的国家，以其绝对的忠诚、责任感和创造奇迹的主动性完成“不可能的任务”，把信交给了加西亚。后来自己去管人了才知道，好的管理者要善于帮助员工将复杂的任务拆分成简单的任务，并且在过程中提供帮助和引导，而不是给一个指令就等着结果。让AI做事也是类似的，由于上下文的不完整，或者任务的复杂性，合格的提示工程师需要将复杂的任务拆分成几个简单的任务让AI去完成，甚至于需要组建一个完整的工作流，让多个AI智能体协同完成复杂的任务。如何精确的控制AI做事

OpenAI在2021年据说已经把能找到的人类的知识文本都用完了，因为人类一共就写了1亿本书，那么多杂志期刊论文，只要数字化都可以穷尽。最后想了个方法，他们把YouTube上的视频下载了100万个小时，这原来我也预言过，就是用视频来做学习，他把里边的音轨导出来，把音轨转成文字，用这个文字来做对GPT做训练。所以这个让我们中国人工智能发展又看到了新的机会。因为过去老有人自我讽刺，老有人妄自菲薄，看不起我们国内的这些从业者，说世界上搞人工智能，他们在搞智能，我们在搞人工。但这个段子到今天有了正解，没有人工哪来的智能啊？我们将来发挥我们人口红利，培养很多的人工智能训练师，我们大量的产生像百度“弱智吧”这样的内容，这样可以给我们的人工智能做更好的训练。百度“弱智吧”里边充满了双关语，充满了深刻的逻辑和各种各样的梗，它对大模型提高逻辑能力、提升回答技能能力是非常显著的。多模态的发展，文生图的发展，ToC会继续涌现杀手级应用。知识工程成为大模型落地的决定性要素。无论做通用大模型还是做专有大模型，知识成为决定性，没有知识的大模型就是个傻子。Agent架构，最近吴恩达——著名的人工智能世界级科学家，讲了好几次Agent的课。他反复讲到Agent架构对大模型至关重要，这是我今天一个讲课的重点。还有人形具身智能机器人产业获得十倍速的发展。Figure AI跟GPT合作做的机器人进步很快，最近斯坦福那个机械臂当它操作不对的时候，能听懂人的指令。比如说把一个海绵塞到口袋里，海绵掉在地上，然后人就说把口袋撑大一点，那它就能够照着人的指令完成这个任务。

在许多情况下，我们只需给AI下达明确的命令来完成一次性任务，例如制作一个简单的Chrome插件、编写脚本、或创建Python爬虫。但当AI满足了我们简单的需求，并让我们获得正反馈之后，我们的期待也会不断提高，希望能进一步从繁琐的日常任务中解脱出来。这个时候，我们需要了解AI编程的边界和限制。[heading2]3.1 AI编程准则第一条：能不编，尽量不编[content]随着IT技术的发展，各种基础设施和工具越来越多，大多数需求都能找到现成的软件解决方案，只需权衡投入产出，进行评估即可。[搜索技巧的逆袭：在AI统治的世界中寻找价值](https://iaiuse.com/posts/af894b2a)成熟产品优先找线上工具：例如制作白底图等功能，如果线上有现成的工具那最好。其次找插件：基于现有系统找合适的插件。最后是本地应用：当线上工具和插件都不满足需求时，再考虑本地应用。API功能先找现成的开源工具，GitHub上很多。然后考虑付费服务。如果都找不到现成的方案，才考虑自己编程。毕竟，人生苦短，何必为难自己呢？如果真的需要动手编写，也要以终为始，抛开技术障碍，聚焦于目标。