DeepSeek雖然是推理類大模型，對結(jié)構(gòu)化prompt的要求沒有那么訓(xùn)練類模型（如Kimi、Claude）那么高。
但是依然需要用戶擅長和它對話，而這就是AI時代最值錢的技能之一：指令調(diào)教。
一 為什么需要調(diào)教指令
AI輸出任務(wù)的難度不同，對指令的質(zhì)量要求截然不同，調(diào)教難度千差萬別。
如果只是一個不需要任何背景信息的客觀單任務(wù)，比如明天杭州天氣，比如小米15和iphone 15性能對比，也就是說和用戶沒關(guān)系，答案非常穩(wěn)定，就不需要什么指令學(xué)問，隨便問，甚至搜索就能直接解決。
但如果這個任務(wù)，個性化+多變量，那就需要好的指令。
如果對這2個關(guān)鍵詞不好理解，我們一個個來說。
第一，非常個性化，也就是和執(zhí)行人的背景信息高度相關(guān)，比如去杭州旅行2天的攻略，1000個人有1000種玩法，預(yù)算上可以花100，也可以花10萬，景點(diǎn)安排上，酒店安排上，到處都是差異。
第二，是多變量復(fù)雜任務(wù)。
也就是說需要拆分為各種元素的，比如你讓AI幫你寫篇文章，但你知道，一篇文章由太多元素組合而成，標(biāo)題、開頭、正文、結(jié)構(gòu)、表達(dá)、語句、金句、結(jié)尾等等。
不做每個元素的限定指令，你心里想要的和AI實(shí)際生成的就會差之毫厘謬以千里。
二 指令調(diào)教的底層邏輯
所以指令調(diào)教，就像是給AI先教會，再讓它完成任務(wù)。
這個和人的學(xué)習(xí)非常像，比如我們每個人開車是手動眼動腳動腦動，基本上都已經(jīng)形成機(jī)械記憶了。
但是我們學(xué)駕照的時候，教練是怎么教我們的，是把一個個動作拆分給我們的，怎么換檔位，怎么踩剎車，怎么調(diào)燈光，怎么打方向盤等等。
那有人會問了，AI不是特別強(qiáng)大嘛，為什么我們還要去教他？
它確實(shí)很強(qiáng)大，但它強(qiáng)大的是它背后有海量的知識，比如GPT 4他被喂養(yǎng)了幾千萬本書了，DeepSeek也已經(jīng)被喂養(yǎng)了海量的中英文知識庫。
但是他是一個書呆子，他動手能力還不行，沒辦法執(zhí)行你的任務(wù)，但好在他學(xué)習(xí)能力很強(qiáng)，而且是真學(xué)，這就需要你，先把任務(wù)做細(xì)化的拆分，先教會它。
這就像是一個老板和一個中高層給下面的同事布置任務(wù)，是不是要根據(jù)這個人的身份，任務(wù)的目標(biāo)，這個人的能力資源需求，還有具體要做的事情來布置。
這就是目前所有的高質(zhì)量的指令的底層邏輯，這是我開發(fā)并命名的CHAT模型，也是元指令。
這個元指令，我把它命名為CHAT模型，不是瞎編，瞎往ChatGPT上湊，是Character（角色)， History（背景)， Ambition（目標(biāo))， Task（行動)的首字母縮寫。
1 給它一個角色身份，告訴它它是誰。2 給它充分的上下文背景信息。3 告訴它你要實(shí)現(xiàn)什么目標(biāo)。4 明確告訴它幫你做什么。
三 AI指令的5個層次
不同層次的指令會帶來截然不同的生成結(jié)果。
這也是為什么AI在有些人手中是人工智障，但在高手手中是人工智能。
我調(diào)教過無數(shù)個指令，也看過很多別人調(diào)的指令，更看過海量的AI生成的指令。
根據(jù)生成質(zhì)量的不同，我把他們分為五個層次。
第一層，邏輯層，簡單的問是什么，為什么，怎么樣，答案類似搜索引擎，常常結(jié)果不讓人滿意。
比如你問AI，如何每天早起，得到的就是和搜索一樣的無用的廢話或道理。
他不知道你的背景信息，也不知道為什么要早起，更不知道你愿意為早起付出什么等等。
第二層，案例層，用一個例子投喂給AI，讓它模仿，結(jié)果超過第一層，但是模仿痕跡太過，創(chuàng)意不足。
這個方法其實(shí)很多人在用，比如給AI一個文案例子，然后讓他直接模仿，生成新的文案。
但是，通常情況下，質(zhì)量很不行。
這個質(zhì)量不行，來自于兩個原因，因?yàn)槟悴粔驅(qū)I(yè)，你喂養(yǎng)他的這個案例根本質(zhì)量就不行，第二，AI的學(xué)習(xí)模仿能力還沒有這么強(qiáng)。
而且很多時候因?yàn)槟阄菇oAI的只是一兩個例子，他的輸出結(jié)果是很不穩(wěn)定的。
它在這個產(chǎn)品可以模仿，換別的產(chǎn)品呢，換別的品類呢，換別的行業(yè)呢。
第三層，模板層，用各種限制元素確定好的模板，直接套用。
這個模板層，有一個詞大家可能很熟悉，特別是有知識體系的人，就叫思維模型，或者叫方法論。
比如講故事，寫文章，就有SCQA模型，STORY模型、故事7步公式法模型等等。
那你用這些模型框架去給AI做限定，比如讓AI寫一篇1000字左右的講書稿，和讓AI用SCQA模型寫一篇講書稿，質(zhì)量就完全不一樣，而且有了框架支撐，就像人的骨架一樣，他的輸出結(jié)果是非常穩(wěn)定的。
比如目標(biāo)管理和教練技術(shù)，就有GROW模型。
比如復(fù)盤總結(jié)，就有PDCA模型。
比如做演講，就有黃金圈模型3W。
第四層，角色層，賦予它一個身份，讓它執(zhí)行你的任務(wù)。
聽過OpenAi首席的開發(fā)專家分享，再結(jié)合我自己的調(diào)教經(jīng)歷，我就發(fā)現(xiàn)給他一個身份，特別是專家身份，它的輸出結(jié)果就好很多。
這真的有跟人很像。
我還記得在十幾年前，我高考前的百日誓師大會上，一個學(xué)長就跟我們分享。
他說我之前也是一個很討厭學(xué)習(xí)的人，但自從有一天用了一個方法就是自我催眠，自我欺騙，說，我很愛學(xué)習(xí)，就真的每天會多學(xué)一點(diǎn)，慢慢的有進(jìn)步了，他就真的相信自己很愛學(xué)習(xí)。
這種心理暗示，其實(shí)是有科學(xué)來源的，在心理學(xué)要安慰劑效應(yīng)。
我在育兒的時候也很有體會，多表揚(yáng)閨女，多夸閨女，他就會表現(xiàn)的更好。
比如我們在指令里說，你是一個爆款文章寫作專家，就比直接說你幫我完成什么什么任務(wù)，生成質(zhì)量要好很多。
但是如果我們給他下指令，說你是一個備受讀者吹捧的爆款文章寫作專家，你的粉絲像追小說連載一樣，追你的文章，生成的質(zhì)量效果就更好。
第五層，混合層，把前四層綜合運(yùn)用。
第五層就是混合層，我?guī)缀趺總€高質(zhì)量的指令都是用混合層來調(diào)整完成的。
有專業(yè)的角色身份，有優(yōu)質(zhì)的案例，有科學(xué)的思維模型框架，再加上具體的目標(biāo)和任務(wù)。
在這里舉個例子，完整的呈現(xiàn)一下我調(diào)教一個高質(zhì)量指令的全過程。
比如我在調(diào)教爆款標(biāo)題指令的時候。
第一步，找到大量非常優(yōu)質(zhì)的爆款標(biāo)題，特別是咪蒙的標(biāo)題。
這第一步非常關(guān)鍵，如果你沒有判斷爆款標(biāo)題的能力，你喂養(yǎng)給AI的標(biāo)題語料都是很劣質(zhì)的，你自己不是行業(yè)內(nèi)的細(xì)分專家，你不可能調(diào)教出高質(zhì)量指令。
就像人吃的食物很劣質(zhì)，就不可能有健康的身體，也不可能有很好的工作表現(xiàn)。
第二步，讓AI總結(jié)出爆款標(biāo)題的特點(diǎn)。
第三步，把自己的爆款標(biāo)題方法改造成AI懂的。
用你自己的爆款標(biāo)題方法論和這些特點(diǎn)做一個結(jié)合。
有人可能會問了，為什么不直接把自己的爆款標(biāo)題方法給到AI讓他直接去生成。
因?yàn)楹芏鄷r候你的爆款標(biāo)題方法論，他之前沒有學(xué)習(xí)過，但是沒有創(chuàng)造能力的。
還記得我們始終要堅持的一點(diǎn)嗎，先把AI教會再讓它來幫助我們完成高難度的任務(wù)。
我們前面幾步的把標(biāo)題語料喂養(yǎng)給他，并讓他總結(jié)，其實(shí)就是他的一個模仿學(xué)習(xí)過程。
第四步，用CHAT模型和模型框架+案例
給Ai下任務(wù)，這一步是測試我們的爆款標(biāo)題指令是否能夠生成高質(zhì)量的標(biāo)題。
第五步，大面積推理測試
第五步是測試它的穩(wěn)定性，看這個指令是否能夠高質(zhì)量的生成不同場景的高質(zhì)量標(biāo)題。
不同類型的文章，不同類型的視頻，不同類型的文案，不同類型的書籍。
哪個類型發(fā)揮失常，就需要繼續(xù)加限制。
比如我前段時間用得到AI來生成書籍的金句，就發(fā)現(xiàn)如果我不限定這個金句的來源，他就會胡編亂造。
第一版本是幫我給《活著》這本書找十個金句，第二個版本結(jié)果就好很多，幫我給《活著》這本書找十個金句，并說明在書中哪里。
第六步，用打分指令，給這個終極指令再打個分優(yōu)化一下。
