使用大型語(yǔ)言模型（LLM）的明智策略：驗(yàn)證與高效并行
在探索大型語(yǔ)言模型（LLM）的潛力時(shí)，Kareem Carr強(qiáng)調(diào)了一個(gè)核心原則：避免依賴LLM獲取無(wú)法自行驗(yàn)證的信息或執(zhí)行無(wú)法核實(shí)的任務(wù)。這一原則為有效利用LLM劃定了清晰的界限，確保信息的準(zhǔn)確性和可靠性。
原則一：驗(yàn)證為先
Carr明確指出，對(duì)于關(guān)鍵性任務(wù)，如文獻(xiàn)綜述或?qū)I(yè)研究總結(jié)，直接向LLM提問(wèn)往往不是*選擇，因?yàn)檫@些輸出的驗(yàn)證難度較高。相反，他建議提出更具可操作性和可驗(yàn)證性的請(qǐng)求，如請(qǐng)求一份*評(píng)論文章的清單，這樣既能確保信息的來(lái)源可靠，也便于后續(xù)驗(yàn)證。
優(yōu)化提示技巧
為了提升LLM輸出內(nèi)容的質(zhì)量，Carr分享了幾個(gè)實(shí)用的提示編寫技巧：
- 設(shè)定明確上下文：通過(guò)指定信息來(lái)源、使用專業(yè)術(shù)語(yǔ)，引導(dǎo)LLM在正確的知識(shí)框架內(nèi)工作。
- 明確*指導(dǎo)：對(duì)于特定問(wèn)題，如數(shù)學(xué)求解，明確指示LLM使用特定*，以提高準(zhǔn)確性和效率。
- 定義輸出格式：根據(jù)需求，要求LLM以特定格式（如代碼、數(shù)學(xué)公式、文章等）呈現(xiàn)結(jié)果，便于后續(xù)使用。
驗(yàn)證與多源驗(yàn)證
盡管LLM能夠提供豐富的信息，但Carr強(qiáng)調(diào)了對(duì)輸出內(nèi)容進(jìn)行嚴(yán)格驗(yàn)證的重要性。這包括檢查信息的一致性、通過(guò)搜索引擎驗(yàn)證術(shù)語(yǔ)和來(lái)源、甚至編寫代碼進(jìn)行實(shí)測(cè)。此外，他還建議多次提問(wèn)或使用多個(gè)LLM工具，以獲得更全面的視角和更可靠的答案。
引用與生產(chǎn)力提升
在引用方面，Carr指出LLM有時(shí)會(huì)生成不存在的參考文獻(xiàn)，即所謂的“幻覺(jué)”問(wèn)題。然而，他也發(fā)現(xiàn)這些虛構(gòu)的引用中往往包含有價(jià)值的關(guān)鍵詞和術(shù)語(yǔ)，通過(guò)進(jìn)一步搜索這些詞匯，可以接近真實(shí)的信息源。
至于生產(chǎn)力提升，Carr認(rèn)為L(zhǎng)LM雖不能直接將生產(chǎn)力提升數(shù)倍，但在優(yōu)化工作流程、加速繁瑣任務(wù)、輔助學(xué)習(xí)新技能等方面具有顯著作用。他特別提到，LLM幫助他減少了在決策和規(guī)劃上的時(shí)間消耗，使他能更專注于核心任務(wù)。