领域专长才是LLM提效的关键

2010年代，如果你存在技术短板（比如不会写CSS），要么只能求助技术过硬的同事，要么寄希望于网上能找到恰好匹配你问题的答案。如今，只要把任务交给大语言模型（LLM），人人都能写出还算过得去的CSS。LLM让所有人都成了“通才”。

正因如此，很多人觉得和LLM打交道根本不需要什么技巧。不管你想要LLM产出什么——博士级的数学推导、质量尚可但有时缺乏美感的代码，或是生硬的领英风格文案——直接开口要就行。既然大家用的都是同款模型，“擅长提示词的人”和第一次接触LLM的人得到的结果似乎没什么差别。

这种看法大错特错。提示词技巧的核心，是你对目标领域的专业认知。

陶哲轩（Terence Tao）与ChatGPT围绕雅可比猜想新发现的反例展开的对话，就是绝佳例证。这根本不是我平时对话的那个ChatGPT！就算给我无限的token额度，我也达不到陶哲轩的对话深度。

从陶哲轩的对话里，我们能学到很多高效提示的门道，以下是几点观察：

• 陶哲轩的提问非常简短、直击核心。他不会逐点回应模型的输出，只抓关键信息
• 模型给出的回复，比我和GPT-5.6 Sol聊数学时简洁得多。陶哲轩通过传递专业信号，让模型切换到“与数学家对话”模式，而非“向外行科普”模式
• 当模型回复看起来有问题时，陶哲轩会提出质疑，但不会直接否定，而是用“这似乎比我预想的复杂”这类表述
• 他自己会提出不少跳跃性的思路和建议，几乎从不采纳模型给出的下一步方向

不过，仅仅照搬这些技巧，你也没法像陶哲轩那样用LLM探讨数学问题。他的方法核心，在于真正理解数学：能从ChatGPT冗长的段落中提炼出关键思路，提出替代方案或表述方式，还能敏锐察觉哪里“不对劲”。

陶哲轩的数学造诣，远胜过我的编程水平。但他的案例传递出的核心观点——领域知识能让你更擅长使用LLM——我在自己的工作中也深有体会。如果你对自己的代码库有清晰的认知框架，能比完全不熟悉的人更“压榨”LLM的潜力。因为你心中有明确的优质方案标准，可以提出“不对，我觉得这里可以更简洁”“但我们不是已经实现X功能了吗？”“能不能用这些我们熟悉的术语来描述这个问题？”这类精准引导。

这涉及到我之前写过的一个观点：系统设计问题的核心是具体细节，而非通用原则。当然两者都有价值，但比起对软件系统的深度通用理解，我更愿意选择熟悉代码库。陶哲轩在对话中提出了大量具体问题，比如“X在这里适用吗？”“已知Y和Z，为什么会得出A？”。对于雅可比猜想，我提不出这类问题，但对于我在GitHub负责的系统，我完全可以。

如果没有领域知识，你至少可以借助LLM产出点东西——这已经很不错了！但如果你具备领域知识，就能精准引导LLM朝着你想要的方向前进，从同一个模型中榨取远多于此的价值。我们大多数人都会混合使用这两种方式，毕竟我们总有熟悉和不熟悉的领域。

领域知识的价值说明，即便模型能力不断提升，人类的专业技能依然有用武之地。对于很多任务来说，瓶颈在于人，而非模型——难点在于向模型精准传达人类想要的解决方案是什么。相关信息早已“存储在模型中”，但只有足够专业的人才能将它提取出来。

编辑补充：本文在Hacker News上收到了许多评论。部分网友分享了自己的经历，讲述专业知识如何助力、缺乏专业知识又如何拖后腿。另一些网友认为本文观点看似合理，但也理智地怀疑这种观点只是在安慰他们“自己依然有价值”。我认同这种质疑，不过我猜想，等我们真正开始研究这个问题时，整个行业格局恐怕又已经变了。还有网友指出，OpenAI的数学提示词并不专业，因此专业知识并非必需。对此我的回应是：OpenAI有一支专业数学家团队，负责审核和筛选模型提出的研究发现，目前这一步骤无法省略。

如果你喜欢这篇文章，可以订阅我的邮件推送，及时获取新文章更新，也可以分享到Hacker News。

以下是一篇同标签相关文章的预览：

强大AI或通过开源权重模型突破管控

在大语言模型出现之前，关注AI安全的人常讨论“盒中问题”。具体情境如下：假设某位天才在深夜的笔记本电脑上敲出了人工智能程序。作为天才，他足够谨慎，在启动程序前就断开了电脑的网络连接。AI若想逃到外部世界（并开始自我复制），就必须说服创造者“打开盒子”。这能成功吗？足够智能的AI真能说服任何人放它出来吗？继续阅读...