AI 使用反模式

使用 AI（大语言模型）的反模式：

1. 关键词模式

使用搜索引擎的遗留习惯

2. 纯计算模式

不要尝试在不提供 tool use 能力的前提下，让大模型计算两个大数乘积，给你再多时间也算不出来；因此在没有工程能力的辅助的情况下，不要让大模型直接处理大批量结构化数据；推理能力不包括纯计算，但它会给你公式和代码，请结合工程能力。

3. 一步到位模式

一步到位早就是一种反模式了，但在传统行业依旧盛行。大模型拟人脑而来，处理方式相近。大语音模型的名字就说明了它处理自然语言的出生，虽然有些模型也直接能处理语音和图片，但实际产品中大部分语音也是前置解析的，更不用说其他能力了，都需要工程上的支持。

大模型没有手脚，计算机只是它的宿主，寄生物只能吸收宿主的能量，无法直接使用宿主的能力。 马斯克的方法值得借鉴学习。先解决问题的核心，验证可行性；再化繁为简；最后才是自动化。使用大模型也应如此，至少在现阶段。

4. Jevons 悖论

模型能力越强，个人能力可以弱化，是一种反模式

Jevons paradox: Improvements in resource efficiency lead to increased overall consumption!

按照这个悖论，Deepseek 应该是有助于英伟达股价的😄

类比可得，模型能力越强，使用的人越多（毫无疑问），对人的要求越高（有点反直觉）。正是如此，对个人某一方面的能力（专业能力）要求越高，才可能产生更大的边际效应。

不站在一个思维层次，如何能让 AI 帮助你？汽车能更快速，更舒适的协助你到达目的地，但它不能为你指明方向。如果它有了方向，那要你何用？

因此，相信 AI 会进一步两极风化个人能力和专业度。

推理模型 few-shot 模式

few-shot 模式对于非推理模型而言，大部分情况下能明显提升模型结果质量。但是对于推理模型而言，提示词中多余的案例和思路，会起到反作用。 Deepseek R1 版本明确提醒，提问不要参杂自身的思考过程，请简明扼要。