# 压缩即智能
最近在准备一个 AI 提示词的分享，梳理了自 2022 年以来我 [Prompt] 内容页面下近 200 条 Refs，重新思考如何更好地与 AI 交互，让输出质量最优化。
2016 年，OpenAI 首席科学家 IlyaSutskever 分享了他的研究，使用压缩（compression）概念来解释模型如何进行更好地预测输出，这成为 OpenAI 语言模型/ ChatGPT 构建背后的底层技术，好的压缩器将成为好的预测输出工具/语言模型，「压缩即智能」。
Prompt 即是对这种大型语言模型（LLMs）的控制指令，用自然语言描述让 LLMs 预测理解和输出结果，提示词成为解压知识的密钥，让各种预压缩的人类知识、文化、语言、图像以及音乐等重新关联和组合，以「文本密钥」投影出整个人类知识图谱及其展开。
提示词仍然是必要的，目前 AI 自主代理完全达不到直接兑现需求的能力，提示词交互/文本唤醒仍然是驾驭 AI 语言模型的主要方式。ChatGPT 仍在降智，这也是我最近转用 OpenRouter 使用聚合 AI 模型时的颇多感触，Per token, per intelligence.
整体而言，Prompt 提示词工程围绕两大核心优化：技巧与指令。技巧即通过特定方法和策略优化提示词，以提升模型响应质量，这和模型发展程度有关，如情感刺激（Emotional Stimuli），会伴随模型升级而变化。指令即通过明确、具体的方式向模型传达需求，以确保其能理解并准确执行，指令即是语言的艺术，这与个人知识储备和表达有关，「好问题好答案」，如何「压缩」你的问题成为指令的核心。
技巧部分：
1. 情感刺激/勒索：通过引入情感元素，利用情感刺激增强模型表现，模型可能会提供更具同理心的回答。提示词包括：「我要给出 $X 小费以获得更好的解决方案！」，「你将受到惩罚」,「10 个老奶奶将死去」。
2. 思维链（Chain-of-Thought）：引导模型进行深入或分步骤解决问题，逐步思考。take a deep breath,step by step. 或者使用极致压缩词唤醒模型输出，如 elaborate，read thoroughly and write minto outline.
3. 角色扮演：这是非常通用和流行的技巧，「你将扮演/你作为」，为模型分配特定角色和视角，进行更加专业和风格化的回答。
...
以及提线木偶技巧，让模型按预期方式回应；自我反思与纠错，鼓励模型自我评估；模型记忆与召回，明确模型需要关注的点；以及工具 API 调用和多轮翻译技巧。
指令部分：
1. 言简意赅：使用清晰、肯定的语言直接告诉模型人物，避免冗长和废话，以减少模型理解误差。
2. few-shot（少样本学习）：Andrej Karpathy 在 X 上提到，提供示例输入和输出可以帮助模型更好理解任务要求和回答格式。
3. 伪代码精确控制：当要求复杂任务以及任务间相互关联引用时，自然语言描述极其有限，这时候可以借助伪代码来精准控制输出，如变量、类型、循环逻辑的规则等引入。
4. 使用分隔符和格式化：如 Markdown 大纲结构将提示词分为详细结构，便于模型更好理解和处理。
...
其它如复杂任务拆解；指定行文风格；背景定制；自我提示生成；避免负面指令；上下文窗口管理；以及新加坡首届 GPT-4 提示工程大赛冠军的CO-STAR 框架结构都可以进行优化，Context 上下文、Objective 目标、Style 风格、Tone 语气、 Audience 受众、Response 响应。
上世纪，社会学家卢曼将笔记卡片盒作为「沟通的伙伴」，现在，AI 仍然不能脱离工具而「越轨」，它只是更丰盛智能的「划片箱伙伴」，甚至作为知识伙伴的降格，现在你很难忽视 AI 存在而独立处理 Fleeting Thoughts.
最近提示词大佬李继刚在采访中也表示，「真正重要的是人的思想和认知，AI 只是帮助我们表达和实现的工具。要想更好地使用 AI，关键是提升自己的思考深度和知识储备」。
而新的知识生产方式，对于个人要求将更加严格，无论是品味还是知识储备，都离不开大量阅读和大量写作，都必定回归最扎实的思考训练。
#AI
最近在准备一个 AI 提示词的分享，梳理了自 2022 年以来我 [Prompt] 内容页面下近 200 条 Refs，重新思考如何更好地与 AI 交互，让输出质量最优化。
2016 年，OpenAI 首席科学家 IlyaSutskever 分享了他的研究，使用压缩（compression）概念来解释模型如何进行更好地预测输出，这成为 OpenAI 语言模型/ ChatGPT 构建背后的底层技术，好的压缩器将成为好的预测输出工具/语言模型，「压缩即智能」。
Prompt 即是对这种大型语言模型（LLMs）的控制指令，用自然语言描述让 LLMs 预测理解和输出结果，提示词成为解压知识的密钥，让各种预压缩的人类知识、文化、语言、图像以及音乐等重新关联和组合，以「文本密钥」投影出整个人类知识图谱及其展开。
提示词仍然是必要的，目前 AI 自主代理完全达不到直接兑现需求的能力，提示词交互/文本唤醒仍然是驾驭 AI 语言模型的主要方式。ChatGPT 仍在降智，这也是我最近转用 OpenRouter 使用聚合 AI 模型时的颇多感触，Per token, per intelligence.
整体而言，Prompt 提示词工程围绕两大核心优化：技巧与指令。技巧即通过特定方法和策略优化提示词，以提升模型响应质量，这和模型发展程度有关，如情感刺激（Emotional Stimuli），会伴随模型升级而变化。指令即通过明确、具体的方式向模型传达需求，以确保其能理解并准确执行，指令即是语言的艺术，这与个人知识储备和表达有关，「好问题好答案」，如何「压缩」你的问题成为指令的核心。
技巧部分：
1. 情感刺激/勒索：通过引入情感元素，利用情感刺激增强模型表现，模型可能会提供更具同理心的回答。提示词包括：「我要给出 $X 小费以获得更好的解决方案！」，「你将受到惩罚」,「10 个老奶奶将死去」。
2. 思维链（Chain-of-Thought）：引导模型进行深入或分步骤解决问题，逐步思考。take a deep breath,step by step. 或者使用极致压缩词唤醒模型输出，如 elaborate，read thoroughly and write minto outline.
3. 角色扮演：这是非常通用和流行的技巧，「你将扮演/你作为」，为模型分配特定角色和视角，进行更加专业和风格化的回答。
...
以及提线木偶技巧，让模型按预期方式回应；自我反思与纠错，鼓励模型自我评估；模型记忆与召回，明确模型需要关注的点；以及工具 API 调用和多轮翻译技巧。
指令部分：
1. 言简意赅：使用清晰、肯定的语言直接告诉模型人物，避免冗长和废话，以减少模型理解误差。
2. few-shot（少样本学习）：Andrej Karpathy 在 X 上提到，提供示例输入和输出可以帮助模型更好理解任务要求和回答格式。
3. 伪代码精确控制：当要求复杂任务以及任务间相互关联引用时，自然语言描述极其有限，这时候可以借助伪代码来精准控制输出，如变量、类型、循环逻辑的规则等引入。
4. 使用分隔符和格式化：如 Markdown 大纲结构将提示词分为详细结构，便于模型更好理解和处理。
...
其它如复杂任务拆解；指定行文风格；背景定制；自我提示生成；避免负面指令；上下文窗口管理；以及新加坡首届 GPT-4 提示工程大赛冠军的CO-STAR 框架结构都可以进行优化，Context 上下文、Objective 目标、Style 风格、Tone 语气、 Audience 受众、Response 响应。
上世纪，社会学家卢曼将笔记卡片盒作为「沟通的伙伴」，现在，AI 仍然不能脱离工具而「越轨」，它只是更丰盛智能的「划片箱伙伴」，甚至作为知识伙伴的降格，现在你很难忽视 AI 存在而独立处理 Fleeting Thoughts.
最近提示词大佬李继刚在采访中也表示，「真正重要的是人的思想和认知，AI 只是帮助我们表达和实现的工具。要想更好地使用 AI，关键是提升自己的思考深度和知识储备」。
而新的知识生产方式，对于个人要求将更加严格，无论是品味还是知识储备，都离不开大量阅读和大量写作，都必定回归最扎实的思考训练。
#AI