《 “使用生成式AI-信息收集和整理” 》 有 2 条评论

1. 那么，我是如何使用 ChatGPT 的
   https://kenengba.com/post/3800.html
   `
   * ChatGPT 是一个实习生
   * 首先，我们自己得会
   * 接着，缜密的表达能力
   * 然后，解构问题的能力
   * 最后，持续的学习能力
   * 大模型至于个人与企业

   ==

   每月只需要支付不到 1/4 价格的男士专属 SPA 的费用，就可以拥有一个几乎全能的助理，这显然是非常划算的。

   屈指一算，我从 BOSS 直聘离开已经正好 12 个月了，在这 12 个月里，我做了这些事：
   1. 沿着黄河骑摩托车 2000 公里
   2. 减少了 4% 的体脂率
   3. 写了一个名为 Macify 的 Chrome 扩展，目前日活 1000+
   4. 写了一个 MyIP 项目，GitHub 星星 2000+
   5. 写了一个躺平计算器项目，用户量 10000+
   6. 为一家德国投资公司提供咨询服务，搭建了内部的 AI 辅助系统
   7. 为一家中国心理咨询公司提供咨询服务，设计了 AI 融合到产品的方案
   8. 为我自己的家庭网络，设计了一整套优化和监控方案
   9. 拒绝了 2 个联合创业，1 个打工的机会
   10. 写了一篇公众号文章

   这些事里，除了 1,2,10，都和 ChatGPT 相关。

   看到这里，你应该看出来了，这篇文章和中年男人的头发没关系，不是一篇关于非那雄胺或米诺地尔的广告，而是一篇分享 ChatGPT 使用心得小经验的文章。

   # ChatGPT 是一个实习生

   毫无疑问，ChatGPT 是目前全球最好的大模型。然而，它并不是万能的。
   * 它的数学很差。
   * 它有时候会胡扯。
   * 它大多数时候不和你聊黄段子。

   在和许多朋友分享 ChatGPT 使用经验的时候，我会打这样一个比喻：
   > ChatGPT 就像一个非常正经的、学习能力很强的、刚刚 985 大学毕业的实习生。

   一方面，作为实习生，它的可塑性很强，只要你愿意花时间引导它，它能学会你希望它学会的东西，从而帮你完成你指定的工作。
   另一方面，你不能对一个实习生期望过高，因为对某件你需要做的事，最熟悉的人是你，而不是它。

   在当前的语境下，容易高估它的能力，但低估它的未来潜力。它从推出市场到现在，仅仅才 1 年的时间，它还不是一个让所有人都能轻易上手的产品，因此，把它看作是一个还未成熟的实习生，可能是当下合适的做法。

   ## 首先，我们自己得会

   我在 BOSS 直聘工作的时候，我的老板鹏哥曾经说过一句话：
   > 作为 Leader，你让手下做的事，你得自己会做。

   这句话的潜台词是：只有你会做你手下做的事，你才不会被懵；只有你会做，你才能合理地发号施令。
   把这句话放在 ChatGPT 上是非常合适的。

   因为大模型容易跑偏，因为大模型并不是无所不能，这要求我们在使用大模型的大多数时候，是让它替代我们完成**重复性高**的工作 — 就像我们安排自己的手下去做事那样。如果某件我们希望它完成的事，我们自己一点头绪都没有，当然它能给出一些启发，但没有你给的完整指引，它无法给你带来你想要的结果。
   就像前面举的例子，它是一个实习生，虽然学习能力很强，但对于刚来贵司报到的它，对业务是不熟悉的。你需要教导它，一步一步告知它工作应该如何做。它很聪明，只要你教导的步骤是正确的，它几乎总能做出正确的答案。

   ## 接着，缜密的表达能力
   经常有朋友问我，为什么我能够玩 ChatGPT 玩得那么溜，而他只能和 ChatGPT 闲聊，让 ChatGPT 帮他做事总是做不出他想要的效果。
   这可能是表达的问题。
   如果我们已经确信，我们要让它做的事是我们自己会做的，那接下来第二步是，将做这件事的需求和步骤告知 ChatGPT。许多人卡在这个地方。
   举个例子，我们正在做一个网页，希望这个网页的右下角放置一个小球，鼠标点击小球后，它会在屏幕四周反复跳动，同时，为每次跳动设置衰减值，最后小球会停下来。
   你把这个需求告诉了这位新来的实习生，它很聪明，它很快就用 JavaScript 给你把代码写出来了。

   然而，当你去运行这段代码时你发现：
   1. 这个小球应该是红色的，不是蓝色的
   2. 这个小球应该是 20pt 直径，不是 45px
   3. 小球起跳的速度不正确，显得不够自然
   4. 小球衰减时只考虑了摩擦力，没有考虑重力

   然而，实习生反驳道：老板，这些需求你也没跟我说啊。
   相信这个例子，对于在中大型公司工作过的人，完全不陌生。当一个团队大了之后，沟通是最大的障碍。这个障碍是来自双方的：
   * 我是否说明白了
   * 你是否听懂了

   当我们让实习生也好、员工也好、ChatGPT 也好，去做某件事的时候，实际上这件事的完整描述是非常大篇幅的，但我们容易高估我们与同事的默契度，从而只说最关键的部分，而忽略了，这个员工可能仅仅是一个从未有工作经验的实习生。

   所以，当我们对 ChatGPT 提需求的时候，应当依旧把它当作一个实习生来看待：
   1. 把你脑子里所有想到的东西，全部用文字表达出来
   2. 正着说一遍，如有必要，反着说一遍
   3. 参考费曼理论，让它把你的需求通过它的话术表达出来，确保需求理解正确

   这个时候，你可能会有疑问，如果我像素级描述我的需求，那和我自己做一遍有什么区别？

   没有区别。在上一部分我加粗的「重复性高」这几个字，如果你要做的不是一件未来需要重复的事，不如自己一次性做了，因为这会让你节省大量的沟通时间。

   **并不是所有事，都适合安排别人或 ChatGPT 去做。**

   ## 然后，解构问题的能力

   「小李，我是你老板老王，我晚上要和邻居小姐姐吃饭，你帮我把躺平计算器程序写出来，需求我已经像素级写好了，你参考着写代码，明天早上 5 点我要看到代码」
   嗯，看起来老王已经知道，给实习生小李提需求，要通过像素级的方式来提了。
   然而，当老王第二天看到小李提交的代码时，发现实现的结果完全跑偏。
   为什么？
   在这里，我想引入两个很不科学的概念：
   * 对话长度
   * 实现偏移
   我们还是以实习生作为例子。作为一个可能有 10 年工作经验的你，你认为：
   1. 你和小李一口气聊了 2 小时，让他按照你这 2 小时的指导去做事，你认为他能完全记住吗？
   2. 你让小李一口气做 80 件事，每件事之间是上下游衔接，你认为他能确保每一件事都做对，从而第 80 件事输出你想要的完美结果吗？
   放到物理现实里，这些答案大概率是否定的。
   因为，当对话长度越长，实习生的理解能力就会下降，事实上，你的表达缜密程度也会下降。在这种负负得更负的情况下，最终实现的偏移量就会增加。而如果你要实习生做的事是多个小事的串联，每件小事都产生小实现偏移的情况下，最终必定是大大的实现偏移。

   所以，不要高估大模型对长文本的理解能力，也不要高估自己在长文本中逻辑缜密的表达能力。同时，也不要高估大模型实现需求的准确度。

   当我在使用 ChatGPT 帮我写 MyIP 和躺平计算器的时候，我的流程是这样的：
   1. 定义需求
   2. 研究需求实现的原理
   3. 选定要使用的程序语言
   4. 规划主程序的结构
   5. 开发子程序
   6. 测试 Demo，调整子程序
   7. 微调子程序
   8. 调整 UI
   9. 测试与修复
   10. 上线

   看起来非常像互联网公司里产品的整个定义和开发阶段，是的，就是这样的流程。每个阶段我会继续拆分，减少对话长度，务求让 ChatGPT 每次只帮我完成其中一件小事，从而控制最终的实现偏移 = 0 。

   当且仅当，我已经确保多件小事都不会出现实现偏移之后，我才会将这些小事们串联在一起，让它一次性给我「来个大的」输出。

   ## 最后，持续的学习能力

   如果我们使用 ChatGPT 只是用来做一些简单的事，比如：
   1. 告诉我，鸡蛋白的热量多少？
   2. 帮我汇总下面这些我手下们的周报
   3. 我希望对 Excel 的这一列根据条件求和，你告诉我公式

   这确实并不需要我们有多少学习能力。然而，这种用法也限制了我们对大模型的想象力。

   在我给德国一家企业做咨询的时候，他们提出的课题是：将 AI 融入到我们的工作流程。于是，我开始对他们的工作流程进行调研，发现他们的工作流程涉及到的环节非常多，涉及到的工具也非常多，有外部的，也有内部的。
   这意味着，我需要帮助他们的，并不是告诉他们如何正确地给 ChatGPT 提问，而是如何构建基于大模型核心的 Agents 架构。
   但是，我从未真正设计过这样的架构。怎么办？学呗。

   好消息是，ChatGPT 不仅能帮助我做事，还能教我如何设计我想要的产品技术架构，当然，在让它教我的时候，我同时也会在 Google 搜索相关的资料进行查证，同时也会自己动手去实现，验证效果。

   这个时候，我会打开 3 个浏览器窗口：
   1. 让 ChatGPT 告诉我某件事如何做
   2. Google 搜索结果返回的这件事如何做的教程
   3. 一个新的 ChatGPT 对话，将我在前面学到的，投入对话中让它帮我实现

   一个是引导式学习，一个是书本式学习，一个是立即实践。这，难道不就是最佳的学习方式？

   ## 大模型至于个人与企业

   我想，在当下，每个人都应该尝试使用大模型，如果有条件使用 ChatGPT 就最好了。它不仅仅是一个可以帮我们实现重复工作的工具，在许多时候，还是提供**启发式学习**的好帮手。
   在你需要它帮你做事的时候，你需要把它当作初来乍到的实习生。
   在你需要它引导你学习的时候，你需要把自己当作初来乍到的实习生。
   当熟练使用之后，你会发现，原来你每天可以节省那么多时间；当你熟练使用之后，你也会发现，原来我能实现许多之前只是想一下但无法动手的工作。

   对于企业来说，我自然没有太多的发言权，因为我这一年我服务过的公司并不多，然而，有 2 个思考点是必然绕不过的：
   1. 如何叠加 AI 的能力，直接或间接提高产品收入
   2. 如何整合 AI 的能力，直接或间接提高团队的人效

   我在为企业进行咨询的时候，发现这往往都是最原始的出发点。

   在未来，我相信每个企业以及每个企业里的员工，甚至他们的用户，都会用上 AI 的能力，与人工智能共存的世界，我认为是一个人类会释放更多创造力的世界。

   中年男人创意多
   最近有一些感慨。
   从我第一次在互联网上写字，到现在，已经 23 年了。第一次写字的时候，我 14 岁，现在，头发已经开始稀薄。
   35 岁那一年，我和朋友调侃说，通常互联网人士 35 岁就会失业。结果，小丑居然是我自己。
   在没有上班这一年里，我颓废了 3 个月，每天除了睡觉、打游戏、吃饭，就是睡觉、打游戏、吃饭。
   后来，我恢复每天健身，并深入研究大模型，用产品经理的视角去研究它的边界以及它至于个人和企业应该是什么。所幸的是，还算有一些收获。

   在这个过程中，我发现，虽然我的头发变少了，但创意没有变少，甚至，反而更多了。更重要的是，这些创意以前仅仅是想一下，现在居然可以通过「自然语言编程」来实现。
   我在视频号刷到不少和我年龄相当的互联网人士失业的视频，作为一个劳动密集型产业，这个行业自然是不缺年轻人的，尽管我们还有年轻的、炙热的好奇心，但无法改变 35 岁有可能失业的现状。

   怎么办？我和自己说，靠自己。
   **上帝关上了一扇窗户，我们可以自己凿墙再开一扇。**
   `

   回复

2. 用 RSS 和 notion AI 打造个人三级阅读系统
   https://mp.weixin.qq.com/s/5N0pl6LOHolsASM0sdKisg
   `
   自信息大爆炸以来，如何建立一个高效的个人信息获取方式，成为了一个永恒的话题。尽管个性化信息流在很大程度上解决了普通用户满足碎片化资讯的需求，但对于许多老网民以及对信息质量有要求的人来说，今日头条和 Google Feed 这样的产品并不总是能满足我们的需求。

   究其原因，是因为上一代个性化信息流是基于用户行为的滤波协同算法推荐，它往往并不针对内容本身的质量做出判断，而是依据与你行为相似的其他用户对内容的喜好程度进行推荐。愿意消费高质量内容的用户在高日活型 App 中总是少数，这就导致了推荐算法类资讯产品无法满足这部分用户的需求。

   这也是很多人在个性化信息时代，仍然使用 RSS 来阅读的原因之一。

   然而，RSS 阅读本身也有很大的问题，尤其是在中文互联网上，优质内容往往混杂在综合性信息流之中。比如，如果你关注商业、财经与互联网行业，你可能很难把那些优秀创作者的个人公众号订阅全（因为可能有上百个），并且他们的更新频度都很低。

   因此，更理性的选择是，你直接订阅虎嗅或者钛媒体这样仍然雇佣传统编辑，以类似传统编辑部的机制对信息进行一轮筛选的大聚合器。但这样的大聚合器，迫于商业化的生计压力，每天要在其信息流中放入上百篇以上的文章，其中不乏一些是标题党和广告软文。而其中不是广告的那些，也不一定是我们所关心的话题。

   长此以往，我们虽然用 RSS 阅读器解决了被平台和算法摆布的命运，但实际上我们回到了信息处理的原始时代，每天被 RSS 阅读器中上万的未读影响心情。

   那么，就止步于此了吗？

   在之前，似乎确实如此，但现在有了 ChatGPT 类大语言模型的帮助，我们可以建立一套私人的三级阅读系统，它的核心是将我们的阅读行为分为三个等级：

   一级阅读：只看标题；
   二级阅读：只看摘要与内容梗概；
   三级阅读：阅读全文；

   **在以前，我们很难低成本的创造出二级阅读所需要的内容，因为那时所有的摘要和梗概都需要由人工生成才比较靠谱。但 GPT 类 AI 的出现改变了这一情况。**

   比起直接在 RSS 阅读器里用 Edge 的边栏 New Bing 来生成文章摘要。这么做的好处，是你每次只需要打开一个列表，并采用一种阅读思路去处理列表，显著降低上下文切换时间。你不会因为在刷今日的 RSS 列表时因为点开一篇需要深度阅读的文章，而错过剩下的所有信息。你在一级阅读时，就专注看标题，在二级阅读时，就专注看摘要，三级阅读则是你的长期阅读库，在任何有整块时间的时候再打开它来慢慢细读。

   我们需要的工具是 Inoreader（或任意 RSS 阅读器）+ Notion 来实现。

   首先，使用 Inoreader（或任意 RSS 阅读器）来订阅你所有的内容源，如果你的信息源不支持 RSS，也可以通过 RSSHub 或 WeRss 等工具来为它生成一个 RSS。

   第二步，在 Inoreader（或任意 RSS 阅读器）中完成一级阅读。也就是在 RSS 阅读器中完成标题阅读的工作，因为一般来说 RSS 阅读器都提供一个比较好的标题列表（相比 notion 的 database）。

   第三步，在 Inoreader（或任意 RSS 阅读器）中筛选进入二级阅读的内容。目前，Inoreader 不支持直接将内容分享到 notion，你可以借助 make.com 或 Zapier 这样的工具，建立一个“自动化”过程。比如， 在 Inoreader 中星标文章，则自动将文章保存到 notion 的某一个 Database。

   **第四步，通过 notion 的“AI Auto-fill”功能来让 AI 生成每篇入库文章的摘要与关键要点。**

   这里多说一点，AI Auto-fill 是 notion 在近期上线的新功能，它支持在一个 database 中建立一个 Property，这个 Property 会在你新添一条记录时，自动按照你的要求生成一个字段的内容。notion 默认提供了 AI key info（以列表形式呈现关键信息）和 AI Summary（以自然语言形式提供一个内容总结）两个选项，但你也可以选择 AI custom autofill 来填入你自己的 prompt，比如你甚至可以让它根据文章自动为你进行分类和打标签。

   第五步，在 notion 中阅读由 AI 生成的文章总结与核心观点，判断文章是否需要进入下一步的全文阅读。这里，你需要再建一个 Property 来帮助筛选文章状态。比如我的“文章状态”有三级阅读、已读完。

   同时，为 database 建立两个 View，分别用 filter 对“文章状态”进行筛选，分别对应文章处在二级阅读、三级阅读还是已读完的状态。
   `

   回复