使用大型語言模型（LLM）的明智策略：驗證與高效并行
在探索大型語言模型（LLM）的潛力時，Kareem Carr強調(diào)了一個核心原則：避免依賴LLM獲取無法自行驗證的信息或執(zhí)行無法核實的任務(wù)。這一原則為有效利用LLM劃定了清晰的界限，確保信息的準確性和可靠性。
原則一：驗證為先
Carr明確指出，對于關(guān)鍵性任務(wù)，如文獻綜述或?qū)I(yè)研究總結(jié)，直接向LLM提問往往不是*選擇，因為這些輸出的驗證難度較高。相反，他建議提出更具可操作性和可驗證性的請求，如請求一份*評論文章的清單，這樣既能確保信息的來源可靠，也便于后續(xù)驗證。
優(yōu)化提示技巧
為了提升LLM輸出內(nèi)容的質(zhì)量，Carr分享了幾個實用的提示編寫技巧：
- 設(shè)定明確上下文：通過指定信息來源、使用專業(yè)術(shù)語，引導(dǎo)LLM在正確的知識框架內(nèi)工作。
- 明確*指導(dǎo)：對于特定問題，如數(shù)學(xué)求解，明確指示LLM使用特定*，以提高準確性和效率。
- 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。
驗證與多源驗證
盡管LLM能夠提供豐富的信息，但Carr強調(diào)了對輸出內(nèi)容進行嚴格驗證的重要性。這包括檢查信息的一致性、通過搜索引擎驗證術(shù)語和來源、甚至編寫代碼進行實測。此外，他還建議多次提問或使用多個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有時會生成不存在的參考文獻，即所謂的“幻覺”問題。然而，他也發(fā)現(xiàn)這些虛構(gòu)的引用中往往包含有價值的關(guān)鍵詞和術(shù)語，通過進一步搜索這些詞匯，可以接近真實的信息源。
至于生產(chǎn)力提升，Carr認為LLM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)劃上的時間消耗，使他能更專注于核心任務(wù)。