與其絞盡腦汁寫出完美prompt， 不如先偷懶看看會發生什麼事 昨天吳恩達教授提出了「Lazy Prompting」的概念，這是一種使用大型語言模型（LLM）時更進階的提示技巧。做法是直接輸入一個簡短但可能不夠精確的 prompt，先看看 LLM 會給出什麼樣的結果，再根據情況決定是否補充更多脈絡(context)。判斷這種方法是否合適的關鍵，在於使用者能否快速評估生成內容的品質。 其實早在 2023 年，吳恩達教授在《Generative AI for Everyone》課程中就已經談過類似的概念。他建議與其一開始就試圖寫出完美的 prompt，不如先嘗試一個簡單的版本，觀察LLM的回應，再根據實際結果調整提示，直到得到理想的答案。他甚至提醒大家，不需要擔心問錯問題，也不會因為幾次錯誤就導致什麼災難性的後果。 從這兩段不同時期的分享中，我看到的核心原則是：與 AI 的互動應該是「從最簡開始，逐步修正」，這是一種迭代與互動的過程。關鍵並不只是把 prompt 寫得多完整，而是使用者能否清楚地表達自己的需求，並判斷 AI 的回應是否符合預期。 這其實很像我們在教學中的作法。就像在教孩子「如何表達想法」的時候，我不會直接給孩子一篇文章叫他們自己看完就當作學會了，而是透過反覆提問、舉例，甚至從情境中引導他們思考：「這樣說比較好嗎？為什麼？」透過不斷的互動，才能建立孩子對「表達想法」這件事的理解。我們與 LLM 的互動，也應該是一種「讓它更了解你想要什麼」的過程，而不是單向的prompt。 我覺得最重要的是，我們要大量地在生活中實際使用 LLM。不管是查資料、理解文本、生成圖片、進階語音、設計 meta prompt，甚至只是想知道關稅對臺灣的影響都好。多用就會更清楚它擅長什麼、不擅長什麼。像我一開始對 ChatGPT 的搜尋功能沒有信心，總覺得查出來的東西很多錯誤就是一坨 OO，但直到朋友跟我分享他如何使用 ChatGPT，我才發現它的能力其實遠超出我的預期。 其實我們可以在生活中找到很多實際使用 LLM 的情境。就像大神 Andrej Karpathy 的影片有提到： --想查一件生活小事，例如：「查某個影集的最新資訊？」 --閱讀一篇很長的英文文章或研究報告時，可以請 LLM 幫你摘要重點，或解釋其中的關鍵概念。 --如果你正在學語言，可以用它練習會話、拆解句子結...
留言