效率提升，万字的 chatgpt prompt 教程

写在前面的话

这个是文字版教程，视频版正在录制，可以关注我的 B 站账号：QAyong。也欢迎大家来我们的 chatgpt 交流群交流：759925736

其实跟 GPT 交流你就可以当作是在跟人进行交流，方法大都通用，但有一点需要注意的是 GPT 没有长期记忆能力，所以我们每一次对话都是当作一个最开始接触的人进行交流。

从计算机诞生开始，人机交互的方式就开始演进，

最开始的为机器语言，只是单纯二进制 0 与 1。最早期的人们使用机器语言的方式是通过手动输入或使用穿孔卡来将指令和数据传输给计算机。

然后是可以用英文缩写或者助记符来代替二进制的汇编语言。

到现在，大家最常编写程序的高级语言，一种独立于机器的算法语言，不依赖于具体计算机指令系统。我学过的 python 也是里面的一种。

对于这些语言，好像跟我们学法是没多大关系的，这些应该是计算机专业有关。这些在 GPT 出来之前是这样的，人机交互方式限制学法的与计算机接触。但时代变了，ChatGPT 的出现意味着人机交互方式可以使用自然语言。面对 GPT，我们只需要告诉我们想要的，它能够理解我们的意思并进行操作，人机交互的效率得到提高。新的人机交互方式意味着新的范式、新的时代正在我们身上发生。

我是在去年 12 月份开始接触 AI（ChatGPT)，刚开始只是与大多数人一样只是尝鲜而已。在 23 年的 3 月，为了应对法考的主观题考试，我第一次尝试去使用 AI 解决问题——背书，效果让我很惊喜，我非常感谢 AI,它帮助我渡过那段备考的日子。

当然面对 AI，我除了开心也有 emo 的时候。法考过后，那段时间 GPT4 出来了，openai 宣称 GPT4 在法律能力上得到巨大的提升。当时我也很好奇，GPT4 能够应对美国的司法的考试，那么面对中国的呢？我自己充值了 PULS 服务，开始做这样的尝试。刚开始的效果非常不理想。这个问题在如今任务一个法律 AI 模型上都没有解决，GPT4 它在编法条，这对法律事务上处理是很灾难的。

初步尝试后，我的心情是又失望又小高兴的，失望的是这个 AI 模型也就应付下美国的法律，对中国的法律一窍不通，小高兴的是自己这个专业看来壁垒看来是很高的，不用那么担心被 AI 替代。不过后面我发觉会不会因为它是模型，模型很难具体生成法条导致生成法条的。因为发现这个盲点，我当时想，如果我给它提供正确的法条会不会能够正确处理？当然为了保证测试效果，我在给一些不相关的法条。后面我去做了，效果嘛，GPT4 是能够处理好这些内容的，当天晚上我就 emo 了。

在使用 GPT 超过 6 个月这些时间里，我经历了惊讶、开心、焦虑、平常心。从最开始的好奇到现在的离不开。我也时常推荐身边的人去使用这个工具。在与别人交流时，我发现大家对于 GPT 有认知，但如何去使用这样的工具是没有认知。所以我想到自己写个教程，教程基于官方教程文档、网络上好心人分享的相关文章、和我自己理解体会写作。教程分为两个部分，一个部分讲 prompt，体现在细节上的把握，另一个部分为项目处理，讲的是如何将 AI 融入到我们的工作流程当中去的方法论。而在开始学习前，对于开头的“其实跟 GPT 交流你就可以当作是在跟人进行交流，方法大都通用。”这句话将是整个教程的核心，需要切记。

prompt 篇

一、认识 prompt

何为 prompt？——万物皆 prompt。

prompt 的定义是用于引导模型生成文本的输入文本，将其放在用户使用场景当中就是用户在聊天窗口中输入中输入的内容。（注：仅针对于聊天窗口，代码中表现会有差别）

如果将 GPT 类比作人，那么我们人与人沟通之间信息就是 prompt。在我们的生活当中，我们需要去沟通信息，人与人之间存在个体思想上的差异，为了减少这样的差异，沟通是必不可少的环节，放在模型上同样如此，prompt 就是起到这个作用，让模型能够读懂人的意思。

那么 prompt 的构成是什么呢？——背景、指令、输入部分、输出部分。

为什么构成是这些构成？——解构人与人之间的交流模式而得。

“来小王，今天有个材料需要写给领导，你这周写好交给领导。”

以上是一个生活工作常见的需求场景，通过上面背景、指令、输入部分、输出部分我们可以得到下面这张图。

我们可以看到这样的一个体系是能够很好地解析小王的任务需求的。换言之，把小王改成 GPT 也是同样成立的。读到这里，大家可以发现，GPT 其实就是我们每个人的所拥有的“小王”，而我们就是它的领导，如果我们不下达清楚命令，那么小王也不会正确的理解我们的意思并开始工作。接下来我按照这个体系来展开课程。

二、背景

1. 什么是背景 prompt

背景 prompt，顾名思义，就是为 AI 提供背景信息的指令。这些背景可以是人物角色背景，也可以是项目的相关背景。通过为 AI 设定这样的背景，我们实际上是给它提供了一个“背景设定”，使得它生成的答案更贴合我们的期望。

2. 背景 prompt 的作用

背景 Prompt 的作用：

提供更多任务信息：这帮助 AI 更好地理解任务需求，生成更符合期望的答案。
达到隐性要求：背景信息能够让 AI 根据特定语境给出答案，避免我们反复明确要求。
生成定制内容：有了背景，AI 能够生成更符合特定用户群体的内容。

例如，若我们想要一个减肥计划，但没设定背景，AI 可能给出的答案更偏向于饮食控制。但当我们为 AI 设定“健身教练”这样的背景时，它的答案可能更倾向于体育锻炼。（不同角色设定考虑的角度不一样）

无人设

有人设

3.怎么写好背景 prompt?

总结了一句话：“根据需求设计角色背景，尽可能地加入项目背景。” 这包括模型背景和用户背景。如果我们的问题是法律方面的，设定模型背景为律师自然是更合适的。

同时，用户背景也是同样重要，比如告诉 AI 自己是一个五岁的孩子，从而获取更通俗的答案。

而在描述项目背景时，我建议使用 STRA 法则：情境、任务、行动和结果。这为 AI 提供了一个全景的任务信息，帮助它更好地完成任务。

情境（Situation）：描述 AI 或你所处的环境或背景，例如 AI 参与什么项目，面临什么挑战，为什么要做这件事等。

任务（Task）：描述你的目标或责任，例如 AI 在项目中承担什么角色，要完成什么任务，要达到什么标准等。

行动（Action）：描述 AI 为完成任务采取什么具体的行动，例如需要 AI 使用什么方法，做什么分析，解决什么问题等。

结果（Result）：描述你的行动想要带来什么效果或收获

值得一提的是，OpenAI 新推出的自定义功能允许我们设置自己的用户背景，使得 AI 能够根据用户的背景生成更加个性化的答案。（不需要一直在 prompt 中加入）

三、指令 prompt

1.什么是指令 prompt

指令 prompt，简而言之，就是告诉 AI 我们的需求：我们希望 AI 做什么，以及怎样去完成这个任务。就像当我们对 AI 说：“请为我解释 STAR 法则”时，我们真正的意图是让 AI 解释这个法则，那么解释这个动作就是指令 prompt。

2.指令 prompt 的作用

同一个任务，不同的指令会有不同的作用，通过为 AI 提供更加明确的指导，我们可以得到更加理想的答案。

以一个借款合同文本为例，如果我们只是简单地告诉 AI：“请审查这个文本”，那么它可能只会做一些基础的审核。但如果我们给出更详细的指示，例如指出要关注的具体条款，或者是特定的风险点，那么 AI 返回的结果会更加深入、细致。

3.制作指令 Prompt 的技巧

以下制作指令 Prompt 的技巧后续一一讲解：

使用提示样本
提交步骤给 AI
使用思维链
使用权重
使用正向指令与反向指令

4.使用提示样本

什么是“提示样本”吗？简单来说，样本就是一个典型的例子。

举个简单的例子，想象一下，你要求 AI 模仿鲁迅的风格来写一篇文章。如果没有给任何提示，那可能只是一个简单的命令：“模仿鲁迅风格写一篇文章”。

这样的命令，有点像甲方说：“给我画一个五彩斑斓的黑”。啥叫五彩斑斓的黑？你见过吗？这不难为人吗？想不想骂人？

这时，提示样本就显得尤为重要。它的存在就好比是在说：“给你一个样本，你能模仿它吗？”例如，如果我们要求 AI：“模仿下面这段话的风格写”，那么这段话就是一个很好的样本。

所以，当我们在使用 AI 工具做一些模仿时候，不妨多给一些具体的样本。

5.提交步骤给 AI

除了前面提到的样本，一个同样重要的环节就是“步骤”。

想想看，我们在做事情的时候，不是都有一个清晰的步骤吗？不管什么事，只要有了明确的步骤，事情就会变得容易许多。这点，对于 AI 也是如此。特别是当我们希望模型按照特定的逻辑来完成任务时，写出步骤能更好地指导模型。

那么，如何为 AI 制定步骤？最直接的办法当然是依靠我们自己的经验和知识来写。有人说 AI 技术让很多事情变得简单，我对此持保留意见。从为 AI 指定步骤的过程中，我们不难发现：要想充分发挥 AI 的潜力，其实门槛并不低。这正如所谓的“马太效应”，AI 时代下，资源和能力更趋向于那些已经拥有的人，正所谓强的要强得离谱。

不过，如果不确定如何制定步骤，或者觉得自己没有这个时间和精力，AI 同样可以帮助你。我们可以提问：“请模仿鲁迅风格写一篇文章，在开始写之前，先为我列出完成这篇文章的步骤。”这样，你就可以在确认步骤后再让 AI 开始创作。

6.使用思维链

“思维链”是一种独特的提示工程技巧，专门用于指导 ChatGPT 如何进行精确的逻辑推理和问题解决。这种技巧的核心思想是通过问答的形式，先给出一个问题及其答案示例，并在答案中明确描述推理过程。这种方法旨在教导 ChatGPT 如何分析问题、搜寻证据，并最终产生合理的答案。

听起来似乎有点复杂？其实，如果你还记得之前提到的“样本”与“步骤”概念，那么“思维链”可以被简单地理解为这两者的完美结合。

例如，如果我们的目标是让 ChatGPT 回答关于某部电影的问题，我们可以创建一个特定的提示。这个提示包含两部分：一部分是模拟用户的问题与模型的输出，另一部分则是明确的答案路径。换言之，这两部分正好对应了“样本”和“步骤”，它们共同构成了所谓的“思维链”。

值得注意的是，这种方法在某种程度上与模型的微调非常相似。模型微调中需要很多的思维链，但在 prompt 工程当中仅需要一个即可。

7.使用权重

现在，我们要涉及的领域是 AI 绘画。可能你会疑问：AI 绘画与 GPT 模型存在明显的差异，难道它们的经验与方法可以互通吗？答案是肯定的。关键在于人机交互方式，无论是文本生成还是 AI 绘画，核心的交互方向现在都聚焦于自然语言处理。

**权重，简单来说，就是某一因素在整体中的重要程度。**例如，观察某幅 AI 绘画网站图示，我们可以看到标识为“权重 2”的区域，这表示该部分的重要性被加倍。那么，为何权重在 AI 绘画中如此关键呢？

在 AI 绘画领域，每个关键词或模型都配有权重参数。通过调整这些参数，我们可以使模型更加重视某个特定的生成效果。如果希望 AI 绘制一位有红色头发的角色，那么你只需在关键词中增加“红色头发”的权重。这与我们在日常生活中强调某个要点，告诉别人：“这是关键，请重点注意！”是一样的。

那么如何正确使用权重呢？其实很简单：

在初次与 AI 交互时，明确您的要求并为关键指令加上权重程度词（例如：打括号，做特定标注）。

基于 AI 的第一次反馈，进一步调整权重，确保 AI 能更精准地捕捉到您的需求，特别是那些 AI 之前可能忽略的部分。

8.使用正向指令与反向指令

继续 AI 绘画的内容，讲述使用正向指令与反向指令，首先，我们来明确这两个概念。

正向指令：这是指导 AI 执行某一特定操作或任务的指令，简单来说，就是告诉 AI“请这样做”。

反向指令：与正向指令相反，这是告诉 AI 避免执行某一操作或任务的指令，即“请不要这样做”。

用一个更贴近日常的比喻，当我们教导他人，除了告诉他们应该怎样做之外，往往还要明确哪些是不应该做的。

那么，如何在实际操作中应用这两种指令呢？

当与 AI 交互生成内容时，我们首先给出的是正向指令，明确指导 AI 所需执行的任务。
在 AI 完成输出后，我们评估其结果。如果输出存在错误或不符合预期，此时我们可以利用反向指令提醒 AI，指出其错误并要求调整。

与前文中提及的“权重”作用相似，这也是确保 AI 更精确、高效完成任务的重要手段。

四、输入 prompt

1.什么是输入 prompt

前面中，我们已经详细解析了背景 prompt 和指令 prompt 的核心概念和应用方法。这部分内容为输入 prompt。

请想象以下场景：您希望 AI 审查一份房屋租赁合同。显然，如果没有提供合同文本，AI 如何进行审查呢？所以这份合同文本就是我们所说的“输入 prompt”。

为了有效地创建输入 prompt，我为大家总结了以下使用技巧：

明确区分指令与输入内容：将输入数据放在前面，并为其进行命名，然后在指令中使用这个命名来调用数据。
使用分割符确保清晰：为了使数据与指令之间保持清晰的界限，使用分割符可以有效地帮助我们区分两者。
要求 AI 基于提供的数据进行回答：这确保了 AI 的输出是基于我们提供的实际数据，而不是基于其先前的知识或任意推测。

2.明确区分指令与输入内容

这个操作需要先上传数据，再基于这些数据给出指令。比如，我们要审查一份房屋租赁合同。首先，我们上传合同文本，并告知 AI 这是“合同文本”。接着，我们可以基于此进行其他操作或提问。

那么，为什么不能简化这一流程，将数据与指令放在一起呢？

主要数据命名与指令分离的技巧有以下作用：

提高指令的复用性：通过这种方法，数据部分可以轻松地被替换。今天你处理的是房屋租赁合同，明天可能是其他类型的文件。只需简单地替换数据，而指令部分可以继续使用，极大提高了工作效率。（编写代码中有函数定义与传参，指令就类似于函数）
降低 AI 混淆的概率：将数据与指令明确分开，有助于 AI 更加清晰地理解任务，从而更精确地执行。就像在人与人的交流中，如果信息组织得清晰有序，交流的效果自然更佳。

3.使用分割符确保清晰

使用分割符，实际上就是利用特定的符号来区分输入文本与其他指令，从而为 AI 提供一个清晰的指导框架，你可以使用“#”、“---”“这些符号来分割。

不过，既然已有数据命名的技巧，为何还要使用分割符呢？

这主要是因为 chatGPT 输入框单次输入存在最大字符限制，通常为 2000 中文字符。当我们的数据内容超过 1500 字时，建议将数据上传并进行命名。而在数据量较小的情况下，使用分割符与指令进行整合更为便捷。

4.要求 AI 基于提供的数据进行回答

什么叫做“基于数据进行回答”？

例如，当我们给 AI 提供了一篇文章，随后的所有问题都期望 AI 基于这篇文章的内容进行解答。如果文章中没有相关答案，AI 应当回应“找不到答案”。简而言之，我们要确保 AI 的回答是严格基于所给数据的。

采取这样的技巧有以下作用：

降低模型幻觉：这可以提高生成内容的准确性。事实上，降低模型幻觉是当前 AI 大模型领域中的热门话题。我将在未来的分享中进一步探讨这一主题。
广泛的应用场景：无论是用作阅读助手还是企业的问答助手，确保 AI 的回答与提供的数据紧密相关都是至关重要的。这样可以确保信息的真实性和可靠性。

五、输出 prompt

1.什么是输出 prompt

什么是“输出 prompt”？简而言之，输出 prompt 就是指导 AI 模型如何形成其输出的指令。既然有了输入，那么输出也是必不可少的。当我们向 AI 提交任务，我们期待它为我们提供相应的结果。而输出 prompt 就是来指定这些结果应该如何展现的。

举个例子来说，如果我们要求 AI 对某篇文章进行总结，而希望这个总结的长度不超过 50 字，那么“生成文字不超 50 字”就是这个任务的输出 prompt。

对于输出 prompt，有以下技巧：

要求模型输出时，对自己的意思进行阐述
无步骤指令，要求模型输出时包含自己的步骤
要求模型模型格式化输出

2.要求模型输出时，对自己的意思进行阐述

为何要求 AI 模型复述任务内容呢？

回想一下，你是否曾经与他人沟通某件事情，但对方的理解却与你的初衷大相径庭？这种情况在实际生活中的甲方与乙方之间的合同沟通中尤为常见。沟通的核心问题在于：每个人的理解都有其独特性，这导致了大量的误解。

当这种情境应用到 AI 时，问题同样存在。AI 的“理解”和我们的意图可能存在偏差。要解决这个问题，最简单直接的方法是让 AI 在执行任务之前，先复述我们的要求。这样，我们可以明确知道 AI 如何解读我们的指示，并据此进行相应的调整。

如何操作？

非常简单。在提交任务时，可以添加一句指示：“在你开始我的要求前，请先复述一遍我的要求。”此外，为了更为便捷，还可以在 OpenAI 的官方设置中添加这样一个指令：“如果我对你下达任务，你生成内容中需要包含对我任务的复述。”

3.无步骤指令，要求模型输出时包含自己的步骤

求模型输出其操作步骤，有以下好处：

提高输出正确性：当我们没有给出具体步骤时，AI 会依赖于其默认机制，迅速地执行任务。这种情况下，虽然执行快速，但可能牺牲了结果的质量。这与我们之前讨论的要求 AI 自主定义步骤是相似的。
更好地理解 AI 操作：了解 AI 如何执行任务不仅帮助我们更准确地获得预期结果，而且在出现问题时，我们可以更容易地定位并解决。

具体实施这一技巧有两种方法：

直接在任务指令中要求：例如，“在执行我的要求时，请先思考步骤，并在完成后列出你的操作步骤。”
在 OpenAI 的官方设置中进行设定：添加这样一条指令：“如果我对你下达了要求，但下达的要求中未给你相应的步骤，请你自己先思考步骤是什么，然后依照自己的步骤完成要求，最后生成内容中需要包含你的步骤”。

4.要求模型模型格式化输出

什么是格式化输出？

简单来说，就如同我们在写文章时，遵循特定的格式和规范。AI 在生成内容时，同样可以按照特定的格式进行输出。

如何实施格式化输出？

内容字数限制：例如，我们可以指定输出内容的字数上限，如“生成的总结不超过 50 字”。
文件格式设置：当我们需要 AI 生成特定格式的内容，如代码、大纲等，我们可以明确地告诉 AI 所需的格式。
使用小样本方法：之前我们已经探讨过此方法。当我们给 AI 提供一个完整的示例文本，AI 可以参照该示例来生成输出。

项目篇

一、通用方法——迭代开发思路

1.什么是迭代开发思路

我们在前文中探讨了如何制作高效的 Prompt，但仅有这些显然不够。真正的目的是将学到的知识应用到实际项目中。如果项目规划不得当，无论 Prompt 如何出色，其效果仍然会大打折扣。

为了更好地实践，我推荐遵循程序开发中的迭代开发思路。

迭代开发思路是什么？

迭代开发是计算机科学中的一种开发策略，将整个开发过程划分为多个小周期，每个周期都包含需求分析、设计、开发、测试和交付等环节。应用到 Prompt 的制作中，这一过程可以概括为：梳理 Prompt 思路、书写 Prompt、查看 GPT 的输出和最终交付。

迭代开发的优势

适应性强：在需求不完全明确的情况下开始开发，将需求细化为每个迭代周期，从而逐步完善。
效率提升：通过固定的流程和周期来设定 Prompt，确保项目进度的持续推进。
需求的灵活性：后续的需求可以在已有基础上轻松加入。

迭代开发的技巧

应用日志：在整个开发过程中，利用日志记录每一个阶段的需求、变更和进展。
使用思维导图工具：在需求分析和 Prompt 设计阶段，思维导图可以帮助我们更清晰地拆解和组织任务。

2. 如何制作应用日志

如何高效地制作和管理应用日志是每个开发者的日常挑战。不管你是资深的开发者还是刚入门的学员，希望本文能为你提供一些实用的建议。

什么是应用日志？

简而言之，应用日志是记录开发过程中各个环节信息的文本文件。它可以是简单的.txt 或 Word 文件，或者更高级的软件如我个人偏好的“思源笔记”。

为什么需要应用日志？

有效追踪进度：通过记录每一步的成果，可以清晰地看到项目的发展轨迹。
准确捕获需求：结果分析是下一周期需求分析的关键基础，避免了在开发过程中的盲目和重复。
提高工作效率：有了明确的记录，团队成员之间的沟通更为高效，新加入的成员也能快速上手。

应用日志的构成主要包括以下四个部分，制作遵循就好了：

需求分析：记录项目的初衷、目标和期望输出。
Prompt 设计思路：详细描述 Prompt 的制作策略、关键点及考虑的细节。
测试结果：包括制定的 Prompt 和 AI 生成的具体输出。
结果分析：基于测试结果，分析其优点和不足，为下一轮的迭代提供方向。

3.思维导图项目拆解

面对一个复杂的项目，直接上手可能会显得无从下手。此时，思维导图能够帮助我们对项目进行结构化的拆解，清晰地展示任务的层级和关系。

想象下 ChatGPT 是一个工作伙伴。对于需求分析，首先要思考，如果 ChatGPT 是人，那它能为项目做哪些贡献？然后根据 prompt 的构成进行 prompt 设计，最后开始书写。

‍

二、项目操作

1.0-1 的项目处理

每当我们踏入一个全新的项目领域，面对的往往是海量信息、未知的领域知识和种种困惑。这时，我们如何高效地从 0 起步，逐步深入到 1 的深度呢？答案可能就在我们手边的 AI 工具。

0-1 的项目是什么？在这里，我们定义它为对某一领域几乎毫无了解，没有明确的执行策略或体系化知识的项目。此时，如同一个初学者，我们需要从最基础的开始，逐步探索和深入。

对于 0-1 的项目处理，我推荐以下的方法：

开放心态：对于 0-1 的项目，首先要有一个开放的心态，勇于探索 AI 的各种可能性。因为你尚未对这个项目有深入的了解，所以没有固定的模式和框架限制你，这正是释放 AI 潜能的好时机。
多利用询问：对于新的领域，最直接的方法就是提问。尝试向 AI 提出各种与项目相关的问题，从而快速获取关键信息。
利用搜索工具：工具如 newbing 可以为你提供丰富的领域资料，帮助你快速了解新领域的核心知识。
模拟外行人的用户人设背景：通过创建一个外行人的用户背景，比如：“我是一个刚入门的新手，对这个领域几乎一无所知。”，这样可以更有针对性地从基础开始探索。
记录关键问题：在应用日志中，务必记录你在探索过程中遇到的所有关键问题。这不仅可以帮助你跟踪学习进度，还可以为后续的研究提供线索。

2.1-100 的项目处理

前面是 0-1 的项目，相对应的 1-100 项目代表了你已经对这个领域或项目有了深入的了解和体系化的认识，用 AI 的目标是将项目做到极致。此时，你需要的是高效、精确和有策略地执行。

以下对于 1-100 的项目处理，我推荐以下的方法：

保持开放心态：虽然你对项目已经很熟悉，但利用 AI 可以帮助你提升效率和看到不同的角度。初期可能存在摸索期，但长远看，你的投入会得到回报。
工作流程拆解：利用思维导图等工具将你的工作流程进行拆解，明确每一个步骤，并考虑在哪些环节可以利用 AI 来提升效率或质量。
最小化 AI 介入：不要期待 AI 一步到位完成复杂任务，而是要细分任务，将其精简化，逐步将 AI 融入。
指令的优化：确保你的指令明确、简洁，数据与指令需要分开处理。通过不断的迭代，使得指令更为优化，使得未来的使用更为便捷。

在深化项目的过程中，AI 可以被看作是你的得力助手，帮助你更快地达到项目的极致。只需要调整心态，合理利用并不断优化，你会发现，AI 不仅仅是工具，更是你的得力伙伴。

写在最后

这篇文章是我使用 GPT 将我做视频的字幕稿转换而成，中间有我自己修改。

我跟很多人讨论过 GPT,最后我只有一个结论：少说多做，先做了在说。

使用 GPT，最重要的是克服心中的墙，实力决定意图，工具决定价值。

一只鳄鱼，它早已习惯了解决所有问题的普适方法: 狠狠地咬。在过去一亿年里屡试不爽，它的大脑模型里没有别的概念和方法，终于，它遇到了一个陌生的对手：人类创造的钢铁机器，怎么咬也咬不动。这只鳄鱼还不够勤奋努力吗? 作为有着悠久的一亿年历史的物种，和只有二十万年历史的智人相比，它难道不是早早地赢在起跑线上了吗？

这样的事情也会发生在 AI 时代下，原先的经验在现在不一定有用了，大家能做的就是积极拥抱变化，对于 AI，用起来，学起来，教起来。这里我是把用起来排在最前面。理由很简单，只有用了，才会了解，才会有需求，纸上谈兵永远不行。

非常感谢你的阅读，更多内容可以关注我的 B 站账号：QAyong

‍