大语言模型并不是万能的，由于缺乏行业领域的专业知识，大模型在解决实际问题上其实存在一定的局限性。那么，如何让大模型更懂你？作者作为AI开发平台的设计师，总结了两个简单高效的方法，一起来看。

我们都知道，生成式AI的出现掀起一波人工智能的浪潮，在这种时代背景下，了解AI产品背后的开发方法，能帮助我们更好的使用AI产品。

一、什么是生成式AI？

生成式AI可以帮助我们做很多事情，在日常生活中，它可以用于生成报告，提高汇报的效率；在电商领域，智能客服可以自动回答和解决用户的问题；在医疗领域，智能医生可以帮助患者进行疾病诊断，提高了行业人员的工作效率。

二、ChatGPT的本质是大规模语言技术的应用

在生成式AI应用中，我们所熟悉的Open AI 的ChatGPT、百度的文心一言、字节的豆包等，他们的本质是应用了一种大模型的技术。

这种技术是由云厂商中专业的技术人员，通过海量的文本数据处理，消耗昂贵的算力成本所得到的。这样的技术让大模型学习人类的语言模式和知识结构，并生成自然流畅的回答。

大模型类比为大脑

通俗比喻：我们可以将大模型类比为“大脑”，大量的文本数据相当于“外界提供的信息”，昂贵的算法比喻为“聘请的高级教授”，将外界信息转化为知识点，储存在大脑中，最后呈现出来的就是我们使用的智能产品。

三、大语言模型并不是万能的，解决实际问题上存在局限性

然而大语言模型并不是万能的，由于缺乏行业领域的专业知识，导致他们在解决实际问题上存在一定的局限性。

比如以下场景：我想通过 文心一言 了解CXD智能云产品，相关的设计规则，而它的回答，并不能解决我的实际问题。

文心一言只提供适用于通用平台的设计规则，这些规则并不能完全适用于我们的产品。企业应用过程中遇到这种问题，应该怎么办？

四、解决办法：让人工智能应用更懂你，得到你想要的内容

作为AI开发平台的设计师，我总结了两个简单高效的方法分享给大家。

方法1 “教它找”

“教它找”的原理是：通过加入提示词，利用其中关键词语，提示大模型理解我们的意图，在已经有的数据信息中找到我们想要信息再进行回答。

这种方式可以帮助我们低成本、快速的提升大模型的效果。

以开发一个“汽车销售客服”作为场景，Diffy产品作为工具演示。

产品的左侧面板是相关参数的配置，右侧则是用户真实使用场景的测试工具。

没有提示语配置下，我选择ChatGPT 3.5 来回答我的问题，发现它的回答没有实质有效的信息，对购买汽车的用户帮助不大。

如何通过加入提示语提升质量？

步骤1：加入提示词：在左侧面白的输入框加入文本，限制大模型回答，让大模型作为一名专业销售人员，针对汽车性能、外观等维度提供比对信息。

步骤2：测试效果：ChatGPT的回答效果明显提升。

通过这样的方式，打包成新的应用，给到用户使用，让用户在已限定好范围的大模型内进行问答，可以极大提高产品满意度。

基于这个方法，我为大家推荐两类好用的工具：一类是提示语模版平台，在这些平台中可以获得各行各业的高质量提示语，教育类、金融类等等，复制直接使用。

Dify：http://cloud.dify.ai/explore/apps

GPT short：http://prompt-shortcut.writeathon.cn

千帆大模型平台：http://prompt-shortcut.writeathon.cn

方法2 “教他学”

“教他学”的原理是：通过增加自己/企业自身的数据，与它自身通用的数据结合，教它学习新知识，从而定制一个懂你的新的大模型。

如何加入自己的数据？有两种方式。

方式1：可以在AI定制的平台，通过非结构化的文档（比如pdf word文档、网页链接等）资料，来生新的大模型。

方式2：选定某一AI开发平台，准备结构化的数据集（文本对信息）excel json文件，通过重新训练的方式，来让大模型学习新知识。

同样，我以两个案例来介绍说明具体操作流程。

案例1：以开发“设计规范助手”为场景，Chatbase平台作演示

第一步：选择“创建机器人”。

第二步：选择数据，这里提供5种数据类型，分别是文档、文本、连接、问答对、第三方笔记网址。

我提前准备好了三种关于日常会用到的文件，分别是：设计规范文档、方案库文档、各产品的用研报告，同时加入专业的提示文本和云设中台官网的链接，帮助大模型更好的学习我们的知识。

第三步：生成机器人开始测试。

通过三轮对话可以看到，它轻松的回答了我想要的问题，提供了正确的规范信息和健康度指标，以及如何设计数据标注场景的总结信息。

最后，只需要将它发布为网站，把链接提供给组内设计师使用即可。

案例2：以开发“医疗客服助手”场景，千帆平台作演示。

第一步：准备数据，可以选择自己准备数据集，按照平台的示例引导进行操作；也可以直接使用平台提供的现成的行业数据集。比如我们选择这个医疗中文数据集。

第二步：训练模型，这个页面中，首先选择训练的大模型，可以根据大模型使用介绍进行选择。我们选择Ernie bot 因为它中文效果更好。

其次是选择训练方法，不同的训练方法影响资源成本金额、消耗时间和模型稳定性；最后是选择训练参数，平台会根据已由信息提供推荐值，如果是开发人员对训练参数有了解，可以根据经验调整。点击确定开始训练，

第三步：训练完成后则将任务发布为模型，并把模型部署为服务。（这里不详细拓展）

第四步：在体验中心中，选择刚刚部署的服务，即可进行测试，了解这个医疗客服的实际效果。

以上就是在大模型中加入结构化数据的操作流程，这种方式需要耗费更多的金额和时间，但更适合于需要高精度回答效果的企业。

1）数据服务工具

这些平台提供现成可用的数据集，就不用耗费精力去准备数据，比如红酒知识、动物知识等，根据你的业务需求下载使用。

阿里modelscope：http://www.modelscope.cn/datasets?Tags=text-classification&dataType=text&page=1

百度AI Studio：http://aistudio.baidu.com/datasetoverview

DataCastle：http://www.datacastle.cn/dataset_l

2）大模型调优工具

国外的大模型调优工具：谷歌、微软。

最后总结

在过去，开发大模型的事情更多是专业的技术人员来做，而随着时代的发展，未来AI可能将普惠到每个人。以后我们可能人人都会开发一个自己的大模型，用具有我们数据的机器人去工作、聊天。

而目前产品的使用流程仍存在门槛，对小白用户的包容性不高，作为AI开发产品设计师，我们任重而道远，一直在大模型开发流程做得简单易用的路上持续努力～～