成爲提問工程師

讀ChatGPT學習應用系列-8: 提問工程師 本書通俗易懂，圖文並茂，入門級別小冊子。讀起來感覺爽快。本來是準備在Amazon網站構一本好入門書，突然想到微信讀書發現二者內容十分相似，自然就點了本書。 讀前面chatGPT七本書🀄️基本都會涉及人工智能（chatGPT）三大板塊在側重點上都不太完全相同，因爲ChatGPT的背後隱藏離不開關鍵的三大技術要素都是包括算法、算力和算能（大量的數據基礎）。 1. “算法（Algorithm）：ChatGPT基於生成式預訓練的模型，使用了類似於自迴歸語言模型（Autoregressive Language Model）的結構。它基本都採用了大型的神經網絡和迭代的訓練方法，通過在大規模文本數據上進行自監督學習來提取語言的複雜結構和語境。 2. 算力（Compute）： 訓練大型語言模型需要大量的計算資源。ChatGPT是在強大的計算集羣上進行訓練的，這包括使用圖形處理單元（GPUs）或者甚至是專門的硬件（如Tensor Processing Units，TPUs）來加速計算。 3. 算能之數據（Data）：模型的性能與訓練數據的質量和數量密切相關。ChatGPT通過在大規模文本數據上進行預訓練，從而能夠學到更深層次、更廣泛的語言表示。” 上面這些因素的結合使得ChatGPT能夠在多樣的任務中表現出色，但也需要在部署時注意模型的侷限性和合理使用。 《成爲提問工程師》這本書由方軍、柯洲、譚星星聯合2024撰寫，主要探討了提問在解決問題和推動知識進步中的重要性。 這本書不僅僅是提供了一套關於如何提高提問技巧的方法論，還深入探討了提問背後的心理機制、認知過程及社會文化因素如何影響我們的提問方式。 一般說成爲一個好的提問者不僅對個人發展至關重要，也是推動團隊合作、創新與學術研究不可或缺的技能。書中通過豐富的實例和深入淺出的分析，揭示了提問的藝術和科學，從而幫助讀者學會如何更有效地發問，以及如何通過提問來促進思考、學習和解決問題。 《成爲提問工程師》分爲七個章節，每個章節都圍繞提問的不同方面進行深入討論，包括但不限於下面討論只要內容； 1. 提問的力量：介紹提問如何作爲一種強有力的溝通和認知工具發揮作用，包括我們如何向AI提問有八個重要原則及詮釋： “原則之一：理解“生成的本質”是文本模式的預測。有不少書介紹生成意義與原理。 原則之二：警惕大模型的“幻覺”，始終對回答進行事實覈查。例如，產生張冠李戴現象。 原則之三：向AI提問時，採用“ICDO”等結構化提示語。具體介紹見下面內容。 原則之四：理解模型能從提示語中直接學習，並在提問時提供上下文。 原則之五：讓模型進行“鏈式思考”，採用“慢思考”模式。或者說一步一步走。 原則之六：提問時，將複雜的任務分解成更簡單的子任務，再讓AI處理。 原則之七：用模型能理解的格式輸入信息。 原則之八：坐穩“主駕駛位”，與機器共舞”使用者一點學會有判斷能力，防止例如前面提張冠李戴現象。 2. 心理與認知因素：探討人們在提問時如何受到心理偏見和認知框架的影響。作者強調：“我們依然是人機共舞的主角：我們需要知道向哪兒走，即知道目標是什麼。我們需要有直覺判斷力（判斷答案可能是什麼）、理性判別力（判斷答案正誤）、鑑賞力（判斷是否還有更好的答案）。最終，享受成果和承擔責任的，是我們人類自己，而非機器”。其中：“AI時代超級個體的公式：AI時代的超級個體=（目標+認知+責任）×提問的能力。” 3. 社會與文化影響：分析不同的社會和文化如何塑造我們的提問方式和態度。特別是“ChatGPT讓我們感到驚豔的能力主要有三個。 3a.它能夠理解普通人說的話，並用普通人能理解的話給出回答，也就是能夠理解自然語言、生成自然語言。 3b.它擁有各種各樣的專業技能，如翻譯、摘要、寫作、算術、編程、分析等。 3c .它可以進行多輪對話，這讓我們可以更好地使用它完成一些複雜的任務。” 4. 提高提問技巧：提供實用的策略和技巧，幫助讀者改進提問的方式，使其更加深入、具有啓發性。“簡言之，好的提示語對應着好的結果；糟糕的提示語對應着糟糕的結果；錯誤的提示語對應着錯誤的結果”。 並且這些好的提問至少包含五個方面因素（描述，建議，設計，解釋，創建），而其中每一個因素至少可以有多個成分（具體建議見本書）。 “通常來講，提示語可拆解爲以下四個部分：指令、上下文、輸入數據、輸出要求。“ICDO”是結構化提示語四個組成部分的英文首字母：指令(instruction)、上下文(context)、輸入數據(input data)、輸出要求(output indicator)”。用結構化提示語“ICDO”拆解四大部分 5. 提問與學習：討論如何通過提問加深理解和促進學習。這裏要求“如果能夠給出清晰的輸出要求，我們就有更高的概率獲得自己理想格式的回覆。這通常包括三個部分”，第一，輸出規則。第二，輸出樣例。第三，輸出指示符。提示語的最後一句話即輸出指示符。這看似無關緊要，但實際上它能產生很好的效果。例如說，具體引導有“思維導圖的大綱是：”“五種創意思路是：”，等等。 6. 提問與創新：探索提問如何激發創意思維和促進創新。要創新除了問題需要有三個要素，即背景信息、問題描述、解答要求之外，應該在高效提問的三個層次上，既正確地提問、進階地提問、高級地提問及掌握向GPT提問的飛輪思維（細節見本書）。本書其它章節🀄️有在讀前面書評有些類似介紹如何有它來創造範例等內容，這裏就不再提了。 當然使用者需要知道用其所長，避其所短，例如，如果以輕鬆的方式提問，GPT的回答風格也會是輕鬆的。如果以客氣、嚴謹的方式提問，GPT的回答也會跟隨你的風格。另外，不要將它當成Google 或者百度，因爲效果不佳，這是由於GPT不擅長檢索信息，而是擅長解釋信息。其中絕活是如果想真正從GPT中獲益，每個人都應當掌握與GPT交流的“進階提問”方式，一步一步挖。只有進階提問能激發GPT的隱藏能力。例如，“問題先拋給GPT，讓它給出“假設性回答”。然後，我們用這個“假設性回答”去匹配資料，這時從資料庫中匹配出相關資料的概率要大大高於僅用原問題去匹配。”特別是要會“多輪交互，完成複雜任務”包括說明：在背景信息、結果、長度、格式、風格等方面，提示語的描述應儘可能詳細、具體。例如，而進階提問技巧：拆解任務，分步提問，還可包括與其他工具聯合使用。 總之有許多因爲不同性質問題而設定技巧，就不列舉了…。作者強調與GPT共舞的生存技能關鍵是要有：辨別力與鑑賞力！…… 簡言之，此書適合廣大希望提升自己在學術、職業和日常生活中提問能力的讀者。無論是學生、教師、研究人員，還是企業家和管理人員，都能從中獲得寶貴的見解和靈感，進而成爲更好的“提問工程師”。

讀過 成爲提問工程師 🌕🌕🌕🌕🌑 2018年OpenAI推出Chat-GPT以來，各大科技廠商紛紛推出類似的基於大預言模型（LLM）的生成式預訓練轉換器（Generative pre-trained Transformer, GPT）模型，並開發出相應的聊天機器人供消費者使用。這一輪的AI機器人，不僅僅可以與人聊天，還具有如翻譯、摘要、寫作、算術、編程、分析等專業技能，可按照自然語言指令進行語言生成、知識利用、複雜推理。 人們儘可以和AI天馬行空的聊天。但是，要想發揮AI的生產力幫人做事，就至少需要與其交互的人本身具有條理分明的表達能力。書中提到向AI 提問，要做到爲AI提供明確的指令（I, Instruction），清晰的任務上下文背景（C, Context），需要處理的數據或信息(D, data)，和輸出(O, output)的格式與要求，才能讓AI做到提供合格可用的回答。與AI交互過的人都知道，即便做到全面地提供信息，準確地描述疑問，提出關於解答的請求，一次提問往往得不到合格的答案。學會拆解任務，分步提問，符合邏輯的進行多輪交互常常是必要的。描述問題、獲得回應、進行評判、完善問題、再次提問，直到獲得滿意的回答，是完整的提問流程。 本書2024年初出版，DeepSeek 2024年底出現，其模型內化了書中的許多提問技巧。時至今日（2025年八月），諸多AI產品的新版本都自帶了類似於DeepSeek的深度思考（DeepThink）或研究（DeepResearch）模式，可以將用戶的簡單提問，自動的結合的從當前提問語境，分析出用戶的需求，生成符合ICDO結構的提問要求，之後再根據自己預加工的提示語，給出答案。 現在更是出現了各種機器人代理（Agent），功能也厲害的很。程序員與產品經理可以通過與其聊天就可以讓AI編寫產品計劃，並根據計劃寫出可執行的APP或者網站。人們已經不必先成爲提問工程師，只要具備產品計劃能力，AI就能幫你完善計劃甚至實現產品。這被稱爲Vibe coding。 我自己就用AI上線了一個在線工具 ，幫助我每天完成自己最重要的任務（Most Important Tasks），網址是mits.day，歡迎訪問。

前面部分的科普知識，通俗易懂，挺值得看； 後半部分的運用實例，沒啥看頭，還真是……就舉個栗子🌰…… 切合熱點的小冊子，跟大多數天朝作者寫的類似，只值得看一次。 嗯，我還是打了個「推薦」的評分，本來的期望就不高～ 同期對照着看的，還有這本《學會提問，駕馭AI》，估計也差不多水準，等看完再做具體評價。 --end-- 「李園讀書會」簡介： 上學，→當牛馬，→創業/投資，→自由人，當前……你在哪個階段呢？ 這裏是「以書會友」的個人成長社區，各階段的書友都有，主線任務是通過「創業/投資」實現FIRE的生活方式： Financial Independence, Retire Early。 🎈「讀書會」現已開放納新，感興趣的書友，快快私信我加入哈~ 讓咱們常喝茶，多看書，約跑步/徒步/登山，一起愉快地玩耍吧！ 讀萬卷書，行萬里路，閱人少數，少於150人。

最後兩章真的拉胯，但卻恰恰真實地呈現了GPT在現實世界中的輸出水準。相比之下，之前的章節就顯得更“激動人心”一些。 如果對比同時期各類GPT的介紹文章，這本小冊子的實操偏重，是顯而易見的。但即便是在這樣，只要對比一下書中對輸出的描述性文字，與給出的輸出結果文字，其中落差就總會給人對AI的各種溢美之詞其實難符的印象。所以，究竟是GPT真的不行，還是我們的打開方式不對？這個不實際上手試試，任誰說得天花亂墜，也難以服人。而這，恰恰就是這本書的價值所在了——所謂注重實操，所有的原則和技巧，都必須以上手實踐、以真實的輸出結果來驗證。 所以，隨着不長的閱讀時間裏，藉助Kimi，以四五個不同輸入樣本，反覆驗證的結果，就是在對AI，尤其是GPT類應用怯魅的同時，再次堅定了以前對這類應用的判斷——這絕對會是未來主流的生產力工具，整個知識密集型產業和領域，都將因爲這類應用的普及、升級，而徹底改變產業模式和工作模式。很多原來低知識、重複性高的崗位，會降級甚至消失，而更多高知識、高技巧、高思考強度的崗位，則會大量產生。對勞動者自我學習、終生學習的要求，因其關鍵性和重要性增強，會達到又一個高度。同時，對私域甚至私密型AI應用的需求，將成爲全社會性的剛需。因爲類似GPT幻象的AI迷霧而造成的信息污染，會從弊端上升爲結構性社會災難。個人隱私也將因此被重新定義。 總之，這是一本非常值得推薦的應時類讀本，尤其適合邊看邊實際操作。其中那些實操原則，如果不能在實踐中加以驗證和體會，就完全失去了在其上花費時間精力的意義。

像使用任何工具一樣 使用GPT也必須掌握正確的溝通方法。提問 ～ 是使用GPT的金魔法。 這本書中提到的幾個關鍵技巧 對我幫助很大。 首先 要理解機器～理解它是如何處理人類指令的～先後順序分五步 閱讀 推測 製造 理解 執行。以前一直不清楚 機器的工作序列中還有 "推測和製造" 這兩步 當然就更不會明白GPT給出的答案爲什麼總是差強人意。 機器之所以會對提問做出“預測和製造” 多半是因爲提問比較寬泛和籠統 機器爲了縮小範圍 根據的它訓練參數 給問題加上了“細節” 豐富這些細節 它才能“理解”問題 然後執行程序 輸出結果。 爲了避免機器過度“猜測和製造” 提問者要掌握提問的技巧ICDO 即指令 上下文 數據 輸出。 也就是說 GPT能理解的並且長期訓練使用的規範提問格式 就是在這四項中找到對應的內容。我推測 提問中缺失的項都會被GPT補充上“默認值”。因此 每個向機器提出的問題 必須具體。 指令：角色（縮小範圍） 任務（動詞+名詞） 規則 上下文：知識 步驟 例子 數據：待處理任務 輸出：處理結果 要求 格式 一般來說 疑問越具體 答案越準確。 書中介紹的另外兩個非常有用的技巧是 1. 分解任務 引導提問 2. 讓機器重複問題 優化提問 非常有幫助！

普通人如何通過系統訓練掌握AI提問技巧？ 一、先確立“爲什麼問” AI 提問的起點不是敲一段文字，而是明確 ​​3 個要素​​：目標（你想得到什麼）、場景（在哪用）、受衆（給誰看）。只有帶着清晰目標，後續所有提示詞優化纔有方向。 二、搭建自己的知識框架 1. 選定 ​​1–2 個垂直領域​​（如寫作、編程、營銷）。 2. 在該領域裏系統掌握 ​​3–5 套主流方法論​​，瞭解其原理、優勢與侷限。 3. 用“領域知識 + 方法論”去和 AI 共同工作，而不是隻依賴模型自帶知識。 三、掌握基礎到高階的提問技術 階段關鍵技巧訓練要點 基礎結構化提示詞：角色+任務+輸出格式每次提問都指明“請以……身份”“輸出 JSON/表格”等 進階少樣本示例、提示詞模板、鏈式思考讓模型先列思路再給答案；給 1–2 個示範樣本 高階工具串聯、多輪交互、任務拆解讓模型生成可被其他工具識別的輸出，再由模型或人工繼續處理 四、用“迭代循環”打磨問題與答案 1. 提問 → 2. 得到回答 → 3. 評判質量（是否準確、完整、符合場景）→ 4. 迭代修改問題或補充上下文。 2. 重複直到結果滿足閾值，而不是一次就停。 五、設計系統化練習計劃 1. ​​每日對話練習​​：把普通疑問改寫成“細化一步”的問題，例如把“今晚喫什麼”升級爲“今天降溫，是想喝熱湯還是喫火鍋？”。 2. ​​每週主題挑戰​​：選一個真實場景（寫郵件、做功課、整理讀書筆記）完成 5 次迭代提問。 3. ​​雙模型對照​​：對同一問題分別向 GPT-4 和 GPT-3.5 提問，比較結果並總結差異，訓練對答案的鑑別力。 4. ​​代碼與文本雙線練習​​：給代碼寫重構建議、給文案改標題，在不同領域鞏固提示詞結構。 六、建立個人“提問工程”手冊 1. 收藏 10–15 句高頻提示詞模板（如“請給出 3 點建議並附示例”“用 XX 思路拆解”）。 2. 記錄每次迭代的“問題→回答→評判→修改”鏈條，形成案例庫。 3. 定期覆盤：挑一條最常用場景，看能否用更少輪次拿到同樣質量的答案。 七、評估與進階 1. ​​質量指標​​：準確率、滿足業務場景度、可自動化程度（能否被其他工具直接用）。 2. ​​效率指標​​：平均一輪迴答耗時、迭代輪次。 3. 當迭代輪次穩定 ≤3 且準確率達標，就說明該場景的提問模板可固化，可繼續擴展到更復雜任務。 堅持“目標驅動 + 領域知識 + 迭代優化”三步走，普通人也能在數週內把 AI 提問從“能用”提升到“高效、可復現”。最終，你將把 AI 當作延伸大腦的高效外腦，而非只能生成通用回答的聊天機器人。

所以到底怎麼成爲提問工程師呢？ ​​指令（Instruction）​​明確 AI 需執行的具體任務（包括拆解的步驟）、具體目標，例如“假如你是XXX專家，用XXX的風格改寫段落”。 ​​上下文（Context）​​提供背景信息或參考示例（包括few-shot，RAG等），幫助 AI 理解任務場景，例如“參考村上春樹的散文風格”。 ​​輸入數據（Input Data）​​用戶實際需要處理的內容，例如待改寫的段落或原始數據。 ​​輸出要求（Output Indicator）​​規定輸出的格式、類型或規則，例如“用表格形式列出理由”“輸出三個改寫版本”或“使用簡體中文回答”。總之就是越明確越好，最後就是迭代飛輪，找出比較好的效果！

sora無疑是新年假期期間openai發佈的重磅技術，在視頻生成方面又取得了重大突破，不僅讓我再次將微信裏有關chatgpt的書籍列爲當下重點，急需補充些入門知識，防止“被騙”。 跟ai聊天，prompt是關鍵，帶着如何提問的需求打開這本書，前面提到的ICDO結構化框架還是有一定指導意義，爲提問提供具體指導。後面的內容則更像是一個不合格prompt獲取到的來自chatgpt的回答。 人工智能正加速前行，這一技術革新讓我們感受到了“威脅”，將顛覆和改變多少行業，翹首以盼還是拭目以待。 ​答案終止想象，提問促進思考！

本書作爲Ai使用者的啓蒙書還算可以，文中主要以ChatGpt爲例講述AI語言大模型是什麼、作爲普通人應該怎麼辦這兩個主要方面的內容。其中以怎麼辦爲主要方向，包括如何有效提問、使用者應該具備什麼樣的能力等等。但是在案例展示方面我認爲是不足的，提示語在描述上我有點看不明白，其次文章排班可能也有差錯，有些部分看着有點懵。

保持辨別力，保護好隱私。 還行吧，沒有什麼收穫。車軲轆話比較多，跳着都找不到可看的內容，看似旁徵博引地東拉西扯，還整了好些導圖，強行套一些框架，其實也說的不清不楚，仔細琢磨，沒啥實質性的內容。還有一些內容大概是針對編程或工程師等專業人員的用法，對普通人沒有實用性，估計對專業人員也沒啥用。即便這本書出自2024年，書中所說的一些現象，仍然在迅速的迭代當中。對於如何向AI提問、追問以及交流互動，有很多種方式方法，這本書裏寫的東西還不如我平常在b站看的個別大佬的視頻。哎，浪費時間。