这是课程的第九篇笔记，关于大型语言模型LLMS（就是ChatGPT这类东西）。
说实话，之前我对这些工具的认知很模糊——知道它能聊天、能写东西，但具体能干嘛、怎么用更好，一直没细想过。
这周的内容，让我把这件事想清楚了一点。
课程一开始就问了个问题：什么时候用网络搜索，什么时候用语言模型？
比如你扭伤了脚踝。网络搜索能带你去梅奥诊所或哈佛医学院的页面，这些来源可信。语言模型也能回答，但它有时候会“编造”一些听起来很自信但其实是错的东西——这叫“幻觉”。所以医疗健康类的问题，还是得找权威来源确认。
再比如烤菠萝派。网上有很多靠谱的食谱，随便找一个就行。但如果你想烤“咖啡注入的菠萝派”，网上可能根本搜不到食谱。这时候语言模型就能当你的“思考伙伴”，帮你 brainstorm 怎么搭配、怎么烤。
所以我现在理解的是：有标准答案的事，去搜索；需要创造、整合、 brainstorm 的事，可以试试语言模型。
课程里把语言模型能做的事分了三大类，第一类是写作。
我试了试里面的一些例子：
· 头脑风暴：让它给花生酱饼干想五个有创意的名字，它给了“Nutty Nirvana Nibbles”“Butter Bite Bliss”之类的——有些还挺像回事。
· 写新闻稿：让它写一份宣布新COO上任的新闻稿。第一次写出来很“模板”，因为不知道我的公司和新COO是谁。但把背景信息贴进去后，出来的稿子就具体多了。
· 翻译：把酒店欢迎词翻译成印地语，第一次“前台”被译成了“前面的桌子”，调整提示后就能译对。
有个细节让我印象很深：如果你不会某种语言，怎么判断翻译对不对？课程里给了一个“歪招”——让它翻译成海盗英语。听起来就很“海盗”，至少说明它在按指令做风格转换。
第二类是阅读任务——输入长文本，输出短的结论。
我发现自己可能用得上的是校对。课程里说，自己检查三四遍还可能漏掉的错误，语言模型能找出来。我试了试，确实。
还有总结文章。课程里讲了个例子：斯坦福一位教授发了篇长文章《图灵陷阱》，他没时间细读，就让语言模型用300字总结了一下，快速了解了核心观点——与其让AI取代人类，不如让它增强人类。后来他还是读了全文，但至少先有了个框架。
对企业来说，这类应用更实在：
· 客服对话总结：把客服和客户的通话转成文字，让模型自动生成摘要，经理扫一眼就知道发生了什么问题。
· 邮件分类：判断一封邮件是不是投诉，该转给哪个部门。第一次模型可能选错，调整一下提示词就好。
· 舆情监控：让模型判断每条餐厅评论是好评还是差评，然后每天统计一下，看看情绪有没有变化趋势。
这些事以前都要人来做，现在可以让模型先过一遍。
第三类是聊天。
除了通用的ChatGPT，很多公司在做专门的聊天机器人：
· 帮你订芝士汉堡的客服机器人
· 帮你规划巴黎省钱旅行的旅行顾问
· 问你“用意大利面、鸡蛋、柠檬、火腿能做什么”的烹饪顾问
· 处理密码重置请求的IT服务机器人
但机器人会说错话，怎么办？课程里讲了几种设计方式：
1. 机器人只辅助人：机器人先写一个回复，人工客服看看没问题再发出去。这叫“人在循环”，能降低风险。
2. 机器人先筛选：比如识别出10%的对话是要求退款的，让机器人处理这部分，剩下的难的再给人。这样人能更专注。
3. 先内部再用外部：先让机器人服务自己团队，出错了大家能理解，等稳定了再面对客户。
这些思路让我意识到：用AI不是“扔进去就行”，需要设计、需要迭代、需要把控风险。
1. 搜索和语言模型是两回事：有标准答案的事用搜索，需要创造的事用语言模型
2. 写作类任务：头脑风暴、写稿、翻译，都能帮忙，但提示词要迭代
3. 阅读类任务：校对、总结、分类、情感分析，能处理大量文本
4. 聊天类任务：从通用到专用，需要设计交互方式和风险控制
5. 提示词不是一次写对的：第一次不行就改，这很正常
ChatGPT这类工具其实比想象的更“可操作”。
它可以当写作助手、阅读助手、分类器、总结器……关键是看我们怎么用它。
