如果說今年的風(fēng)口，那一定是 AI。不過 AI 像一把雙刃劍，既有助益也有風(fēng)險。我們將從 IBM Watson 的高飛與墜落，到 Google Allo 的黯然失色，探索 AI 應(yīng)用中的教訓(xùn)。同時，瑞幸咖啡的成功故事展現(xiàn)了憑借策略得當(dāng)?shù)?AI 應(yīng)用，即使在困境中也能崛起。通過 ChatGPT 實踐案例，我們進一步揭示 AI 在日常工作中的潛能，從 PRD 文檔編寫到內(nèi)容管理的自動化。最后，我們討論如何與 AI 高效交流，確保 AI 是成為推動進步的力量而非阻礙。在整篇文章中，我將分享 AI 的正確應(yīng)用價值，和如何嵌入實際的應(yīng)用場景中。

一、聚焦 AI 產(chǎn)品，淺談應(yīng)用價值

在分析 AI 的應(yīng)用場景之前，我們先將目光鎖定一下目前前沿的 AI 產(chǎn)品如 ChatGPT 4、Stable Diffusion（SD）、Midjourney（MJ）、DALL·E。讓我們看看它們是如何成為當(dāng)前技術(shù)革新的代表的。

ChatGPT 尤其引人注目，它基于 OpenAI 的 GPT-4 模型，提供了與人類相似的交互體驗。我個人在使用 ChatGPT 時，由于其高級功能需要訂閱，我采取了特定的步驟來續(xù)費，包括創(chuàng)建美區(qū)賬號并通過充值卡支付，這個過程確實有些繁瑣，一開始也將我勸退。我也嘗試過去使用其他的 AI 產(chǎn)品，例如 Gemini、火山寫作、百度的 ERNIE 等，對于這些產(chǎn)品，一個共通的缺點是在特定領(lǐng)域或任務(wù)上的局限性。盡管它們可能在特定場景下表現(xiàn)出色，但無一例外，它們都存在某些方面的不足，如理解復(fù)雜查詢的能力、跨語言應(yīng)用的適應(yīng)性、創(chuàng)意內(nèi)容生成的深度和寬度，以及對特定用戶群體的可訪問性和成本效益。其實我個人覺得 Gemini 還挺不錯的，響應(yīng)速度比 chat GPT4 要快。不過我從一開始就用的是 GPT3.5，到目前也在堅持續(xù)費 GPT4，也算是 GPT4 的忠實使用者。

在 AI 視覺創(chuàng)作領(lǐng)域，DALL·E、Midjourney（MJ）、和 Stable Diffusion（SD）各自展現(xiàn)了獨特的風(fēng)格和功能。由 OpenAI 開發(fā)的圖像生成 AI-DALL·E，更擅長根據(jù)用戶的文本描述生成插畫風(fēng)格和仿 3D 的圖像。它對于抽象概念的理解能力強，能創(chuàng)造出富有創(chuàng)意的視覺作品。盡管 DALL·E 在創(chuàng)意表達上表現(xiàn)卓越，但在生成真實感圖像方面，尤其是復(fù)雜場景和細(xì)節(jié)處理（如人物面部和手部）上，仍有局限。其生成的圖片往往帶有明顯的 AI 生成特征，缺乏一定的真實感。

Midjourney 與其他 AI 生圖工具，例如 Leonardo.ai 使用的 Stable Diffusion 及其衍生版本，在技術(shù)基礎(chǔ)上有顯著的區(qū)別。Midjourney 利用的是自主研發(fā)的閉源模型，這種獨特的技術(shù)選擇為其帶來了更細(xì)膩的參數(shù)調(diào)整能力和卓越的藝術(shù)表現(xiàn)力，這也正是最初吸引了眾多用戶的原因。網(wǎng)絡(luò)資料顯示，Midjourney 的模型訓(xùn)練參數(shù)高達 300-400 億，相較之下，最新版的 Stable Diffusion 參數(shù)僅有 66 億。Midjourney 的圖像因其出眾的視覺效果而受到稱贊，但這種優(yōu)勢伴隨著較大的不確定性，一些用戶比喻其體驗類似于隨機抽取，盡管每張圖像都具有視覺沖擊力，但常常在細(xì)節(jié)上未能完全達到用戶的期望。這種較高的不確定性導(dǎo)致了使用 Midjourney 的成本增加，這里的成本不僅僅指金錢，更多指的是時間成本。由于不確定性的存在，用戶在尋求一張滿意圖片的過程中需要投入更多的時間，并且必須不斷學(xué)習(xí)和調(diào)整 Prompt 命令來控制圖像生成效果。如果用戶不愿意投入大量時間進行學(xué)習(xí)，那么使用 Midjourney 可能不會比使用其他工具獲得更好的結(jié)果。

反觀 Stable Diffusion，作為一個開源模型，其設(shè)計初衷便是擁有出色的可擴展性，允許開發(fā)者根據(jù)自己的應(yīng)用場景進行定制。雖然在起初，由于訓(xùn)練數(shù)據(jù)量有限，基于 Stable Diffusion 開發(fā)的模型在圖像生成效果上通常不及 Midjourney，但隨著時間的推移，開源模型的可控性和擴展性的優(yōu)勢開始顯現(xiàn)。這種開放性賦予了 Stable Diffusion 長期的發(fā)展前景，使其成為一個能夠不斷適應(yīng)新挑戰(zhàn)和需求的強大平臺。

可在實際工作環(huán)境中，盡管 Midjourney 以其卓越的藝術(shù)表現(xiàn)力和細(xì)膩的圖像質(zhì)量受到了高度贊譽，但是在公司的實際應(yīng)用過程中，Stable Diffusion（SD）卻因其靈活性和開放性成為了更受青睞的選擇。這一現(xiàn)象反映了在商業(yè)和技術(shù)決策中，可擴展性和自定義能力往往比單一的視覺效果更為重要。Stable Diffusion 的開源特性允許公司根據(jù)特定的業(yè)務(wù)需求進行定制化開發(fā)，這種高度的適應(yīng)性使其能夠被廣泛應(yīng)用于不同的項目和任務(wù)中。無論是為營銷材料生成引人注目的視覺內(nèi)容，還是為產(chǎn)品設(shè)計提供創(chuàng)意靈感，SD 都展現(xiàn)出了其強大的功能性和實用性。更重要的是，隨著社區(qū)的共同努力和持續(xù)的技術(shù)迭代，基于 SD 的應(yīng)用和工具正在快速進步，為企業(yè)提供了豐富的資源和靈活的解決方案。

SD 的本地部署能力為企業(yè)提供了數(shù)據(jù)處理的安全性和私密性，這對于處理敏感信息或遵守特定數(shù)據(jù)保護法規(guī)的公司尤為重要。盡管這也帶來了一定的部署復(fù)雜度和學(xué)習(xí)成本，但對于追求高度定制和控制的企業(yè)來說，這些投入是值得的。隨著時間的推移，SD 社區(qū)也在不斷簡化部署流程和降低使用門檻，使得更多公司能夠輕松利用這一強大的技術(shù)。

二、AI 應(yīng)用場景解碼

盡管許多公司對 AI 充滿期待，但如何將 AI 技術(shù)有效集成到現(xiàn)有的工作流程中？還是很迷茫的。這就像是知道目的地，卻找不到合適的路一樣讓人撓頭。在當(dāng)前的商業(yè)環(huán)境下，諸多公司對于 AI 的態(tài)度可以概括為“知其好而不知其用”。這反映出一個廣泛的現(xiàn)象：盡管 AI 的潛力被普遍認(rèn)識到，但如何將其有效集成到具體的工作流程中仍然是一個挑戰(zhàn)。前段時間我的一個師兄還在跟我說，他們公司業(yè)務(wù)對 AI 還是不知道怎么去用，都知道好就是沒有應(yīng)用場景，整個公司都很懵逼的狀態(tài)。有點類似于知道變身成凹凸曼很厲害，但是讓我來，我不知道怎么放技能。

多數(shù)公司的現(xiàn)狀

所以剛開始很多公司在對于 AI 的應(yīng)用策略上都是“摸著石頭過河”，并不是所有嘗試都取得了成功。IBM Watson 在醫(yī)療領(lǐng)域的挑戰(zhàn)、Google Allo 的失敗、Amazon Rekognition 的爭議、以及 Microsoft Tay 的公關(guān)災(zāi)難這些事件都是 AI 商業(yè)應(yīng)用中值得關(guān)注的案例，從中也能吸取很多重要教訓(xùn)。我們就拿 IBM Watson 這個產(chǎn)品分析下它的商業(yè)應(yīng)用價值和最終策略失敗的真正原因：

1. IBM Watson 在醫(yī)療領(lǐng)域的挑戰(zhàn)

IBM Watson 在醫(yī)療領(lǐng)域的嘗試是人工智能技術(shù)商業(yè)應(yīng)用的一個重要案例。Watson Health 的目標(biāo)是通過利用大數(shù)據(jù)和機器學(xué)習(xí)來改善醫(yī)療服務(wù)的質(zhì)量和效率，尤其是在疾病診斷和個性化治療方案的制定上。

1. 個性化醫(yī)療：Watson Health 旨在通過分析患者的醫(yī)療記錄和最新的醫(yī)學(xué)研究，為每個患者提供個性化的治療方案。這種方法有潛力大幅提高治療效果，尤其是對于癌癥等復(fù)雜疾病。
2. 效率提升：通過自動化分析醫(yī)學(xué)文獻和病例數(shù)據(jù)，Watson 可以幫助醫(yī)生和研究人員節(jié)省大量的時間，加快診斷和治療決策過程。
3. 決策支持：Watson 提供的數(shù)據(jù)驅(qū)動決策支持有助于降低醫(yī)療過程中的錯誤，提升病人治療的準(zhǔn)確性和安全性。

然而，盡管初衷良好，Watson Health 在商業(yè)化過程中遇到了諸多挑戰(zhàn)，最終未能實現(xiàn)預(yù)期的商業(yè)價值。醫(yī)療數(shù)據(jù)的復(fù)雜性和不一致性對 Watson 提出了巨大挑戰(zhàn)。非結(jié)構(gòu)化的醫(yī)療記錄、不同醫(yī)療機構(gòu)的數(shù)據(jù)格式不統(tǒng)一以及隱私保護要求，都增加了數(shù)據(jù)整合和分析的難度。且 Watson Health 在技術(shù)上具有創(chuàng)新性，但其商業(yè)模式未能有效解決醫(yī)療行業(yè)的需求，包括如何融入現(xiàn)有的醫(yī)療流程中、醫(yī)生和患者對 AI 技術(shù)的信任度不足，以及高昂的成本問題。

所以可以總結(jié)一下就是 IBM Watson 在醫(yī)療領(lǐng)域的失敗主要源于數(shù)據(jù)處理的困難以及其商業(yè)模式和市場接受度未能達到預(yù)期。IBM Watson 在醫(yī)療領(lǐng)域的挑戰(zhàn)，從一個更寬廣的視角看，可以歸咎于對 AI 商業(yè)應(yīng)用場景尋找的不是最佳的選擇。Watson 嘗試解決的問題超出了當(dāng)前 AI 技術(shù)能力的最佳應(yīng)用范圍，或者說，這個特定的應(yīng)用場景并不是 AI 技術(shù)發(fā)揮最大價值的地方。

三、瑞幸借助 AI 華麗逆襲

而 AI 真的沒有好的應(yīng)用場景嗎，或者說 AI 只是可遠觀而不可用的能力？不。相信大家還記得之前瑞幸咖啡的“財務(wù)造假”的新聞吧，回看 2020 年的 6 月份，瑞幸因為財務(wù)造假被強行退市，截止到了 2021 年的 8 月居然開始實現(xiàn)盈利，短短一年的時間從起死回生到全行業(yè)第一，他中間到底做了什么？2023 年他它的銷售額超越星巴克、門店數(shù)量超過 16,000 家的壯觀成績，背后反映的其實是企業(yè)通過技術(shù)創(chuàng)新，尤其是 AI 的深度應(yīng)用，實現(xiàn)的快速轉(zhuǎn)型和增長。

即使今天瑞幸的管理層全部放假，他全國所有的門店依舊都可以照常經(jīng)營的，絲毫不會受到影響。你覺得我說的太夸張？我們可以分析一下瑞幸的成功歸結(jié)于哪幾個關(guān)鍵策略和技術(shù)應(yīng)用：

1. 全價值鏈的自動化和智能化：從產(chǎn)品研發(fā)迭代、供應(yīng)鏈管理、門店選址、組織監(jiān)管到個性化營銷和顧客服務(wù)，瑞幸通過構(gòu)建一整套定制化的 AI 系統(tǒng)，實現(xiàn)了業(yè)務(wù)流程的自動化和智能化，極大地提升了效率和客戶滿意度。
2. 個性化營銷的深化應(yīng)用：利用 AI 分析用戶行為和偏好，瑞幸能夠提供高度個性化的推廣活動和產(chǎn)品推薦，提高了銷售轉(zhuǎn)化率和顧客忠誠度。
3. 智能監(jiān)管和預(yù)測系統(tǒng)：AI 不僅用于顧客端的個性化推薦，還深入到門店運營管理中。通過實時監(jiān)控訂單流量、預(yù)測銷量，AI 幫助門店優(yōu)化庫存管理和員工效率，甚至在無需人工干預(yù)的情況下自動調(diào)整產(chǎn)品供應(yīng)鏈。
4. 迭代速度和新品開發(fā)：瑞幸的新品開發(fā)速度非常快，這得益于其 AI 系統(tǒng)能夠快速分析市場反饋和銷售數(shù)據(jù)，加速產(chǎn)品迭代周期，及時推出符合市場需求的新產(chǎn)品。
5. 數(shù)據(jù)驅(qū)動的決策制定：在瑞幸，幾乎所有的商業(yè)決策都是基于數(shù)據(jù)和 AI 分析結(jié)果來進行的，無論是市場營銷策略、產(chǎn)品開發(fā)還是供應(yīng)鏈優(yōu)化，都以數(shù)據(jù)為基礎(chǔ)，確保了決策的準(zhǔn)確性和有效性。

瑞幸的故事也為其他企業(yè)提供了重要的啟示：在大數(shù)據(jù)和 AI 技術(shù)不斷進步的今天，企業(yè)可以通過技術(shù)創(chuàng)新，特別是智能化的應(yīng)用，來實現(xiàn)業(yè)務(wù)的快速增長和市場競爭力的提升。同時，這也表明了未來商業(yè)競爭的一個重要趨勢：應(yīng)用先進的 AI 技術(shù)和數(shù)據(jù)分析能力將成為企業(yè)獲得核心競爭力的關(guān)鍵。

四、實踐案例 chat GPT 的應(yīng)用場景

盡管 AI 技術(shù)在企業(yè)中的應(yīng)用案例眾多，有時我們?nèi)匀粫l(fā)現(xiàn)自己對如何將 AI 融入日常工作以提高效率感到困惑。在眾多 AI 產(chǎn)品中，OpenAI 的 ChatGPT 無疑是最具潛力的工具之一。然而，如果我們僅將其視為一個高級搜索引擎，那么就大大低估了它的能力。

在探索 AI 如何優(yōu)化工作流程的過程中，我開發(fā)了兩個定制化的 ChatGPT 應(yīng)用：一是 PRD 撰寫助手，它能根據(jù)提供的項目信息自動生成產(chǎn)品需求文檔，極大簡化了文檔編寫工作；二是智能素材庫管理助手，這個工具可以自動為上傳的素材判斷業(yè)務(wù)領(lǐng)域、類型，進行自動打標(biāo)簽和命名，有效提高了素材管理的效率。這兩個案例展示了通過 AI 定制化開發(fā)，將 ChatGPT 嵌入到工作流程中，關(guān)鍵在于我們?nèi)绾味x任務(wù)和提出問題。一旦我們掌握了這些技巧，ChatGPT 便能成為提升工作效率的強大助力。我們能夠針對具體的工作痛點設(shè)計解決方案，從而在各自的領(lǐng)域內(nèi)實現(xiàn)工作效率的顯著提升。

1. 開胃小菜：需求文檔 GPT 助手

這天領(lǐng)導(dǎo)突然讓我產(chǎn)出一份 PRD 文檔，11 點開會評審的時候要用，當(dāng)時已經(jīng)是 10 點了。一個小時如何快速產(chǎn)出一份完善的 PRD 文檔？這個時候 GPT 就派上用場了。但是項目背景、項目核心功能、產(chǎn)品目標(biāo)什么的你一個一個地去和 GPT 聊，首先先不說它能不能形成連貫性思維，它可能會把你的問題逐個分析處理，但是不會數(shù)據(jù)留檔，其次它所生成的內(nèi)容會說的很空很概念化，會具備一定的參考價值，但是還需要你結(jié)合項目情況進行二次調(diào)整。有這個時間不如去小紅書上找?guī)讉€模板自己套一下。

Chat GPT 4 有一個很核心的功能就是自定義 chat gpt，你可以創(chuàng)建屬于你的專屬 GPT。你甚至可以通過大白話的形式和它交流，它會根據(jù)你的要求更新指令(prompt)，并部署 GPT。但是這個要求指令需要步步引導(dǎo)，且等待它理解你的意思并優(yōu)化成相對規(guī)范的 prompt 也是非常耗時間的。我們要學(xué)會利用格式規(guī)范，以 ai 可以快速理解的格式與之交流，不僅可以快速部署，且規(guī)范化指令會讓 GPT 的輸出更加穩(wěn)定。

所以在我部署 GPT 之前，我會對 prompt 進行三大要素的梳理：

規(guī)范性

專業(yè)性語言：通過整個描述，采用了專業(yè)術(shù)語，如“PRD 文檔框架-潤色”、“專家級 ChatGPT 提示工程師”等，確保了溝通的專業(yè)性。

角色設(shè)定：明確了與用戶互動的角色（專家級 ChatGPT 提示工程師）和用戶的稱呼（張老師），規(guī)范了雙方的互動模式。

行動指引：對于每一步驟，給出了明確的動作指引，如“詢問是否繼續(xù)執(zhí)行”、“確認(rèn)活動中的專家角色”等，為用戶提供了清晰的指導(dǎo)。

格式化

編號列表：采用了編號列表的格式，將整個流程分為 17 個步驟，每個步驟都有明確的編號，便于閱讀和理解。

步驟清晰：每一步的任務(wù)都被清楚地分解和描述，格式一致，每個步驟都獨立成段，易于跟蹤和執(zhí)行。

邏輯性

邏輯順序：從用戶的需求出發(fā)，到角色的確認(rèn)，再到具體的執(zhí)行步驟，最后是反饋和調(diào)整，整個過程呈現(xiàn)出明確的邏輯順序。

條件邏輯：在一些步驟中嵌入了條件邏輯，比如如果用戶同意或不同意，會有不同的后續(xù)行動，這樣的設(shè)計提高了互動的靈活性和適應(yīng)性。

反饋循環(huán)：在流程的最后階段，通過詢問用戶的滿意度和是否需要更改，形成了一個反饋循環(huán)，確保能夠根據(jù)用戶反饋進行調(diào)整，以達到用戶的期望。

完整的 PRD 文檔助手 prompt

簡單的描述項目背景后限定角色

直截了當(dāng)?shù)奶岢鲂枨?/span>

GPT 會提出一系列關(guān)鍵點問題

“有條理性的回復(fù) GPT 的問題”后直接產(chǎn)出 PRD 文檔

2. Chat GPT 接入項目場景

ok，這只是 AI 在工作效率提升方面的一個小示例。然而，AI 的潛力不僅限于工作之外的領(lǐng)域，它也能深入工作場景中，為產(chǎn)品帶來實質(zhì)性的提升。目前，我正在公司開發(fā)一個內(nèi)部素材庫平臺。實際上，每個公司都擁有自己的設(shè)計資源，但這些圖片素材通常分散在各處——有些存放在公司的內(nèi)部平臺上，有些仍舊留在設(shè)計師的個人電腦中，而有些則遺失在公司的某個塵封文件夾中。問題在于，如何整合公司現(xiàn)有的素材，以便設(shè)計師能夠在使用時迅速找到所需資源。一般來說，公司會建立素材庫平臺或指派專人管理內(nèi)部素材來解決這一問題。但我在建設(shè)素材庫時發(fā)現(xiàn)，簡單地將所有素材匯集到一個平臺上對設(shè)計師并不是很有幫助。他們還需要從中挑選所需素材。如果沒有一套規(guī)則或系統(tǒng)對素材進行分類管理，使用者面對一大堆素材時會感到頭痛。我知道我需要的素材就在這堆里，但就是找不到。到頭來，我寧愿上網(wǎng)搜索一張進行修改，或者干脆自己GC一張。因此，對內(nèi)部素材進行初步篩選變得十分必要：業(yè)務(wù)、素材類型。這涉及到按照公司內(nèi)部業(yè)務(wù)進行分類，以及根據(jù)素材的現(xiàn)有類型（如3D、插畫、真實圖像、紋理氛圍等）進行一級篩選，這是最基本的操作。

但由于公司內(nèi)部許多素材都是 GC 的，命名往往是一串無規(guī)律的字符。即便利用算法支持的圖像內(nèi)容識別技術(shù)，通過圖文搜索能力來快速篩選素材，準(zhǔn)確性仍舊不盡如人意，無法全面覆蓋所有素材，導(dǎo)致大量素材難以被有效檢索。這就凸顯了建立一個標(biāo)簽庫的必要性。如果有一套完整的標(biāo)簽體系來管理和分類素材，那么通過標(biāo)簽搜索就成為了一種常見的管理方式，類似于在素材網(wǎng)站如花瓣、千圖等可以看到的，每個素材下都有一些描述性的標(biāo)簽。這個方向是正確的，但是問題在于如何為初次上傳的素材進行標(biāo)記。理想的情況下，是通過算法基于模型分析圖像內(nèi)容后進行智能打標(biāo)。

但這里又出現(xiàn)了一個問題，先不論算法打標(biāo)的準(zhǔn)確性，它真的就是識別素材內(nèi)容后打上相應(yīng)的元素標(biāo)簽，這樣的復(fù)用性極低。比如，我上傳了一百張素材，它可能會為我生成 100 個不同的標(biāo)簽。如果公司就 3D 風(fēng)格的素材就有幾萬張，那么維護一個如此龐大的標(biāo)簽庫就變得不現(xiàn)實，喪失了其意義。我點擊一個標(biāo)簽可能只能篩選出一張圖，這并沒有有效地利用標(biāo)簽對素材進行管理。

因此，我開始嘗試訓(xùn)練 GPT 來進行自動化打標(biāo)，并限定在一個預(yù)設(shè)的標(biāo)簽池中進行選擇。這樣不僅能實現(xiàn)自動化打標(biāo)，還能對標(biāo)簽庫進行有效管理和維護。我們只需要按照固定的格式去投喂標(biāo)簽庫的標(biāo)簽，這一步可以將格式給 GPT，讓 GPT 按照該格式針對素材類別進行分類總結(jié)，可以快速整理標(biāo)簽庫，我以類別維度去搭建的標(biāo)簽格式：

一、主要類別（1）子分類 [具體標(biāo)簽]。

大概整理了 17 個主要類別，基本囊括 80%的圖片素材類別，后期也會定期維護更新。

解決了標(biāo)簽自動化的問題之后，我再次嘗試上傳素材，卻發(fā)現(xiàn)效率并沒有顯著提高。因為每當(dāng)我上傳一張素材時，我需要選擇業(yè)務(wù)歸屬、素材類型、標(biāo)簽，最后還得為素材進行命名。我開始思考，如果這所有的素材信息都能被自動填充，那將大大提高上傳效率。因此，我首先對素材進行了全面的命名規(guī)范：

業(yè)務(wù)（判斷）-素材類型（判斷）-標(biāo)簽一、標(biāo)簽二、標(biāo)簽三-人物描述/物體名稱（判斷，不超過 4 個字）-動作/場景/特征（判斷，不超過 6 個字）。

素材的名稱即為：

人物描述/物體名稱（判斷，不超過 4 個字）-動作/場景/特征（判斷，不超過 6 個字）。

例：一張女足的素材。全命名為“業(yè)務(wù)-3D-青年、運動健身、運動員-女孩-踢球”。

我們在 prompt 中加入現(xiàn)有業(yè)務(wù)并附帶判斷要求，及現(xiàn)有素材類型并附帶判斷要求：

業(yè)務(wù)類型及判斷要求（脫敏）

限定素材類型

然后我們對命名進行規(guī)范，和命名的輸出規(guī)范：

命名規(guī)則

最后針對于標(biāo)簽的打標(biāo)進行具體的規(guī)則限制：

打標(biāo)規(guī)則限制

看一下效果：

上傳素材后 GPT 進行批量輸出（牽扯公司業(yè)務(wù)，業(yè)務(wù)暫不展示）

完成這一切的部署，可以批量化上傳素材，針對素材信息進行自動填充，人工只需要審核即可。寫一個腳本進行批量上傳后自動打標(biāo)，在 Agent 中把邏輯設(shè)定好，每個圖片對應(yīng)一個 json，一晚上 GPT 就可以打完所有的標(biāo)簽了。

3. Prompt 的有效輸出

對于高效的 Prompt 輸出，可以通過以下幾點進行分述：

格式規(guī)范性：

格式的規(guī)范性是確保信息傳達清晰的基礎(chǔ)。它包括適當(dāng)?shù)氖褂每崭瘛⒖s進和換行來區(qū)分不同部分和層級。

通過合理布局，使 Prompt 的結(jié)構(gòu)清晰、易于閱讀，有助于用戶和 AI 系統(tǒng)更快地理解和執(zhí)行。

邏輯嚴(yán)密性：

Prompt 應(yīng)按照邏輯順序組織信息，確保每一步都建立在前一步的基礎(chǔ)之上，避免邏輯跳躍或矛盾。

邏輯的嚴(yán)密性確保了指令的明確性和執(zhí)行的可行性，減少了解釋的歧義。

善用標(biāo)點符號：

通過適當(dāng)使用標(biāo)點符號來對指令進行層級區(qū)分和細(xì)節(jié)說明，可以提升命令的準(zhǔn)確性和易懂性。

例如，使用逗號和分號分隔同級項目，括號內(nèi)注明附加說明或條件，以清晰表達復(fù)雜的指令集。

深厚的專業(yè)知識：

編寫專業(yè)級 Prompt 要求編寫者不僅具備相關(guān)領(lǐng)域的深厚知識，還要了解特定領(lǐng)域內(nèi)的術(shù)語和概念如何在 AI 系統(tǒng)中應(yīng)用。

這包括選擇合適的術(shù)語和表達方式，使其既準(zhǔn)確又容易被 AI 系統(tǒng)理解和執(zhí)行。

精確的語言表達：

高質(zhì)量的 Prompt 輸出需要精確的語言表達能力，以避免歧義和誤解。

通過明確的指令和表述，減少 AI 執(zhí)行時的錯誤率，提升整體的工作效率。

針對 AI 的優(yōu)化：

考慮 AI 的理解能力和解析方式，在編寫 Prompt 時進行優(yōu)化，以確保 AI 能準(zhǔn)確無誤地執(zhí)行指令。

這可能涉及調(diào)整表達方式、使用特定的結(jié)構(gòu)或關(guān)鍵詞，以適應(yīng) AI 處理的特點。

可以給大家再分享幾個高效的 Prompt：

文學(xué)教授（角色）“限定規(guī)則格式”

專業(yè)級 Chat GPT 提示工程師

總結(jié)

AI 的強大之處無疑類似于一輛高性能跑車，具備驚人的速度和效率。然而，要讓這輛跑車在實際工作場景中發(fā)揮其最大潛力，前期的準(zhǔn)備工作至關(guān)重要。這不僅涉及到將路鋪設(shè)好，還需要設(shè)置好護欄、道路信號和明確的指引。在 AI 的世界里，編寫有效的 Prompt 相當(dāng)于鋪設(shè)道路，而格式化和規(guī)則的設(shè)定則如同增設(shè)護欄和道路信號，確保 AI 能夠在正確的軌道上高效運行。

要讓 AI 成功嵌入工作流中，并找到合適的應(yīng)用場景，關(guān)鍵在于我們需要精心設(shè)計和部署這個場景，明確規(guī)則和限制條件。這意味著，我們需要深入理解 AI 的工作原理和能力范圍，同時也要對工作流程有充分的把握。我們要預(yù)設(shè)那些可以由 AI 自動完成的任務(wù)，識別那些需要人類智慧介入的環(huán)節(jié)，從而構(gòu)建出一個既能發(fā)揮 AI 優(yōu)勢又能符合實際工作需求的系統(tǒng)。精心編寫的 Prompt 不僅要能夠引導(dǎo) AI 理解我們的具體需求，更要能夠確保 AI 的輸出符合預(yù)期，避免偏差和誤解。格式化和規(guī)則的設(shè)置則進一步確保了 AI 在處理任務(wù)時的準(zhǔn)確性和安全性，就像給跑車設(shè)置了正確的行駛路線和速度限制，既保證了運行效率，又避免了潛在的風(fēng)險。

總之，將 AI 嵌入工作流中，要求我們不僅要了解 AI 的潛力，還要精心設(shè)計其運行的環(huán)境和條件。通過這種方式，我們才能確保 AI 像一輛得到精確指引的跑車，既能在工作中發(fā)揮出最佳性能，又能確保沿著正確的方向前進。對于 AI 的探索還在繼續(xù)，讓我們盡情期待！