00:00 / 01:51
连播
清屏
智能
倍速
点赞8
00:00 / 09:51
连播
清屏
智能
倍速
点赞10
00:00 / 26:27
连播
清屏
智能
倍速
点赞8
00:00 / 01:58
连播
清屏
智能
倍速
点赞225
00:00 / 00:45
连播
清屏
智能
倍速
点赞NaN
画伞5天前
普通人如何使用AI解决实际问题? 💡 核心理念:AI First 思维 - 定义:遇到任何问题,先思考“AI 能不能帮我解决?” - 应用逻辑:不直接上手做,而是先设计 AI 的角色和任务,让 AI 完成从输入到输出的转化。 🛠️ 场景与痛点 - 场景:日常通过语音转文字工具(如“闪电说”)记录想法。 - 痛点: - 语音识别虽然快,但充满口语废话(嗯、啊、重复)。 - 专业术语识别错误(如 MECE 识别错、Claude code 识别为 Cloud code)。 - 内容缺乏逻辑,难以直接使用。 📝 解决方案:Prompt 迭代过程 - 初始设定:使用 Claude Opus 4.5 编写 Prompt。 - 要求将口语转化为符合 MECE原则(相互独立、完全穷尽)的结构化内容。 - 提供专业术语库,防止识别错误。 - 关键优化(V2版本): - 增加“静默执行”:为了跳过 AI 的寒暄(如“好的我来帮你...”),要求 AI 只输出结果。 - 指令强化:明确“禁止输出引导语”,直接进入工作状态。 ⚔️ 模型实测与踩坑 - Claude Opus:表现优异,能理解错误输入(自动纠正 MECE 的识别错误),Prompt 生成质量高。 - 豆包智能体:翻车。 - 问题:指令遵循能力弱,忽略了“优化助手”的身份,直接把用户的语音笔记当作“问题”去回答(Solution mode),而不是“翻译”它。 - 尝试修复:即使加强了“绝对禁止”的负向提示词,效果依然不佳。 - Google Gemini:成功。 - 使用 Gemini 的 GEM 功能(类似智能体)。 - 测试:输入极度口语化甚至故意结巴的内容(我我我...)。 - 结果:完美理解语意,输出了清晰的排查步骤,未受口语干扰。 🚀 总结与进阶建议 - 解决问题的层级: - Prompt:首选方案,快速验证。 - 更强的模型:如果 Prompt 写得好但执行烂,大概率是模型能力(Instruction Following)不够,建议换 SOTA 模型(Claude Opus, GPT-5, Gemini 1.5 Pro 等)。 - Agent Skills / Vibe Coding:如果需求更复杂,再考虑封装工作流或编写小工具。
00:00 / 11:54
连播
清屏
智能
倍速
点赞12
00:00 / 00:56
连播
清屏
智能
倍速
点赞10