使用 AI 最大的问题，它能向下兼容。
以为自己在玩高级的东西，实际上行为很抽象……
而 AI 通过“向下兼容”或者“高级谎言”的方式，没让我们出丑。
下面四个实际上在构建“上下文垃圾场”的用法，分享给大家。
无则加勉，有则改之。
联网搜索模式
当前的 AI 工具都提供了联网搜索模式，初衷是帮助模型获取实时信息，弥补模型内部知识不足的问题。
是个很好的功能，但是在国内，不用更好。
这里面有两个坑：
- 搜索结果质量非常糟糕，尤其是中文互联网内容。过去十年中文互联网除了生产垃圾和“黄色新闻”（指那些毫无营养的社会边角新闻），几乎没有太多有价值的内容出现。还愿意在搜索引擎可见渠道发布的内容，基本都是营销或品牌宣传通稿，几乎没有有观点的信息。
- 搜索并不智能。你的某个需求可能被模型拆解成错误的检索词，叠加原本质量就不怎么高的信源，非常致命。海外的产品也好不哪里去，Grok 会把你的中文提炼出关键词后翻译成英文再搜索，但是它那个翻译非常垃圾……
对于模型已知的常识性问题，大模型大部分时候能够辨别信息的质量，去伪留真。
但是对于模型不知道的知识，检索的结果就是它能参考的唯一上下文。
再叠加大模型胡说八道的幻觉水平，这些“上下文”，只能放大错误。
且不说，今天中文互联网里的很多网站，本来就没啥信息量，还只显示 10%的内容……
检索错误 + 失真 + 残缺，堆在一起，就是上下文垃圾场。
深度思考模式
DeepSeek R1 的深度思考模式，给全世界带来了使用 AI 的新体验。
对于大部分任务来说，思考过程可以让模型有更多的上下文，用于生产最终的答案。
但也同时带来了一些灾难，尤其对幻觉严重、文化水平高、又很听话的那些 AI 来说。
思考模式，是通过微调强行为大模型增加的输出约束。
对于一些不需要思考、确定性强的任务，这个被“强加”的思考过程，就只能带来灾难了。
以“完成一个简单的单价计算”任务为例。
让 Kimi 使用长推理模式计算“生成 1 秒视频消耗 8 积分，1 元钱可以买 100 积分，1 秒视频的成本是多少？”，它在思考过程中多次出现“不可能这么简单”“是不是有隐藏条件”这种毫无意义的“延伸思考”。
这些思考，只会把 AI 带向错误的方向。
思考并不永远是好事，有时候只是在构建“上下文垃圾场”。
以为自己能训练AI
我在短视频里见过太多“我把 XX 所有的文章都喂给 AI 后，它真的写出了神级文案”这样的内容。
现实中也有好多人，为了让模型了解自己，守着一个对话窗口不放，所有任务、所有资料都塞在一起，还逢人就炫耀“我训练的 AI 太懂我了！”
其实，以上这些行为，比前面两种“构建上下文垃圾场”的举动还要糟糕。
主流的大模型确实都有超过 128K（~20 万汉字）的上下文记忆能力了，但这不意味着它能记住你所有的信息。
大模型的核心技术是一个叫做“注意力机制”的算法，它会在完成任务时聚焦在某些关键信息上。
这种给它塞入大量种类、目的分散的内容，与这个底层算法是相悖的。
除了让你的 AI 像无头苍蝇一样乱嗡嗡以外，不提供任何价值。
想想：你上一轮让 AI 以简单明了的语气帮你回复邮件的指令，会怎么影响即将要完成的周报任务，这可是一个“要尽可能编造废话以增加篇幅”的工作。
密密麻麻的约束
给大模型提出尽可能详细的要求来约束它的输出是对的，但不是所有要求都是对的。
我之前拆字节开源的 DeerFlow 项目，它的规划提示词里给出了非常多“MUST”约束，包括“必须全面覆盖”“必须足够深度”“必须足够数量”“必须可靠信源”。
但是，标准是什么呢？多少叫全面覆盖？多深叫足够深？自家产品抖X是可靠信源么？
这些没有标准，但又“必须”遵守的要求，除了让 AI 做无用功、生产幻觉以外，毫无意义。
一顿操作猛如虎，仔细一看，“上下文垃圾”。
Attention！
提示词工程，不是“给 AI 喂更多”，而是要确保“给 AI 喂对的”。
明确目标、信息充分、减少噪音。
用好 AI 的基本素养，需要持续修行。
我上周录了 15 堂小课，总结了过去三年我使用 AI 的心得。
核心围绕一件事：如何正确向 AI 提供信息、下达任务。
15 堂课包括 5 节认知内容和 10 节技巧内容
每节课都由一个场景误区、原因解释和快速改变的小技巧/自查清单组成。
其中，后面的 10 节技巧课，一半都是不需要你动脑子、直接让 AI 来实施的。
所以我给这套课起名「四两拨千斤」
另外，9月7日前报名，可以获赠一年的《AI 大事件》周刊。
