AI 提示工程终于完蛋了，没想到掘墓人是中国的DeepSeek DeepSeek 杀疯了， 除夕日这家国产AI登顶了各大国家的应用榜第一 连美国总统特朗普都惊动了 万万没想到，GPT-4 发布之后不到2年， 中国在AI领域就实现了追赶甚至反超！ 下面的图里， 蓝色就是 deepseek 的 R1 模型的指标， 和最强的o1（灰色）比也不相上下！ 目前最好用的AI，没有之一为什么说它是最好用的AI? ? 完全免费,不用充值200刀 ? 不用翻墙,国内直接用 ? 中国用户可注册,不会封号 ? 智能理解需求,不用写复杂提示词 ? 不限量使用 ? 代码和写作能力顶尖 回答效果不输 o1 歪果仁用了都说好！ Hacker News 上的老哥盛赞： 比 ChatGPT,Claude, Gemini 都好用！ 怎么用？访问官网: https://chat.deepseek.com/ 或直接搜索下载 DeepSeek APP使用要点:记得开启深度思考模式直接用自然语言表达需求告别繁琐的提示词工程提示词怎么写？ 直接聊！ o1 出来的时候感觉不怎么要写提示词了， 但是一个月一千多的订阅费是真的贵啊！ DeepSeek 直接，免费用！免费用！ 这回是真的把提示词工程干死了！ 如果你对 DeepSeek 和 GPT O1 这类推理模型的原理感兴趣， 推荐你看下面我在 AIGCLink 开发者大会上关于 o1 的分享。 2024 年度总结：提示工程的终结和新生这是我在中国AIGC开发者大会上的分享 PPT 和逐字稿， 希望这是我最后一次关于提示工程的分享。 我是云中江树， 非常荣幸能与大家相聚在AIGC开发者大会， 共同探讨一个热点话题: 提示工程。 我今天的分享主题是： “提示工程的终结与新生：从过程到目标”。 过去 1 年， 我们见证了AI技术的飞速发展， 尤其是以 GPT-o1 为代表的大语言模型， 揭开了大模型发展和应用的崭新一页。 今天，我将从 “提示词的变化”、 “o1 带来的提示范式转移”、 “复刻o1” “智能体的四个层次” 等四个方面，与各位分享我的思考。 第一部分：提示词变化近期，我们见证了提示工程领域的深刻变化: 提示词变得越来越简单，但效果却越来越好。 这背后反映了提示工程领域的巨大进步， 特别是 GPT o1 推理模型带来的范式转移。 之前的提示工程，像编写程序一样繁琐： 需要详细步骤、固定格式、反复调试， 甚至大量的人工干预。 但如今，随着模型能力的跃升， 提示词越写越简单，却越来越有效。 例如， GPT-o1只需一句话就能生成“咪蒙味”文章， 而GPT-4o要复杂的提示词生成咪蒙风标题。 如果要总结一下提示工程的原则， 我觉得李继刚提的乔哈里视窗总结的很好： 人知道，AI知道：“简单说”； 人知道，AI不知道：“喂模式”； 人不知道，AI知道：“提问题”； 人不知道，AI不知道：“开放聊”； 通过平面直角坐标系来建模有几个问题： 各区域的大小关系体现不准确 各区域的变化关系不准确 因此，我更喜欢用韦恩图来说明各个部分。 有一点很重要的是 如今，以GPT-o1为代表的模型， 正快速填补“人已知而AI未知”的空白区域， 让协作效率成倍提升。 对个人来说， 个人已知而AI未知的区域正在萎缩， 人未知而 AI 已知的区域正在快速扩大。 也就是说：AI 正在变得比专家还要聪明 原来的 AI 不如专家，需要人工拆解任务 现在的 AI 比专家还厉害，只需要提需求 传统的人工拆解任务的“过程导向”正转变为 只需清晰描述结果的“目标导向”。 面向过程的提示法已变成面向目标的提示法 这种面向目标的提示方法的公式是： 必要信息 + 清晰目标 = 高质量输出。 举个例子： 若需一份市场分析报告， 只需提供销售数据、竞品信息，并明确 “趋势分析”“客户特征”“差异化建议”三大目标， AI便能自主规划路径，生成专业内容。 第二部分：GPT-o1 提示词四大原则根据 GPT O1 的官方资料， GPT-O1的提示词有四大核心原则： 原则1：简单直接第一个原则是"简单直接"。 现在的提示词不需要复杂冗长, 我们只需编写简洁明了的提示语, 直接告诉模型我们想要什么, 它就能产出最佳结果。 原则2：无需显式思维链与早期模型不同, O1模型具备强大的推理能力。 我们不必手把手告诉它每一个思考步骤, 它能够自主进行推理并执行任务, 这大大简化了我们的工作。 原则3：结构化表达这里我们推荐使用markdown、 XML标签等结构化格式来组织提示词。 为什么要这样做呢？因为结构化的格式 不仅能提高模型理解的准确性, 还方便我们后期进行故障排查。 原则4：“展示”而非“指导”这是一个很有意思的原则： 我们不需要事无巨细地指导模型, 而是通过提供相关的上下文示例, 帮助模型理解任务的广泛领域。 这就像是我们在教学生一样, 给他们看例子比直接告诉他们答案更有效。 来看一个具体的例子。 这里我们展示了三个版本的五言诗创作过程。 左边是GPT-4o在描述不详细时的结果 - 可以看到,结果并不理想。 中间是GPT-4o在详细描述后的结果,虽然正确但显得过于复杂。 而右边是GPT-01的表现 - 只需一个简单的描述"写一首五言诗,主题:开发者大会真棒",就产出了优质的结果。 这个例子完美诠释了我们刚才讲的第一个原则:"指明任务,简单直接的表述即可"。 过于详细的描述反而会干扰模型发挥。 再来看第二个例子, 这次是关于字符统计的任务。 这个例子很好地展示了"无需思维链"的原则。 我们可以看到,当让GPT-4o直接回答"strawberry中有几个r"时,没有思维链指导的结果是错误的。 但是GPT-01即使没有思维链指导,也能得出正确答案。 而GPT-4o在有了思维链指导后,虽然也能得到正确答案,但过程显得繁琐。 新一代的语言模型已经具备了强大的自主思考能力,我们无需再使用"Think step by step"这样的表述,也不需要指明完成任务的具体步骤。 模型会自行思考如何最优实现任务目标。 第三部分：复刻 o1让我们深入了解O1模型的工作流程。 O1的工作方式与传统模型有根本的不同。 首先, O1模型采用"先思考,后回答"的工作模式。 这意味着它不会立即给出答案, 而是会先进行推理分析。 我们看右边这张图, 每个Turn中都包含了Reasoning(推理) 和Output(输出)两个关键步骤。 具体的工作流程可以分为六个步骤: 问题分析: 模型首先理解与重构用户的问题 任务分解: 复杂问题拆分成可管理的子任务 系统执行: 按照步骤化的方式解决问题 方案优化: 探索最优的解决方案 自我评估: 验证结果的准确性 自我纠正: 必要时进行错误修正 这个流程保证了输出结果的质量和可靠性。 右边的示意图展示了模型 如何在128k tokens的上下文窗口中, 通过多轮交互来逐步完善答案。 它们能够自动拆解任务，逐步解决问题，最终生成高质量的结果。 我们来看看如何用开源AI模拟O1。 这对我们理解和应用O1模型非常重要。 首先看左边的系统提示词。 它明确规定了几个关键要求: 你是专业的AI助手需要逐步解释推理过程使用JSON格式回应包含title(标题)、content(内容)和next_action(下一步行动)三个关键字段右边是一段模拟O1工作流的伪代码, 它展示了完整的思考过程: 问题分解: 将复杂问题拆解为子任务方法选择: 确定最适合的解决方案推理过程: 执行详细的思考步骤结果验证: 验证推理结果的准确性替代方案: 探索其他可能的解决路径这个思考框架确保了每个步骤都是透明的、 可追踪的, 而且包含了明确的推理过程和决策依据。 第四部分：思考与展望从更宏观的角度来看， 我们正在经历一个范式转移： 从"面向过程"到"面向目标"。 以大模型为基础的应用可以分为五个部分， 除去底层的模型， 用广义的智能体定义来看 可以将智能体划分为四个层次： 提示词工程（Prompt）链式调用/工作流（Chain/Flow）AI智能体（AI Agent）多智能体系统（Multi-Agent）未来的工作范式 将从“人为中心”转向“AI为中心”， 系统架构将从“面向过程”转向“面向目标” 提示工程的“终结”，并非消失， 而是蜕变为更自然的交互方式。 当AI能理解意图、自主规划时， 我们的角色将从“程序员”转变为“目标指挥官”。 最后，我想用一句话总结今天的分享： “最好的提示词，是让AI忘记提示词的存在。” 如需进一步交流， 欢迎通过微信公众号“云中江树”与我联系。 感谢大家的聆听！ 最后2025年，我们正站在AI发展的新起点。 愿我们既能拥抱技术变革， 也始终保持探索的热情， 在这场AI革命中找到属于自己的位置。 新年快乐！