从 ADHDer 生活技巧到 LLM Prompt 优化
从 ADHDer 生活技巧到 LLM Prompt 优化：策略与思考
本文的目标是探讨 ADHD 患者在日常生活和工作中所采用的一些技巧，以及这些技巧如何应用于大型语言模型的prompt优化。ADHD 患者在组织任务、保持注意力、处理信息过载、适应变化，以及自我激励等方面可能面临一些独特的挑战。有趣的是，这些挑战与优化 LLM prompt 时面临的问题有着惊人的相似之处。
引言
在这个快节奏、充满挑战的世界里，我们每个人都在尝试更好地适应环境，发掘自己的潜力。对于像我这样被诊断为注意力缺陷多动障碍（ADHD）的人而言，这种努力显得尤为重要。
ADHD 不只是一个医学上的诊断，它实际上深刻地影响着我们的生活和工作方式。同样，在人工智能领域，大型语言模型（LLM）的出现让我们得以窥见人类思维和沟通的奥秘。在这些模型的使用中，所谓的 prompt engineering（优化模型指令的技巧）变得格外关键。
在深入讨论之前，我想先简单介绍一下 ADHD 的基本情况，以及大型语言模型 prompt engineering 的基本概念。这会帮助我们建立起对这两个领域之间相似性的基本理解。
ADHD 基础知识
注意力缺陷多动障碍（ADHD）是一种常见的神经发育障碍，通常在儿童期被诊断，并可能持续到成年。ADHD的主要特征包括注意力不集中、冲动行为和过度活跃。这些特征在不同的人身上表现出不同的程度，从而影响个体的学习、工作和社交能力。
ADHD并不仅仅是难以保持注意力，它还可能伴随着组织和时间管理的困难，以及对环境刺激的过度反应。虽然目前没有根治ADHD的方法，但通过药物治疗、行为疗法和适当的生活调整，很多ADHD患者能够有效地管理他们的症状，并在各自的领域内实现成功。
Prompt Engineering 基础知识
在人工智能领域，特别是在大型语言模型（LLM）的应用中，prompt engineering是一种关键技术。它指的是设计和优化用于指导模型回答的提示（prompt）的过程。好的prompt能够显著提高模型输出的相关性、准确性和创造性。
Prompt engineering的核心在于理解模型的工作机制并据此制定策略。这包括选择合适的语言、构造明确的查询和预期输出，以及考虑模型可能的解读和回应方式。这一过程需要创造性思维和不断实验，以发现最有效的方法来引导模型达到预期的结果。
技巧一：组织和计划
我们首先来谈谈“组织和计划”，这对于我们ADHD族来说，既是个挑战，也是我们掌握的一个关键技能。准确的组织和计划方法能让我们的生活更加有序。
对于ADHD患者而言，制定清晰的日常计划和目标是非常重要的。这可能包括使用日历、待办事项列表或是设置提醒，来帮助我们专注并减少分心。例如，我个人就非常依赖于我的日历提醒和每日任务清单，这让我能够保持在正确的轨道上。
现在，让我们看看这如何应用于大型语言模型的prompt优化上。优化prompt首先需要明确和具体。想象一下，如果你给LLM一个模糊不清的prompt，比如“写一篇文章”，这就像是对一个ADHD患者说“做一些事情”。结果可能是一篇关于任何主题、任何风格的文章，这显然不是你想要的。
相反，如果你使用一个优化过的、具体的prompt，比如“写一篇关于法国大革命的历史文章，采用叙述性的写作风格，长度约1000字”，这就像是给出了一个清晰的日程安排。这样的prompt指导模型产生的内容将更符合你的预期。你从一个模糊不清的指令，转变为了一个有组织、有目标的请求，这就是我们在生活中和在使用LLM时都需要掌握的组织和计划技巧。
技巧二：保持注意力
接下来，我们来聊聊如何保持注意力。对于我们ADHD者来说，这可能是个日常挑战，但也是我们可以通过实践和技巧来克服的。
对于ADHD患者，保持注意力的关键之一是创造一个无干扰的环境。这可能意味着在安静的房间工作，关闭不必要的通知，或者设定特定的工作时间。例如，我发现在没有电子设备干扰的环境中工作，可以显著提高我的专注度。
当涉及到优化LLM的prompts时，保持模型的注意力同样重要。一个常见的错误是提出一个过于广泛或含糊的prompt，比如“告诉我关于健康的一些事情”。这样的prompt可能导致模型输出一系列杂乱无章的信息，缺乏重点。
相比之下，如果我们提供一个更具体的prompt，例如“给我一份针对办公室员工的简短健康小贴士列表”，这就类似于在我们的大脑中设置了一个清晰的焦点。这样的prompt帮助模型集中注意力，产生更相关、更有价值的信息。
技巧三：处理信息过载
作为ADHD患者，我们经常面临信息过载的挑战。太多的输入会让我们感到不知所措，影响我们的决策能力和效率。但是，有些策略可以帮助我们更好地管理这种情况。
一个有效的策略是将大任务分解成更小、更易管理的部分。这样做可以减少压力感，帮助我们逐步处理信息。举个例子，面对一个复杂的项目，我会将其拆解为一系列小任务，并逐一完成，这样整体任务就不再那么令人望而生畏了。
在LLM的prompt优化中，我们也面临类似的信息过载问题。一个不太好的做法是给出一个过于复杂或范围过广的prompt，比如“解释全球气候变化的所有因素”。这样的prompt可能导致模型提供一大堆杂乱无章的信息，难以理解和使用。
相反，如果我们将这个大主题分解为更具体的小问题，比如“列举三个主要导致全球气候变化的人为因素”，这样就为模型提供了一个更清晰、更专注的指引。这样的prompt让模型能够更有效地处理信息，提供更有价值和可操作的答案。
技巧四：重新构框
ADHD患者经常需要通过重新构框来对抗无益的思维模式。这意味着用更积极或现实的方式重新思考任务。例如，当你在推迟开始一个项目时，可能会想：“这工作量太大了，要花很长时间。”试着用一个更积极的想法来纠正自己，比如：“如果我今天开始，我会感觉更好，而且明天的工作量就会减少。”
在LLM的prompt优化中，这种技巧也很有用。一个不好的例子可能是一个消极的prompt：“为什么我总是失败？”这样的询问可能导致模型提供负面的回答。相反，一个经过重新构框的prompt是：“我可以采取哪些步骤来提高我的成功机会？”这样的询问更可能引导模型提供实用和积极的建议。
技巧五：从小事做起
对于ADHD患者来说，将大任务分解为小任务是非常重要的。需要清理厨房？从橱台的一个小区域开始。一点点进展总比没有好。总是一次专注一个房间，并在需要时缩小到房间的一个区域。
在LLM的prompt优化中，采用类似的策略也很有帮助。一个不太好的例子是：“告诉我如何整理整个房子。”这可能导致模型提供过于宽泛和复杂的建议。一个更好的做法是：“我应该如何一步一步地整理厨房的橱台？”这样的prompt使得模型能够提供更具体和可行的步骤。
技巧六：先重复后回应
ADHD患者经常需要控制冲动反应。在回应之前，尝试重述对方所说的内容。这不仅可以澄清误解，还能给你时间思考回答。
在优化LLM的prompt时，这个技巧也同样适用。一个不太好的例子是直接回答一个复杂的问题，如：“解释量子物理学。”一个更好的做法是先提出一个简化的问题，如：“量子物理学有哪些基本概念？”这样的方法有助于先澄清概念，再进行更深入的探讨。
技巧七：明确你的目标
对于ADHD患者来说，明确最终目标和途中的小目标非常重要。专注于第一个小目标，设定截止日期，仅专注于此。如果感到压力过大，进一步细分你的小目标。关键在于开始行动。
在LLM的prompt优化中，这一技巧意味着要明确prompt的目标，并逐步解决。一个不好的例子是：“给我一份关于提高工作效率的全面指南。”更好的做法是细化，如：“为了提高工作效率，我应该从哪个具体方面开始？”
技巧八：与内心对话
对于ADHD患者来说，与内心进行对话是一种重要的自我反思和决策过程。这不仅帮助我们理解自己的想法和感受，还能在做出重要决定之前，对各种选择进行权衡。
在LLM的prompt优化中，这个过程可以被视为一种“自我对话式”的多轮交互。通常，人们可能仅提出一个简单的问题，并期待立即得到答案。例如，一个基础的prompt可能是：“如何解决工作中的冲突？”这种一次性的询问可能没有考虑到问题的复杂性。
相反，更有效的方法是通过多轮对话来深入探讨问题。首先，可以提出一个基础问题，如：“工作中常见的冲突有哪些？”在得到回答后，再根据这些信息提出更具体的后续问题，例如：“针对这些冲突类型，有哪些有效的解决策略？”这种多轮对话的过程类似于我们与自己内心的沟通，帮助我们更深入地理解问题并找到解决方案。
通过这种方式，LLM的使用者可以模拟自我思考的过程，逐步深入问题的核心，最终得出更全面和深入的结论。
结论
通过将ADHD患者的日常生活技巧与大型语言模型的prompt优化技巧相比较，我们可以看到两者之间的惊人相似之处。这不仅帮助我们更深入地理解ADHD，也为我们如何有效利用和指导大型语言模型提供了宝贵的见解。希望这篇文章能够启发到你，在生活中和技术应用上都能更加高效和有创造性！
往期文章▼