在眾多進階但複雜的 LLM（大型語言模型）使用心得中，我發現只有 Google 針對 Workspace 的教學讓我印象深刻並能夠牢記。這並不是因為其內容特別深奧或創新，而是因為其簡潔明瞭。
Google 的教學文件主要針對 Gemini for Workspace，但我認為這些原則同樣適用於所有 LLM。這份教學之所以令人印象深刻，是因為其「最高指導原則」與我追求的「極簡」理念高度契合。整份文件長達 68 頁，涵蓋了 11 種生產力情境的範例。然而，我認為只需遵循以下幾個原則即可：
- 使用自然語言：將其視為與他人對話的過程。
- 具體表達：清晰且反覆說明你的需求。
- 明確動詞：使用動詞來清楚地表達任務需求。
- 提供背景資訊：儘可能提供充分的背景資訊。
- 簡潔用語：避免過於複雜或使用過多行話。
- 視為對話：不要將其視為下達指令，而是進行「對話」。
- 分開任務：避免在一個 prompt 中執行多個任務，應將其拆分開來。
遵循這些原則，可以更有效地利用 LLM，提升工作效率。
掌握這些原則的重要性在於，絕大多數的人往往無法做到。Google 提供了一個關鍵數據：最有效的 prompt 平均長度為 21 個字，但大多數使用者的 prompt 卻少於 9 個字。換句話說，僅僅能夠「清楚表達」的使用者，可能就已經位於前四分之一（甚至更高）的範疇。這顯示出有效溝通在使用 LLM 中的關鍵性，強調了提升表達能力的重要性。
面對日新月異的生成式 AI 技術，僅僅學習 Google Gemini 或只專注於 Workspace 情境下的應用顯然是不夠的。然而，究竟什麼才算足夠呢？在回答這個問題之前，我認為有必要先定義「需求情況」。在一般情況下，我認為以下三個能力比掌握新技術或學習新工具更為重要：
- 動機：明確「想」做什麼。模型的能力上限通常取決於操作者本身的意圖和動力。
- 思考：清楚「如何」進行，包括任務拆解、流程設計及精確表達的能力。
- 校驗：具備足夠的常識或領域知識，以檢查 AI 生成的結果是否合理。
這讓我想起一個長期以來的中心思想：如果當下沒有迫切需要、強烈想要或好奇的事情，亦或是必須改善效率的任務，就應避免對生成式 AI 工具進行過度研究。
本文參考數位時代https://www.bnext.com.tw/
