杭州做网站的公司哪家好识万物扫一扫

“问渠那得清如许？为有源头活水来。”——朱熹《观书有感·其一》

要问池塘里的水为何这样清澈呢？是因为有永不枯竭的源头源源不断地为它输送活水。在AI时代，文科思维就如同这源头活水，为AI的发展和应用带来新的思路和方法。文科思维所具备的洞察事物本质、清晰阐述底层逻辑的能力，能够为AI的有效运用提供源源不断的动力，使AI在各个领域发挥更大的作用。

今日，同事向我们展示了其在AI助手研究领域的前期成果，并就当前面临的挑战展开了深入探讨。那么，AI助手究竟具备哪些具体功能呢？

简而言之，在企业级软件管理控制台中，以往管理员需通过点击操作来完成诸如创建用户、查询用户等任务。随着AI技术的迅猛发展，我们萌生了一个大胆的想法：能否像呼唤小爱同学那样，直接向AI下达“帮我创建一个用户”或“帮我查询一个用户”之类的指令呢？基于这一设想，我们开展了相关研究，并开发出了初步的原型。

然而，我们很快便发现了其中存在的挑战。具体而言，主要有以下四个方面的挑战：

第一个挑战在于，大模型语言AI在单个Function Call上的成功率较低。这意味着什么呢？当用户向AI助手提出需求时，后台会将用户的指令与软件支持的操作（即Function Call）一同发送给大语言模型（LLM）。大语言模型会对用户指令进行语义解析，并尝试匹配相应的操作。

例如，若用户指令是查询一个用户，大语言模型就需要从众多操作（如1000个）中找出与用户自然语言指令相匹配的Function Call，进而正确调用并完成查询操作，这便是AI调用的过程。

但该过程并非十全十美，存在一定的错误率。有时，AI虽能理解语义并找到对应的Function Call，却无法按照正确格式返回结果，此即指令遵从性问题。

伯克利大学设计了一个评测集，其中包含操作指令集和一系列Function Call，用于评估市面上流行的大语言模型。根据伯克利大学的评测结果，单次Function Call的正确调用率最高仅能达到80%左右，这便是我们面临的首个挑战。

那么，如何解决这一问题呢？我们可以借助提示词工程的方法来提高大语言模型（LLM）找到Function Call的准确率。

首先，我们需要针对自身业务场景设计专属的评测集，其中涵盖自然语言操作指令集以及对应的Function Call操作描述集合。

什么是自然语言操作指令集呢？以我们的场景为例，用户操作包括创建用户、删除用户、查询用户、重置用户密码等一系列操作，这些操作共同构成了一个指令集。

随后，我们还需针对各个操作准备与之对应的详细操作接口描述，即Function Call的描述。例如，针对创建用户、重置用户信息、查询用户等操作，分别进行细致入微的描述。

接下来，我们要运用提示词工程的方法对提示词进行精心优化，使大模型能够依据这些提示词，精准无误地将用户的自然语言指令与对应的Function Call相匹配。为满足商业应用的要求，准确率需提升至90%以上，这便是应对首个挑战的解决之道。

那么，第二个挑战是什么呢？

了解上述过程后，我们很快意识到企业级软件中Function Call数量增长可能带来的问题，这构成了我们需要应对的第二个挑战。

设想企业软件的管理控制台，若要全面支持AI助手调用，其背后的API操作集可能多达数百乃至上千个。每次用户输入自然指令后，我们都需以Function Call的格式清晰准确地描述每个API，并将其全部传递给LLM大模型。如此一来，内容会变得极为冗长，进而引发两个主要问题：

其一，成本会显著增加。调用LLM大模型时，输入内容越多，成本就越高，这与token数量的消耗直接相关。

其二，准确率会受到影响。显然，在10个操作中寻找正确方法，要比在1000个操作中寻找容易得多。因此，当Function Call数量过多时，准确率会随之降低。

为解决这些问题，我们需要制定一套Function Call分类策略。这样，LLM大模型在查找时，可将搜索范围缩小至特定领域，从而提高效率和准确率。

为缩小一次性向大模型传递的Function Call列表范围，在调用LLM大模型之前，我们可依据语义进行筛选。例如，若判断用户的意图是进行与用户相关的操作，那么我们只需传递用户相关的Function Call集合，而无需传递机构操作或其他无关操作的集合。

如此一来，原本可能需传递的500个Function Call，现在或许仅需传递10个，大模型便能完成所有与用户相关的操作。

这便是应对我们所面临的第二个挑战的可行思路。

接下来，我们探讨第三个挑战。

当前，大模型在多轮任务调用场景下的成功率普遍偏低。以伯克利的评测结果为例，DeepSeek在多轮调用场景中的成功率仅为18%，尚未达到20%。

那么，什么是多轮调度呢？我们以“创建用户”这一指令为例进行说明。假设我们需要在武汉创建一位特定用户，用户姓名为某某某，期望AI助手协助完成此任务。在此过程中，AI需要调用多个后台服务：首先，查询武汉该机构的信息，获取其ID；接着，调用创建用户的服务，因为需要把机构的ID作为参数传递进去。

然而，大模型在执行这种多任务调用时会频繁出错。为解决这一问题，我们需要赋予大模型规划能力，使其能够将任务拆解为多个步骤，并制定执行计划，就像前段时间备受瞩目的Manus那样。

以“在武汉下面创建用户”这一指令为例，大模型需要将其拆解为两个步骤：先查找武汉这个节点，再调用创建用户的功能。通过这种任务拆解方式，大模型的执行成功率将显著提高。

接下来，我们探讨第四个挑战：AI的容错机制。

无论AI多么智能，错误率问题都难以避免。因此，在与AI助手交互时，我们必须设计一些容错机制来应对这些错误情况。例如，当AI无法识别某个指令时，应能够礼貌回应：“对不起，我听不懂。”

还有一种情况是，AI可能误解指令。比如，我让AI查询某个用户，它却误以为是重置用户密码。为了防范此类极端错误，我们需要在交互设计中融入一些容错机制。

具体来说，我们可以让AI在执行指令前进行确认。例如，AI可以询问：“您是要查询某某某用户吗？” 待用户确认后，AI再开始执行查询。通过这种方式，能够有效减少极端错误的发生。

回顾我们在企业级软件中应用AI的初步探索中发现的挑战，起初，我们认为此事看似简单，但深入实践后，才发现其中充满了各种复杂性和挑战，事情并非想象中那么容易。因此，面对任何问题，我们都不应轻易下结论，而应深入实践、亲身体验，才能做出更准确的评估。这是我的第一点感悟。

那么，这四种挑战的解决思路能否成功呢？我坚信，在业界长期使用AI的过程中，每个问题都已经有了相应的解决方案，只是我们目前尚未完全掌握。随着研究的不断深入，我们一定能够克服这些困难。

此外，我还有第二点感悟：对提示词工程有了更为深刻的理解。特别是在探讨第一个挑战时，调整提示词成为了关键步骤。

我突然意识到，调整提示词本质上与传统编码中调试计算机语言代码并无差异。过去，我们习惯使用计算机语言精确下达指令，控制计算机和网络执行各种任务，这就是传统的编码模式。而进入AI时代，提示词工程师实际上开创了一种全新的编码方式，他们不再使用Java、Python等计算机编程语言，而是运用自然语言，并且指令的对象也不再是计算机，而是AI大模型。

简言之，过去，我们借助计算机语言来操控计算机和网络；未来，自然语言将成为操控AI大模型的主要手段。

当前，理科在社会中占据主导地位，文科则逐渐衰落——复旦大学甚至裁撤了许多文科专业。这是因为在计算机时代，社会对文科生的需求相对较少，而对计算机工程师的需求却持续增长，毕竟计算机是当今世界的基础。

然而，当AI取代计算机成为世界的新基石时，情况将大不相同。我们更需要的是引导AI，向它准确地描述问题、构建问题框架，而这正是文科思维的优势所在。

我想未来社会所需的大量人才，不再是精通计算机语言的传统程序员，而是擅长描述问题和解决方案的提示词工程师，这一转变必将引发文科的复兴。

回顾AI的发展历程，不难发现，许多突破都受到了文科生思维的启发。

例如，丹尼尔·卡尼曼的《思考，快与慢》对OpenAI的研究起到了至关重要的作用。还有像凯文·凯利、尤瓦尔·赫拉利等文科作者撰写的《失控》《人类简史》等一系列书籍，他们虽是文科生，却能洞察事物的本质，清晰阐述事物的底层逻辑，进而准确预测未来。

这正是文科的核心价值所在。文科的终极是哲学，哲学探究的是世界的本质。而要充分发挥AI的效能，我们需要清晰认知事物的本质，从而向AI发出准确的指令。

诚然，理科人才在AI时代依旧不可或缺，但仅需少量顶尖人才负责基础设施的维护即可。社会的大量需求将转变为具备文科思维、能够向AI精准阐述需求的人才。

因此，AI时代的到来必将推动文科生群体的复兴。未来10到20年，大学文科专业有望比理科专业更受青睐。