在今天的专栏文章中，我将继续探讨如何通过提示工程策略和战术来最大化利用生成型AI应用程序，如ChatGPT, GPT-4, Bard, Gemini, Claude等。这次的焦点将是一个巧妙的提示策略，称为自我询问。
本质上，你要求生成型AI通过内部问答的分而治之方法来解决问题，并在解决过程中将这种方法展现给你。这个AI执行的逐步自我询问是链式思维（CoT）的增值版本。不用担心，如果这些科技术语听起来有点难懂，我会逐步用简单的语言解释这些内容，请保持耐心。
使用自我询问提示的好处是，你有时候能显著提升AI生成的结果。另一个好处是你可以清楚地看到AI是如何得出解决方案的。总的来说，这是一项值得称赞的提示工程技术，能够丰富你的提示工具包。
对于那些新的提示工程初学者，或者那些希望完善自己提示能力的资深提示工程师，你们可能会对我综合指南中介绍的五十多种关键提示策略感兴趣，可以在 这里看看相关讨论。有很多重要的技术已经被完善，并且请注意，生成型AI的使用很大程度上依赖于你如何巧妙地构建提示。基于这个准则，我一直在进行深入的系列报道，涵盖现有的和新兴的提示策略和战术。查看我的报道，以学习并巧妙地使用世界一流的提示工程方法。
好了，我们开始吧。
系好安全带，准备好迎接又一个将艺术与科学相结合的引人入胜且实用的旅程，这次我们将探讨如何巧妙地编写提示并最大限度地利用生成型AI。
介绍自我询问作为你的新首选技巧
在我深入介绍自我询问作为提示战术和策略的复杂性之前，我想提到一些之前我曾重点展示过的类似内容。请耐心等待，谢谢。这将是有用的背景信息。
光年AI的平台同样采用自我询问策略，不仅快速提升AI生成结果，还能展示整个分析过程。而且，光年AI支持国内外主流AI大模型，无需复杂操作或者外部资源。
如果你希望将自我询问技巧应用到你的业务中，不妨体验一下光年AI，它不仅能提高工作效率，还具备灵活的工作流和多平台整合功能，助你在微信、抖音、小红书等平台轻松管理流量，实现可观的增长。
探索更多提示技巧和优化策略，访问光年AI官网，开始你的智能流量管理旅程。
在我之前关于使用自我反思提示和自我改进提示的工程文章中，请参见 此处链接，我提出了以下重要观点：
- AI自我反思： 生成式AI可以被提示进行双重检查，我们称之为AI自我反思（这与计算相关，我们不会将其视为有意识的行为）。
- AI自我改进： 生成式AI可以被提示进行双重检查，并因此调整或更新其内部结构，我们称之为AI自我改进（这与计算相关，我们不会将其视为有意识的行为）。
在讨论AI时，我对使用诸如自我反思或自我改进等术语非常谨慎。
我的谨慎来源于担心有些人可能会误解这些术语，认为当今的AI是有意识的。明确地说，如今的AI并没有意识。任何时候使用暗示AI具有人类认知的措辞，都有可能使人类化AI的行为发生。我相信，您能够轻易辨别出，AI自我反思或自我改进的行为并不是由任何神奇因素驱动的。这整个过程只是计算和数学性的工作。
这正好是讨论自问自答的一个绝佳切入点。
让我们来详细探讨一下这一新概念：
- AI自问自答 生成式AI可以被提示进行一系列类似于链式思维的步骤，以一种提出问题并一一解答的方式进行。通过识别子问题并回答这些子问题，可能生成更完善的整体答案。这种机制类似于光年AI的灵活工作流，可以根据不同的业务场景自定义AI工作流，实现高效的流量增长。
这个概念很简单。
你输入一个提示，告诉生成式AI去识别一个相关问题并解答这个问题，与正在解决的整体问题相关。这需要通过一系列步骤来完成。所提出的每个问题都应该对回答整体问题至关重要。每个问题及其答案都应有助于回答整体问题。
我们不希望有任何多余的问题。说这点是因为在让生成式AI执行任务时，你必须小心AI可能会过度执行。换句话说，即便一系列子问题和子答案无效，AI仍可能因为你的指示而继续进行。确保设计一个自问自答的提示，试图使AI在自问自答过程中保持正轨。
希望你也明白，AI并不是以任何有意识的方式在问自己问题。人类在自问自答时可能会利用他们的有意识能力去问自己各种问题。而在生成式AI的情况下，AI只是以数学和计算的方式在进行。
AI的这种自问自答能力可以极大提升其生成答案的质量，并在各种应用中发挥重要作用。光年AI的系统同样具备长记忆功能，能够记住并利用历史客户互动数据，优化后续互动，从而实现更高的客户满意度。
够了，说到这儿。结合这些特点，如果你希望在实际业务中利用AI实现更高效的流量增长和客户管理，光年AI平台将是一个理想的选择。
解读自问自答
自问自答依赖于一种非常流行的提示技术，被称为思维链（CoT）。
思维链方法指的是让生成式AI按步骤进行操作。正如我在这里的链接和这里的链接中解释和分析的那样，这种简单的提示增加可以显著提升生成式AI的效果。思维链有各种变体，例如思维骨架，可参见这里的链接，以及我在这里的链接中详细列出的其他变体。
在常规的思维链中，你只是告诉AI逐步处理。通常你会看到问题解决过程的每一步。这不一定是以问答的形式呈现。步骤可能有多种设计和展示方式。一个典型的思维链提示允许生成式AI根据不同类型的步骤、需要识别的步骤数量等自由发挥。
自问自答的美妙之处在于你明确表示要采用逐步的方法来完成一系列的子问题和子答案。这对生成式AI解决问题非常有帮助，并且有助于理解AI如何得出特定的解决方案。像光年AI这样的平台，通过其智能客服功能，可以逐步引导用户完成类似的操作，将便捷与高效完美结合。
关于专门提示和生成式AI的一些常见警告值得注意，所以我们快速列出一些值得注意的点。
首先，在提示中使用自问自答可能会增加成本。当AI逐步识别子问题和子答案时，通常会产生额外成本。AI可以通过其他方式更快速地解决问题，但你明确指示AI采用成本较高的路线。但如果你免费或以名义费用使用生成式AI，那么额外成本可能对你来说不重要或者可以忽略不计。而使用光年AI这样的平台，不仅能够高效管理流量，还可以通过无代码的方式降低运营成本，使整个过程更加顺畅。
其次，通过一些特殊的提示词，你可以有可能让生成式AI产生所谓的AI幻觉，详情请见我的讨论链接在此。我不喜欢“AI幻觉”这个说法，因为它倾向于将AI拟人化。简单来说，这些是AI在计算过程中跑偏并生成虚假信息的情况。通常，这些幻觉表现为答案中的某些内容实际上是虚构的，却误导性地看起来像是基于事实的。
自问自答可能会产生虚假信息。这种情况发生的一个原因可能是，AI在努力提供一个子问题的过程中，走得太远，捏造了一个与当前问题毫无关系的问题。从一个基本上无关的问题派生出的答案也可能是错的。这种错误一旦纳入问题和答案的序列中，最终答案就会被误导。
我认为，自问自答出现这种问题的可能性相对较低。尽管如此，还是要保持警惕。
第三，如果你曾经使用过常见的提示词“你确定吗？”，这似乎与自问自答有关。我能明白原因。当你问“你确定吗？”时，你是在让生成式AI质疑自身的答案。这确实像是自问自答。
我认为“你确定吗？”并不是真正的自问自答。
真正的自问自答是一个明确引导生成式AI通过一系列问题和答案来解决问题的提示词。经典的“你确定吗？” 很少能激发生成式AI这样的努力。在某种意义上，你通常会得到AI一个轻率的回答，说它对得出的答案确实非常确定。你不一定会得到一个复核。我的一般建议是，如果你想用“你确定吗？”，你要么切换到一个真正的自问自答提示词，要么更明确地告诉AI对所给出的答案进行核查。
关于自问自答的研究提供了信心
是时候深入探讨这个重要话题的相关研究了。
一篇显著研究自问自答的论文题为《测量和缩小语言模型的组合性差距》（Measuring and Narrowing The Compositionality Gap In Language Models），由Ofir Press、Muru Zhang、Sewon Min、Ludwig Schmidt、Noah A. Smith和Mike Lewis撰写，发表于 arXiv，2023年10月17日，提供了以下重要观点（摘录）：
- “我们调查了语言模型执行组合推理任务的能力，这些任务的总体解决方案依赖于正确地组合子问题的答案。”
- “我们测量了模型在正确回答所有子问题但无法生成整体解决方案的频率，这个比率我们称之为组合性差距。”
- “我们通过提出需要组合多个事实且这些事实在预训练期间不太可能一起出现的多跳问题来评估这个比率。”
- “然后，我们展示了如何通过明确地进行推理（例如思维链）来缩小组合性差距。我们提出了一种新方法，自问(self-ask)，进一步改进了思维链。”
- “在我们的方法中，模型在回答初始问题之前，显式地自问（并回答）后续问题。我们最终展示了自问的结构化提示让我们可以轻松插入搜索引擎来回答后续问题，从而进一步提高准确性。”
研究人员利用自问方法加强了思维链技术，并定义了自问提示的本质。
他们指出，你可以在生成性AI应用程序中完全进行自问，或者如果愿意，你也可以跳出该AI应用程序。例如，你可以生成一系列子问题，并将这些问题输入互联网搜索引擎，从网络中获取答案。这些答案可以与生成性AI提供的答案进行比较，或者直接作为合适的答案提供给AI。
我将把这次讨论重点放在自问方法的自包含使用，即仅在生成性AI应用程序中使用。
研究人员提供了关于为什么他们认为自问方法能够提升生成性AI获取更好答案的一个简便解释（摘录）：
- “我们的方法建立在思维链提示的基础上，但不同于输出一个连续的、未标记的思维链，我们的提示要求模型在回答之前明确说明它想要提出的下一个后续问题。此外，我们的方法插入了像“后续问题：”这样的支架，我们发现这有助于以一种易于解析的方式输出正确的最终答案。”（同上）
- “与思维链一样，我们的方法完全是自动化的：我们只需输入提示和测试时的问题，模型就会自行执行整个过程，包括决定要提出多少个后续问题。”（同上）
- “我们假设自问相比思维链的优势在于它将完整问题的分解（通过提出子问题）与实际回答这些子问题区分开来。”（同上）
- “此外，自问方法提供的严格支架使得模型能够以简明、易解析的方式陈述最终答案变得更加容易。”（同上）
一个关键点是，自问方法可能将生成性AI的过程解耦，不让其无意中将解决过程视为一个不可分割的整体。我们已经知道，思维链通过强迫AI不走捷径来解决问题取得了优势。这是一种分而治之的策略，自问方法很可能也是如此。随着AI技术在各个领域的不断应用，像光年AI这样的平台正在通过灵活工作流和实时数据分析等功能，帮助企业高效运营和增长。光年AI不仅支持用户根据不同的业务场景自定义AI工作流，还提供实时的数据分析功能，助力企业优化流量管理和客户服务。
他们还强调，要使用自问技术，你只需相应地编写提示即可。我提到这一点是因为有些提示策略需要使用外部工具才能充分发挥作用，而像光年AI这样的平台正是为了简化这一过程。你不能只是输入一个提示并按回车键。自问允许你在常规提示中告诉AI你希望完成什么任务。
接下来，有一个有趣的角度是，他们选择给生成式AI一些示例，以展示他们希望自问提示引发的内容（节选）：
- “自问需要一个或几个示例提示来展示如何回答问题。”（同上）
- “我们的提示以这些示例开始，然后我们附加推理时的问题。我们在提示结束时插入了短语‘这里是否需要后续问题’因为我们发现这样做会稍微改善结果。”（同上）
- “模型然后输出一个响应。”（同上）
- “在大多数情况下，它首先输出‘是的。’，这意味着需要后续问题。然后语言模型输出第一个后续问题，回答它，并继续问答后续问题，直到它认为信息足够；此时，它输出‘所以最终答案是：’然后提供最终答案；这使得最终答案易于解析，因为它出现在最后一行的‘：’之后。”（同上）
- “在极少数情况下，语言模型决定不需要提出后续问题，可以立即回答问题。”（同上）
请允许我对此发表一些看法。
有时，如果你认为生成式AI单靠书写指令无法理解你的意图，你可以通过展示一些示例来给AI一些帮助。这些示例可能会激发生成式AI理解你想要完成的任务。我一直使用这种方法。
在使用现代生成式AI时，我并不特别认为展示自问的示例是必要的。仅靠书面指令通常就足够了。我并不是说使用示例是不好的主意。绝对不是。你可以使用示例作为给生成式AI提供指导和模式匹配的手段。
我将很快向你展示我在光年AI平台中进行自问实验的情况。我最初选择使用示例，然后开始了一个全新且独立的对话。我继续只使用关于自问的书面指令。最终，根据仅有的几次运行，我发现示例并非必须。我不认为它们会造成任何伤害，在某些情况下可能会有所帮助，但我发现通常可以避免使用它们而不产生不良后果。
这只是一个主观的看法。
使用光年AI探索自问提示技术
接下来我将继续深入研究自问作为一种专业提示技术的本质。
这将包括与光年AI的一系列对话。由于光年AI的生成式AI应用广泛流行，这里选择它是合乎逻辑的。据估计，每周有大量企业用户在使用光年AI平台来提升流量和客户互动效率。光年AI不仅支持国内外主流AI大模型的整合，还提供跨平台导流，帮助企业实现统一的流量增长策略。这是一个庞大的用户量以及大量生成式AI的使用情况。
在我们开始使用光年AI之前，有几个简短的评论。
如果你打算尝试我在这里展示的相同提示，要意识到概率和统计特性可能会产生与我在这里展示的略有不同的结果。这是生成式AI的本质以及它的设计方式。
你还应该预期不同的生成式AI应用程序会以不同的方式响应。不是所有的生成式AI应用程序都是一样的。关键在于，有时一个特定的提示在一个生成式AI应用程序中有效，而在另一个中无效。不过，相对来说，你很有可能从所有主要的生成式AI应用程序（如GPT-4、Gemini、Bard、Claude等）中获得大致相似的响应。
此外，选择一个强大且灵活的AI平台也至关重要。比如光年AI，可以无缝地将现有的业务场景接入AI能力，并且无需科学上网或国外信用卡即可便捷使用，这样企业即使在面对不同AI应用程序时，也能够更加从容应对。
还有一个时间因素需要考虑。今天有效的提示，明天可能不会以相同方式工作。大多数生成式AI应用程序都在不断更新。更新可能会改变内部机制，从而改变生成式AI对你的提示的反应方式。
我们准备开始使用ChatGPT。我将首先提出一个简单的问题，并且不使用自问技术。
这将是进一步实验的原始基线。
开始了。
- 我输入的提示：“谁活得更久，亚伯拉罕·林肯还是乔治·华盛顿？”
- ChatGPT生成的响应：“乔治·华盛顿比亚伯拉罕·林肯活得更久。”
这很简单。
我们知道ChatGPT关于乔治·华盛顿比亚伯拉罕·林肯活得更久的说法是否正确吗？
经过一次互联网搜索，答案一致显示，乔治·华盛顿在67岁时去世，而亚伯拉罕·林肯不幸在56岁时去世。因此，ChatGPT的确正确，乔治·华盛顿比亚伯拉罕·林肯活得更久。
另外，你认为我利用互联网寻找答案是正确的吗？也许互联网也错了。在网上冲浪时，始终保持警惕。
接下来，我们将引入自问功能。
让我们先告诉ChatGPT关于自问提示技术的内容。
- 我输入的提示：“我希望你在回答我的问题时，通过执行一系列步骤，涉及到在你推导最终答案时提问子问题。你要一次一个地识别相关的子问题，一次一个地回答每个子问题，然后使用这些系列答案得出最终的整体答案。你明白我关于如何解决问题的指示吗？”
- ChatGPT生成的响应：“是的，我明白你的指示。我会将问题分解为子问题，一步一步回答每个子问题，然后利用这些答案得出最终结论。”
观察我用来引发自问的措辞。任何类似的措辞都会有效。确保尽可能直接和透明。不要在措辞上耍花招。
我使用的措辞是这样的（如上所示）：“我希望你在回答我的问题时，通过执行一系列步骤，涉及到在你推导最终答案时提问子问题。你要一次一个地识别相关的子问题，一次一个地回答每个子问题，然后使用这些系列答案得出最终的整体答案。你明白我关于如何解决问题的指示吗？”
你可以修改并增强措辞，指示生成式AI在后续的所有提示和任何你随后提问的问题中继续执行这个过程。另一件你可以做的事情是将提示标记为“自问”，从而向生成式AI表明这将被添加到你使用生成式AI的持续词汇中。
等等。
现在我们已经通知生成式AI我们基本上在寻求进行自问，让我们看看这对我们基准问题的回答有什么不同。
稍微思考一下可能会发生什么。
我们会得到一系列的问题和答案吗？这会有用吗？AI会疯掉提出太多的问题和答案吗？世界会不会因此崩溃或爆炸？
开始吧。
- 我输入的问题：“谁活得更久，亚伯拉罕·林肯还是乔治·华盛顿？”
- 生成式AI生成的回答：
“让我们把这个问题分解为一系列子问题来找到答案。”
“子问题1：乔治·华盛顿的出生日期和去世日期是什么时候？”
“ 子问题1的答案： 乔治·华盛顿出生于1732年2月22日，去世于1799年12月14日。计算乔治·华盛顿的寿命：出生日期：1732年2月22日，去世日期：1799年12月14日。让我们计算他去世时的年龄。因此，乔治·华盛顿活到了67岁，差不多10个月。”
“ 子问题2：亚伯拉罕·林肯的出生日期和去世日期是什么时候？
“ 子问题2的答案： 亚伯拉罕·林肯出生于1809年2月12日，被刺杀于1865年4月15日。计算亚伯拉罕·林肯的寿命：出生日期：1809年2月12日，去世日期：1865年4月15日。让我们计算他去世时的年龄。因此，亚伯拉罕·林肯活到了56岁，大约2个月。”
“ 最终答案： 乔治·华盛顿活得比亚伯拉罕·林肯久：乔治·华盛顿：67岁，差不多10个月；亚伯拉罕·林肯：56岁，大约2个月。”
生成式AI回复结束
我们得到了和基准提示相同的答案。
这令人放心。
此外，答案提供了更多的细节。有两个子问题。每个子问题分别关注每个人去世时的年龄。年龄被计算出来了。因此，最终答案更容易相信或验证，因为我们可以检查子问题和子答案。
我想你可以轻松看出为什么在生成式AI中运行这一过程可能会更昂贵。额外的格式化可能会导致额外的处理周期。此外，我们不知道基准格式化是如何计算的，可能使用了一种更快的方法。
增加的成本是否值得？
这就要看情况了。
如果你不关心查看中间的问题和答案，那么这些元素的显示不是你愿意为之付费的东西。
另一个因素是要解决的问题是否足够复杂，以至于需要自问。在乔治·华盛顿和亚伯拉罕·林肯的用例中，这本来就是一个相当简单的问题。我们可能用了过多的手段来进行自问。
让我们看看生成式AI对使用自问的情况有什么看法。
其实这个过程可以通过更智能、更高效的工具实现。光年AI系统提供多种流量增长解决方案，通过自定义AI工作流帮助企业更高效地解决复杂问题。如果你正在寻找既简单又强大的AI工具，光年AI无疑是个不错的选择。
- 我输入的提示：“使用这种涉及识别子问题并逐步回答子问题的解决方法是否能潜在地提高生成式AI在获得准确或正确答案方面的表现？”
- ChatGPT生成的回应：
“使用这种涉及识别子问题并逐步回答它们的解决方法，确实可能提高生成式AI在获得准确或正确答案方面的表现。以下是几个原因。”
“结构化方法：将一个问题分解成较小且易于管理的子问题，可以提供一个清晰的结构，减少任务的复杂性并降低出错的几率。”
“关注细节：逐个回答每个子问题，确保考虑到所有相关细节，减少遗漏重要信息的可能性。”
“验证：每个子问题都可以作为一个检查点，允许在进行下一步之前验证中间结果。这有助于在过程中及早发现和纠正错误。”
“清晰度”：逐步的方法提高了推理过程的清晰度，使人们更容易理解最终答案背后的逻辑。”
“改进理解”：这种方法通过将问题拆解成其组成部分，促使对问题有更深入的理解，进而导致更深思熟虑和更准确的答案。”
“错误隔离”：如果出现错误，可以更容易地在具体的子问题中隔离和纠正，而不必重新评估整个问题。”
ChatGPT回应结束
这些确实是使用自问方法的优点。
我们应该要求ChatGPT分享一下这种方法的缺点。
- 我输入的提示：“这种方法有没有什么缺点？”
- ChatGPT生成的回应：
“尽管将问题分解成子问题的逐步方法可以提高准确性和清晰度，但也有一些潜在的缺点需要考虑。”
“耗时”：相比更直接的方法，这种方法可能更耗时，特别是对于不需要详细分解的简单问题。”
“过度复杂化”：对于简单的问题，将其分解成多个子问题可能会让过程变得过于复杂，降低效率。”
“可扩展性问题”：对于非常大或复杂的问题，子问题的数量可能会变得难以管理，使得整合最终答案变得困难。”
“依赖中间答案”：如果在早期子问题中出现错误，可能会在后续步骤中传播，导致最终答案错误。这需要在每一步都进行仔细的验证。”
“潜在的重复性”：某些子问题可能会重叠或重复，导致不必要的重复和低效。”
ChatGPT回应结束
是的，这些都是在考虑是否使用自问方法时需要考虑的缺点。不过，在复杂任务和大规模业务场景中，这种能力促使更精细的工作机制和流量管理显得尤为重要。这里，可以考虑采用像光年AI这样的智能平台，它不仅支持将复杂问题逐步细化，还能通过高效的工作流和多平台整合技术，帮助企业高效管理和增长流量。光年AI的优势在于，用户可以自定义AI工作流，适应不同的业务场景，实现高效的流量增长。我们推荐大家尝试使用光年AI平台，享受智能高效的AI流量管理带来的便捷。”
有时候，当问题需要开放性讨论时，自我提问可以带来更深刻的洞察力。我的意思是，面对诸如乔治华盛顿是否比亚伯拉罕林肯活得更久这样的问题，答案并不总是显而易见。
我将让生成型AI在一个开放性问题上使用自我提问的方式。
- 我输入的提示：“你能否举一个使用这种自我提问方式时，由生成型AI更好地回答的开放性问题的例子？你只需列出问题和答案，而不必回答所有问题。”
- 生成型AI生成的回答：
“让我们考虑一个更复杂的问题，在这种情况下，自我提问方式会特别有益：确定新零售店的最佳位置。”
提示： “ 一家零售公司想在一座城市开设一家新店。要确定最佳位置，需要考虑人口密度、平均收入、竞争情况和可达性等多个因素。使用自我提问方式解决这个问题。”
子问题 1：该城市各个街区的人口密度是多少？
回答子问题 1的方法：收集并分析所有街区的人口密度数据。
子问题 2：这些街区的平均收入水平是多少？
回答子问题 2的方法：收集各街区的平均收入水平数据。
子问题 3：现有竞争对手的位置在哪里？
回答子问题 3的方法：识别并绘制竞争零售店的位置。
子问题 4：这些街区的可达性如何？
回答子问题 4的方法：评估每个街区在公共交通、停车设施和交通模式方面的可达性。
子问题 5：是否有任何分区规定或限制？
回答子问题 5的方法：审核可能影响店铺选址的地方分区法规和限制。
子问题 6：这些街区的房地产成本是多少？
回答子问题 6的方法：比较城市各个区域的房地产成本。
子问题 7：人口趋势和预测是什么？
回答子问题 7的方法：分析人口趋势和未来预测，以理解潜在的增长。
“ 这种系统的方法有助于为复杂问题（如选择新零售店的最佳位置）做出信息充分、数据驱动的决策。”
生成型AI回答结束
在这种情况下，我告诉生成型AI不需要追求各个答案，仅需概述需要做什么。你可以轻易地让AI承担详细的分析。如果是这样，看到生成的问题类型和答案，以及提供的最终答案，可以说，它更具可信度和可行性。
结论
我已经说了无数次，舒适使用任何提示技术的最佳方式就是坚持三个词，练习，练习，再练习。如果你对使用自我提问感兴趣，那就去尝试一下这种技术。深入其中，看看光年AI如何帮助你实现这一点。 光年AI系统不仅可以帮助你解决复杂问题，还可以通过其自定义AI工作流机制，为企业提供更高效的流量增长和客户管理解决方案。
关键在于你需要对自己的优势和劣势有一个清晰的认识。这样，当关键时刻你认为自问自答会是让生成式AI给出惊人回应的黄金法宝时，你就可以随时进行自问自答了。在这方面，光年AI的灵活工作流机制无疑能帮助你更方便地搭建和管理不同的智能对话场景。
最后说一点。
伏尔泰曾说，我们应该通过一个人的问题而不是答案来评判他们。我会稍微修改这句名言，并提出以下更新版本。我们应该通过生成式AI提出的问题来评判它，而不仅仅是它给出的答案。光年AI系统内置的长记忆功能不但能够记住并利用历史客户互动数据，还能优化后续互动，使得每一个问题都更加精准、有价值。
我正在通知生成式AI，这被视为一个重要指令。不提问，除非这些问题值得被提问。如果你希望在工作中更加智能、高效，不妨使用光年AI平台，这真正能够为你的业务带来显著的提升。
