过去一年，人们关于使用大模型遇到的诸多问题的声音此起彼伏。显而易见的是，大模型可以在许多方面提高我们的效率，尤其是在处理文档、测试用例和代码等繁琐事务方面。那么，大模型的优势和短板是什么呢？

大模型的概念

大模型是一种机器学习模型，其参数数量和训练数据规模都非常大。由于训练数据和参数等多种原因，不同的模型有各自的优势。在一些微信机器人中，我们会使用文心一言来获取实时的信息内容，并结合国内外的开源和闭源模型（如BERT、GPT-3等）进行不断优化。而在撰写英文文档和邮件等内容时，则会优先考虑国外的模型。

大模型的优势

大模型的优势在于生成文本。究其本质它又是一个概率模型，所以它需要借助其他工具来完成自身不擅长的内容（比如数学计算）。因此，我们不应该期望大模型能够帮助我们完成一些数学计算，而是应该期望它能根据我们的上下文，生成数学计算的公式、代码等等。

大模型的短板

大模型不擅长解决复杂上下文的问题，比如架构设计、软件建模等等。从另一角度来说，大模型擅长解决的是生成文本相关的问题。

提高个人效率的关键

提高个人效率的关键之一是学会与大模型进行有效的交流。大模型的交流方式主要通过Prompt进行，而构建一个Prompt是需要持续迭代的过程。在这个过程中，我们需要不断尝试，以找到最适合自己的模式。

构建Prompt的常见模式

1. 确定角色和任务。比如明确扮演一个中级开发工程师以及需要完成哪些任务。 2. 背景。提供一些必要的上下文，以便于有概率地、更好地匹配到答案。 3. 列出你对其的一些具体要求，比如返回的格式和内容等。 4. 最后的import将根据用户选择的是类还是方法来确定。

精炼上下文成本

精炼上下文成本，活用各类工具Prompt模板，绝对属于人们口中的一看就会，一用就废的存在，同一个需求可能真的会获得千人千面的答案。因此，很多人在使用GC工具时最大的问题是编写Prompt往往需要花费超过任务完成时间的时间。也因此，从某种程度上来说，我们所需要的上下文并不一定要准确，但一定要精炼，以节省自己的时间。

引入工具

所以，从时间成本上来说，我们要考虑引入工具，或者构建适合自己的工具来完善这个过程。对于开发人员来说，目前市面上流行的工具有： Copilot：根据当前的代码文件、编辑历史，分析出一些相似的上下文，再交由大模型处理。整个过程是全自动的，所以它能大量节省时间。 ChatGPT：一种大型语言模型，可以用于生成文本、翻译、摘要、问答等任务。 FuncGPT（慧函数）：专注生成AI函数的工具，不需要繁复的上下文，输入需求、出参、入参，即可实时生成高质量、高可读性、拿来即用的Java函数代码。最重要的是它免费。

个人成长

随着AIGC成本的进一步降低，可能会有一些部门因为生成式AI而被公司缩减规模。这并不是因为AIGC可以取代人类，而是因为人们预期可以提高20～30%的效率，并且在一些团队试验后也发现确实如此。 因此，从个人职业发展的角度，我们需要适当地提升在人工智能领域不擅长的其他技能。就能力而言，AI不擅长解决复杂上下文的问题，比如架构设计、软件建模等等。从另一角度来说，我们应该加强逻辑思维、抽象思维和创造性思维等方面的能力。

---

萨摩耶云：以知识图谱优化决策效率打破增长桎梏

人工智能（AI）席卷全球，但它的雏形可追溯至18世纪乃至更早，彼时苏格兰詹姆斯·瓦特为正在建造的蒸汽机设计了一个巧妙的自动控制系统——调速器，从而为现代控制理论奠定了基础；时间的指针拨向1956年，几位计算机科学家相聚达特茅斯会议，激情宣告：让机器能够使用语言，形成抽象概念，解决人类现存的各种问题；之后的几十年，AI一直在两极反转，或被称作人类文明耀眼未来的预言，或被当成技术疯子的狂想扔到废品堆里。

直至2012年以后，得益于数据量的飞涨、算力的提升和深度学习的出现，AI从概念走向繁荣。现在，AI进入生活的速度，已超过我们的想象。在农村，AI无人机帮农民播种、施肥、打药；在城市，AI工业机器人将车间变成黑灯工厂。在实验室，AI算法助力科学家研发新药。不难想象，在未来的很多年里，AI都将是人类 社会 发展最重要的推动力量，它爆发出的能量或将超越工业革命。

AI极大提升智能决策效率和水平

无论是学术界还是工业界，对于人工智能（AI）目前还并没有统一的定义。但大体上形成了这样的共识：人工智能是计算机科学的一个广泛分支，试图让机器模拟人类的智能，应用领域主要包括深度学习、自然语言处理、计算机视觉、智能机器人、自动程序设计、数据挖掘等方面。

美国麻省理工学院温斯顿教授认为：人工智能就是研究如何使计算机去做过去只有人才能做的智能工作。作为人工智能的子集，机器学习由人类程序员设计的算法负责分析、研究数据，然后根据数据分析和研究作出决策。

举个简单的例子，当我们浏览网上商城时，经常会出现商品推荐的信息。这是商城根据你往期的购物记录和冗长的收藏清单，识别出其中你真正感兴趣，并且愿意购买的产品。这样的决策模型，可以帮助商城为客户提供建议并鼓励产品消费。这就是基于机器学习作出的个性化推荐。

深度学习是机器学习的子领域，通过人造神经网络来学习，最终目的是让机器人能够像人一样具有分析学习能力，可以自动处理特征变量，从而使整个决策系统更加智能。

当下，深度学习摧枯拉朽般地实现了各种任务，使几乎所有的机器辅助功能都变为可能。翻译、语音识别、商业智能决策、无人驾驶 汽车 都已在眼前。而基于深度学习框架，企业可以根据自身行业特点和场景需要，灵活便捷地进行AI应用开发，不再需要从0到1地搭建地基，这极大提升了产业智能决策效率和水平。

智能决策驱动产业降本增效

人工智能的发展突飞猛进，从技术层面来看，业界广泛认为，AI核心能力包含三个层面，即浅层运算智能、中层感知智能、深层认知智能。认知智能，实现机器对人的“大脑判断和决策”的替代，使机器可以像人一样捕捉灵感、发现问题、判断分析、做出决策、付诸行动，是对机器的“人格化”，也是对人的神经网络的“机器化”，是人工智能的最尖端领域，而其中重要的深层领域之一即是智能决策。

智能决策身处AI赛道最前沿领域被誉为“皇冠上的明珠”，目前部分商业化的智能决策产品已初步进入完全决策智能阶段，系统可以自我驱动并直接做出决策和行动，实现了决策智能的“半人格化”。

其实，在人工智能技术成熟之前，大型企业就已经开始通过数据分析来做出商业决策和判断，例如沃尔玛“啤酒与尿布”的故事。沃尔玛超市管理人员分析销售数据时发现了一个令人难以理解的现象：“啤酒”与“尿布”两件看上去毫无关系的商品经常出现在同一个购物篮中，管理人员经过调查发现，这种现象经常出现在年轻的父亲身上。原来，美国家庭中，一般去超市购买尿布的多是年轻的父亲。这些父亲们在购买尿布的同时，往往会顺便为自己购买啤酒。此后沃尔玛尝试将啤酒与尿布摆放在相同的区域，方便消费者快速找到商品的同时，销量明显提升。

现在，以用户画像、知识管理、自然语言处理、机器学习为基础的人工智能不仅仅为企业带来业务模式、业务流程、组织结构、产品应用等方面上的巨大变化。更为企业的领导者们，在智能决策方面带来了数据导向的价值。

企业如何在短时间内做出大量决策？减少试错成本？决策需求无处不在，但人们对智能决策并没有准确地定义。在国内AI决策领先企业萨摩耶云首席科学家王明明看来，智能决策就是基于大数据和机器学习、深度学习、联邦学习、知识图谱等技术与行业深度融合后，在数据间精准匹配用户需求或业务需求并发现潜在的逻辑和规律，本质是为带来效率的提升。这种创新化的决策方法，正是依靠发挥AI巨大的“算法”优势和“计算”能力，让企业的经营决策从经验和流程驱动转向数据驱动、自动化决策，达到降本增效的目的。

如今，智能决策应用的身影早已深入实体领域，例如在轨道交通首次实现检修计划和人工智能的结合；在 汽车 汽配，打破供应、生产、销售、需求端壁垒，实现全价值链优化；在流程制造领域，从前端供应到中段生产再到后段产销协同，智能决策价值立竿见影并正在用其特有的方式创造更多更加直接的制造价值。

IDC预测，到2025年，超过60％的企业将把人类专业知识与人工智能、机器学习、NLP和模式识别相结合，做智能预测与决策，增强整个企业的远见卓识，并使员工的工作效率和生产力提高25％。

知识图谱拓展决策能力边界

人工智能正在从“感知智能”走向“认知智能”，机器除了具备模仿人的视觉、听觉、触觉等感知能力之外，还需要具备认知能力，模拟人的思维方式和知识结构进行“思考”，因此需要一个强大的底层知识网络作为支撑，知识图谱正是支撑机器实现认知智能的重要基石。

当你在搜索信息、看新闻、刷短视频、购物时，所看到的每条打动你的内容，背后就可能有知识图谱的作用。简单而言知识图谱就是把大量不同种类的信息连接在一起而得到一个可视化关系网络，为人们提供了从“关系”的角度分析问题的能力，已被广泛应用于如智能搜索、决策分析、金融反欺诈等领域。

知识图谱广泛应用目的就是让机器和软件获得“理解”和“解释”两种能力。使用知识图谱，可以让人工智能“理解”人类的自然语言，不断整合现有数据、外部数据，让机器形成认知能力，降低人工智能的大样本依赖，提高学习的经济性和对先验知识的利用效率，从而做出最优的决策结果。

多年商业和技术积淀，萨摩耶云集齐数据、算法、算力等AI三要素，并以“三要素”构建AI知识图谱，尤其是利用机器学习和深度学习等尖端人工智能技术，开发人工智能高级应用“智能决策综合系统”，以SaaS、aPaaS的产品形式提供标准化服务体系。为最大程度地降低技术门槛，萨摩耶云针对不同行业和领域提供知识驱动的复杂应用分析及决策支持，将大量知识模块化封装，自动以最优的方式训练模型，自适应生成方案。企业可以根据自己的需求，自定义适合业务场景的图谱应用轻松实现二次开发，快速得到立体的图谱型结果，提升决策智能水平。

以服务金融产业为例，知识图谱技术从数据可视化、风险评估与反欺诈、风险预测到用户洞察，知识图谱的底层性支撑作用越来越显著。萨摩耶云运用知识图谱技术通过对用户数据分析，以可视化的呈现、交互式的查询，并进行关联指标和标签的输出，从而为有效识别、预防团伙欺诈的发生提供及时决策研判。

此外，萨摩耶云知识图谱在营销层面精准发力，它可基于客户建立社交网络知识图谱，在获取用户授权后，对用户社交关系网（如亲属、朋友、同事、同学、陌生人等）进行全方位地挖掘，精准、迅速地找到相关业务的潜在客户，从而制定针对性营销策略，帮助企业实现精准获客。

截止目前，萨摩耶云积淀的客户覆盖了从通信运营商、互联网大厂、电商平台、影音传媒，到金融、仓储、商超在内的领域。已经积累了数千万客户的长周期、多维度样本量，全部衍生变量维度超百亿级，算法模型的精度、准度已经达到较高水平，平滑应对特定场景下的特殊风险状况，形成较高的竞争壁垒。

科技 日新月异，但如同商业管理的本质一般，决策管理的本质诉求并没有太大的变化：让对的人，在对的时间，以对的方式做出决定。“真正的 科技 ，是让你感受不到 科技 的存在”，未来的人工智能不仅能提高我们的效率，更是无感的。AI虽不完美，但我们仍要感谢人工智能领域的那些创新者们，正是他们在寻求真理的路上坚持“虽千万人，吾往矣”，才更新了我们对世界和自身的认知。

本文源自金融界

现在的低代码平台都是通过什么方式来开发应用的？小白也能自己开发？

现在的低代码平台主要是通过主要通过可视化、拖拽式的方式进行开发应用的，低代码开发平台是一种平台软件，人们能通过它提供的图形化配置功能，快速配置出满足各种特定业务需求的功能软件。 它可简化软件开发过程、提高生产率、缩短软件交付周期，并且系统稳定性较好，只要经过简单测试即可交付使用，最终降低软件开发成本。 普通开发平台一般是通过程序员编写程序来实现软件的，对技术要求比较高，不活合业务人员实现，且软件开发效率比较低、周期比较长、成本高。 但普通开发平台通过不断演化，也能实现部分图形化配置功能，诼渐向低代码开发平台拿龙，而且利用普通开发平台开发出来的软件能力几乎不受开发平台能力的限制。 只受底层的某种开发程序语言能力的限制。 与普通开发平台相比，低代码开发平台强调的是，让业务人员或者技术人员通过图形化配置可视化地实现软件。 它们的区别如图 1-1 所示。 显然，低代码开发平台用户的技术门槛较低，既可以是技术人员，也可以是业务人员，或者两者协作。