近期AI辅助复杂任务的一点体会

AI能力的增强，让AI逐步思考/step by step展开的prompt确实已经过时，因为这么做反而会限制模型的发挥。但复杂任务的Workflow / Decomposition仍然很重要，我们要自行定义使用工作流分阶段完成或分解这个问题。

Workflow的应用典型是对一篇文章进行逐段编辑/改写，这会比整体性编辑/改写效果好得多。 Decomposition的应用典型是写作（其实也涉及到workflow了）：先搜索背景材料，再写大纲，然后根据大纲写作。

这首先是保证了可评估、可约束和可回溯，这是执行复杂任务的最基本要求。但工作流/分解任务的好处远多于此。这也是AI越来越强大之后，我们可以让它扮演更多角色的原因，但需要技巧。

我这几天在用AI改写一篇scientific paper，分块分块的改写，期间无数细节的validate。这首先就是AI的长处，在背景信息足够、恰当的prompt、以及持续的validate和refine操作中，AI既能够聚焦细节问题，也能关注整体。

昨晚文章改写到差不多一半的时候，发现对某一个评估指标的refine，需要重新调整全文的立意，并需要不同幅度的重写前面已完成的所有章节。从后视镜的视角来看，原因在于原文没有清晰的描述其真正的写作对象，而原文以及前面的改写都是基于此描述进行的，直到对这个评估指标的refine才让问题更加具象化起来（这和AI prompt中评估指标的重要性是一样的）。

这个任务我也同时使用了AI的乒乓模式，即使用几个AI对话窗口，让它们分别执行不同的任务。具体参见http://t.cn/AX6McNGK。

当然这个任务需要workflow和decoposition交替进行。目前是通过workflow按快改写，完成第一个版本分块的改写（也涉及到全文改写）后，我会进行decoposition：对全文进行审查和批判，从立意到文章结构、一直到具体用词，然后再通过workflow分快改写。

正所谓不破不立，再破再立。破，都是从局部开始；立，却要在全局立住。局部优化一定要结合全局可行性，才有意义。

复杂任务如果不做分解或分阶段完成，AI按照predict next token的概率性思维，大概率一条道（一个思路）走到黑。但思路如何“拐弯/转向”，需要我们的指引和时不时的干预。

在真正困难和复杂的任务上，不要让AI自动驾驶。