Andrej Karpathy的新推文：
未来，我们会花越来越多的时间去理解语言模型生成的结果。这里分享一些想法、技巧和经验：

**写作。**
有一个方法我用下来效果不错：让你的 LLM 用 **ASD-STE100** 来解释某个东西。ASD-STE100 是一种受控语言规范，最初是为航空航天维修文档开发的。LLM 对这种语言通常相当熟悉，而它对清晰、简洁的写作风格有非常严格的约束，所以我经常觉得这种输出读起来容易得多。

有时候我会稍微放宽一点要求，比如让它做到“**80% 接近 ASD-STE100**”，因为完整规范确实比较严格。

不过，还有更好的方式：

**图表 / 图片。**
与其让 LLM 写一大段文字，不如让它直接画一张图。图示往往更容易处理、拆解和理解。

不过，还有更好的方式：

**网页。**
让它“**用 HTML 输出**”，你就可以得到一个漂亮、可交互的网页。LLM 现在越来越擅长前端开发，可以做出相当精美的交互体验、动画等等。

不过，还有更好的方式：

**讲解视频。**
我目前最看好的一种输出形式，是针对任何主题即时生成的、完全定制化的讲解视频。

你可以尝试这样的提示词：

“制作一个 3Blue1Brown（3b1b）风格的 X 主题讲解视频。使用我的 ElevenLabs API Key 来生成配音。”

当然，后者需要 ElevenLabs 的 API Key；或者你也可以让 LLM 帮你找一些不错的免费替代方案，直接利用本地算力来生成语音。

而且，这件事现在真的已经开始变得可行了。

总结一下：

- 随着 LLM 能力越来越强，它们会自主完成越来越多具体、繁琐的执行工作，而人的工作会不断**向更高的抽象层级上移**，越来越侧重于监督、判断和理解。
- 好消息是，LLM 在这一层同样可以帮助我们。随着智能能力和代码生成变得越来越充裕，你可以让它随时生成规模很大、高度定制、甚至**用完即弃的软件产物**——比如 Web 应用、讲解视频等。过去，这类东西因为制作成本太高，根本不值得专门去做。
- 所以，不妨不断尝试突破这里的边界。你很可能会惊讶于现在已经能够做到什么程度。