大型语言模型让所有人都能成为通才，但真正的关键在于领域专长。以数学家陶哲轩与ChatGPT的对话为例，他简洁精准的提问方式能获得远超普通用户的深度回答，说明专业能力才是高效使用AI的核心。

在2010年代，如果你有技术短板（比如不会写CSS），要么依赖同事，要么指望网上有现成答案。如今，借助大语言模型，每个人都能写出还算过得去的CSS，LLM让所有人都成了通才。

因此，很多人认为使用LLM不需要什么技巧。想要LLM产出的内容——博士级数学、尚可但偶尔乏味的代码，或LinkedIn风格的生硬文章——直接开口要就行。既然大家都在用同样的模型，“提示词高手”和初次使用者得到的结果并无二致。

这种看法是错误的。提示词最重要的技能，是你所提问领域的专业知识。

一个很好的例子是数学家陶哲轩与ChatGPT关于雅可比猜想反例的对话。这和我平时用的ChatGPT完全不同！就算给我无限次尝试机会，我也达不到陶哲轩的水平。

从陶哲轩的对话中可以学到很多提示技巧：

• 他的信息非常简短直接，不逐条回应模型，只抓要点
• 模型输出比普通人使用时更简洁。通过展现专业水平，陶哲轩让模型进入“与数学家对话”模式，而非“向业余人士解释”模式
• 当模型回答有误时，他会委婉质疑，比如“这比我预想的要复杂”
• 他经常自己提出跳跃性建议，几乎从不采纳模型关于下一步的建议

但仅靠模仿这些技巧，无法在数学问题上像陶哲轩那样提问。关键在于他真正理解数学：能从ChatGPT的多段回复中提取相关思路，提出替代方案或表述方式，并识别出“看起来不对劲”的地方。

陶哲轩的数学水平远超我的编程能力。但“领域知识能让你更擅长使用LLM”这个观点，我在工作中也深有体会。如果你对代码库有深入理解，就能比不熟悉时更有效地驱动LLM。因为你对好的解决方案有自己的判断，可以说“不，我觉得这里可以更简单”，或“我们不是已经做过X了吗？”，或“能用这些熟悉的术语来表达这个问题吗？”

这触及我之前写过的观点：系统设计问题更多取决于具体细节，而非通用原则。两者都有用，但我宁愿熟悉代码库，也不愿只掌握软件系统的通用知识。陶哲轩在对话中问了很多具体问题，比如“X在这里适用吗？”或“给定Y和Z，为什么是A？”。我无法就雅可比猜想提出这些问题，但可以针对我在GitHub负责的系统提出类似问题。

没有领域知识时，你可以依赖LLM至少得到一些结果。这并不差！但如果你有领域知识，就能通过强力引导，从同一个LLM中榨取更多价值。大多数人需要混合使用这两种方法，因为我们在某些领域有专长，在其他领域则没有。

领域知识的有用性表明，即使模型越来越强大，人类专业知识仍将发挥作用。对许多任务而言，瓶颈是人而非模型，因为难点在于向模型精确传达人类想要的解决方案。信息“已经在模型里”，但需要非常聪明的人才能将其提取出来。

根据评论内容，主要观点和论据总结如下：

观点一：LLM奖励专业知识（认可度较高） - 多位评论者认为，LLM对领域专家更有价值，专家能提出正确问题、引导模型产出高质量结果。 - 关键引用： - "Just Talk To It is the best method for working with LLMs if you're an expert" (Swizec) - "I have a significant background in biblical scholarship... That changes things significantly" (sramsay)

观点二：LLM放大能力，但非专家可能适得其反（认可度中等） - 评论指出，缺乏专业知识的人使用LLM可能产生“似是而非的垃圾”，浪费他人时间。 - 关键引用： - "AI is a giant multiplier for people with specialized knowledge... But it's also a giant devaluer for that same knowledge" (boron1006) - "If you don't know where you're going... it will get you very far in the wrong direction" (bashtoni)

观点三：LLM效果因人而异，存在分歧（认可度中等） - 部分评论认为，LLM的效果取决于用户类型，专家和非专家都能受益，但方式不同。 - 关键引用： - "every other person gets a different conclusion about who these models reward/empower" (postalcoder) - "LLMs can be both and they erect a mirror of the human using them" (zmmmmm)

观点四：LLM缩小专家与非专家差距（认可度较低） - 少数评论认为，LLM正在缩小专家与非专家的能力差距，但尚未完全消除。 - 关键引用： - "Since LLMs the gap between experts and non-experts has been shrinking... but vanishing" (petres)

观点五：对经验传承的担忧（认可度较低） - 有评论担心，LLM可能阻碍新手获得实践经验，导致经验断层。 - 关键引用： - "experiential learning may be mostly a thing of the past... creates a real tension between the person with experience and the person without" (travisgriggs)

总体平衡性：多数评论支持“LLM奖励专业知识”的观点，但存在分歧，部分认为效果因人而异，少数认为差距正在缩小。评论整体认可度未明确标注，但观点分布显示专家受益论占主导。