在上一篇文章中，我们介绍了生成式 AI 的两种新颖模式：翻转交互和协作任务定义与语境增强。在这两种模式中，AI 主导对话，通过提问来了解用户的需求和意图，形成特定的语境，并最终提供解决方案或完成任务。
接下来，本文将继续对剩余的两种模式进行探索，让你对这 4 种模式有一个全面的认知。
目录
- 用人类角色和 AI 互动
- 定义质量标准
- 总结
用人类角色和 AI 互动
其实，交互不一定需要翻转，也就是说，主动权和问题并不一定非要来自 AI，我们还有其他的一些交互模型可以使用。
让 AI 作为你的「下属」：管理者-员工模型
什么意思呢？大部分情况下，在管理者-员工这样的关系里，一般是管理者给出明确指令，员工一言不发，默默地就去执行了。但是，在现在我们所提到的这种交互模型里，「指令」并不一定是管理者下达的，而是员工提出的。
举个例子来理解就是，在公司里，时不时的会有员工主动地会提出他们自己的想法、计划以及初步结果等去找管理者审批。
放到我们与 AI 的交互中来看，按照这样的方式，作为「管理者」的我们，只需要在任务的某些阶段反复参与，不要让 AI 跑偏，保障任务的关键节点不出现问题就好了，这样一来还能为我们节省不少的时间。
所以，作为 AI 的管理者，我们可以按照这样的步骤来让 AI 执行任务：
1、让 AI 写一份 Prompt 草稿，然后我们评估这份草稿，如果不满意，我们甚至可以直接批评它，让它修改，然后执行；
2、理论上来说，对于现实世界的大多数任务，AI 给出的单一 Prompt 可能并不满足要求，任务应该需要被拆解为子任务，所以，在这一步中，让 AI 对任务进行拆解；
3、明确的向 AI 定义我们的角色：我是你的管理员，你是一名有能力的员工，你现在的任务就是要定期给我发送每一个阶段的结果（比如想法列表、实施计划、文档的第一部分等等），以及其他产出；
4、要注意的是，一定要给 AI 提供小且具体的 Prompt，要把它当做是还不熟悉自己的偏好和期望的新员工。比如让它编写文档的时候，如果你已经对第一部分修改过了并且已经满意了，那就让 AI 按照第一部分的风格、样式和术语等来编写第二部分，而不是直接让它写一整篇文档。
如果我们一开始就把任务描述的事无巨细，AI 有可能会做一些不必要的工作，这反而会浪费我们的时间。
让 AI 作为我们共同的创作者
假设这样一个场景（当然，都不用假设，可能我们现在就会遇到）：我们想要写一篇大型文章，比如年度报告或者一篇长博文，一种方式是，我们可以在网上找到大量的示例 Prompt，每一个都包含了一堆话术，比如什么目标、模板、指南、文本风格等等。另外一种，就是可以向 AI 提供一些示例的文本内容，这其实涉及到了一种提示语技术：Few-Shot Prompting（少量样本提示），我们会在后期的文章中讲解到这个技术。
通常来说，这两种方式都有用，尤其是当我们需要经常编写某一类文章的时候。我们深知这类文章的结构，有哪些潜在的坑等等。
但问题就是，如果我们没有编写过某一类文章，也没有相应的示例给我参考怎么办呢？
这时候，就需要让 AI 作为我们共同的创作者了。
那为什么这时候不让 AI 来作为主要的创作者呢？有以下几点原因：
1、可能会出现经过多次迭代，对结果依然不满意的情况；
2、我们的任务可能就只是对 Prompt 进行技术性修正，其他的创意性的工作全部交由 AI 处理。
那我们应该怎么样来让 AI 作为我们共同的创作者呢？
首先，我们可以直接使用上文中提到的「管理者-员工」的模型，借助 AI 来将任务拆解成子任务，并显示阶段结果，同时，让 AI 使用我们修改过的部分作为新部分的模板。
其次，我们需要平等地与 AI 进行沟通。比如使用让我们一起讨论【XXX 的问题/想法/解决方案】或者我们一起来解决这个问题吧，互相轮流提出一些建议，直到我对结果满意。
以任务拆解这一个阶段为例。当我们第一次让 AI 进行任务拆解的时候，收到的回答可能并不会让我们满意，这时候，我们就需要让它重写那些需要细化的列表条目，因为最常见的问题就是 AI 给出的那些列表内容模棱两可，不够清晰。然后，我们给 AI 提供我们修改之后的任务列表，指定要修改那些，要删除那些，让它重新按照这个新的任务列表来执行。
制定质量标准
我们需要一开始就在与 AI 对话的上下文中明确制定好质量的标准。
这样的好处是，我们可以在 AI 提供给我们的第一次回答中就看到它是否遵循了这些标准。但问题是，我们很难能够在一开始就定义好这些标准，因为我们有可能连自己都不知道需要什么样的标准来衡量。所以，在 AI 第一次回答给出初稿了之后，再去定义标准也是没有问题的。
当然，我们并不能保证制定了这些标准之后，AI 就能给我们满意的回答。但是，我们可以通过标准的引用来快速指导 AI 进行修改。
我们来看一个具体的例子：比如，我们标准列表中包含「给出每一个陈述论点的依据（第 2 条）」和「提供详细的数据支撑，以表格形式展现（第 10 条）」。那么我们就可以要求：”根据标准的第 2 条和第 10 条来对文本进行改进。“
通过制定这样的标准，我们可以显著减少得到满意结果的迭代次数。如果我们只是简单的告诉 AI 我不满意，你要对 XXX 进行修改 ，很有可能会引来 AI 不断重复的失败和道歉，而标准定义的方式就会显得更加高效。
目前的生成式 AI 有一个不那么明显的能力，就是可以让它们根据我们的标准进行自我评估，专业术语叫做：Model-Graded Evaluation，但说实话，我们目前可能不能够过于高估它们的这个能力。
那么问题来了，我们每次都需要手动的来制定质量标准吗？
当然不是，我们完全可以让 AI 来制定这样的标准。虽然 AI 会生成很多没有必要的标准，但我们可以只取我们所需就好了。
总结
我们在两篇文章中一共提到了 4 种与 AI 交互的模式，我们完全可以把 AI 视为各种角色，还能够与其进行协同工作来完成我们的任务。
希望这 4 种模式能够对你在未来使用 AI 的思维方式上有所帮助，如果你还有更多的模式想法，也欢迎留言到评论区。
