AI Boost学习方法论--对于陌生领域的学习
从造纸术的出现，到电脑硬盘，知识的存储变得越来越容易，获得知识的途径也变得更丰富，所以有人说未来的知识越来越廉价了，我们不在需要学习知识，从前，我们获取知识的途径有限，大多遇到一些优质的资源无论其是否是自己所需要的，都想学一学，但如今随之LLM的时代到来，知识的获取变得极为的轻易，那么我们对于知识的了解就更应该“接地气”一些，遇到问题，需要什么知识我们就学什么知识，以解决问题为导向的学习。
在一个模式领域以解决问题为导向进行学习，我们需要的往往是提出一些好问题，那么在对应领域中提出一些好问题也需要我们具备相应的知识，有幸的是LLM恰巧最不缺的就是领域知识。
那么接下来，我们分享一个使用LLM来进行陌生领域学习与提问的方法论。
以下使用‘golang后端开发’这个领域为例子：首先，在大模型（以chat-gpt为例）按照模板提问，模板prompt：“我是一名golang后端开发领域的小白，请告知我在该领域必须掌握的100个基础概念，并给出每个概念的详细解释。“
（此处截图有所省略）在收集到20个元问题后，我们可以将其存放在我们设置的思维导图中（这里推荐亿图）。
那么我们在得知这些元问题后，我们需要使用能够输出信息来源的LLM应用来搜索相关问题，例如（perplexity，kimi，秘塔等）。在这些应用中搜索出来的答案都是有明确的信息来源，具有较高的可信度。---（如果使用perplexity建议使用英文进行搜索，以下为了阅读流畅，使用中文进行演示）此处我们在perplexity中使用上述最后一个元问题“Golang 在微服务架构中通常是如何被应用的？“进行演示。
在此类搜索型LLM应用中，其搜索结果最后往往有相关问题，我们可以将这些相关问题集合在我们的思维导图中。
- 由此，我们可以由20个元问题扩展到120个问题，在这120个问题的提问与学习中，我们还可以使用特定的prompt来使得LLM成为我们在特定问题上的专属导师。
- 特定的prompt是由github上的开源提供：Mr.-Ranedeer-AI-Tutor/Mr_Ranedeer.txt at main · JushBJJ/Mr.-Ranedeer-AI-Tutor (github.com)使用特定的prompt之后，我们将问题中想要详细了解和测试的内容进行计划：以下我们使用子问题“如何在Golang中实现微服务的自动化扩缩容“来进行演示：输入特定的prompt后，LLM会给出下述回答：
为了方便教学，我们可以将语言切换为中文，并于此同时设置学习计划。
学习完之后可以进行测试。
测试的详细内容在下述链接，如有需要可转移到链接内了解：chatgpt.com/share/6c22e…好了，到这里我们也就完成使用LLM进行提问，学习，测试的闭环啦！恭喜你，在个人精进的道路上更进一步！
