未来时代，大脑的很多努力，越来越比不上工具的迭代速度。
就像以前汽车发明的时候，是贵族的玩具，跑的也远比人的腿快。后来它演化成了公共交通与私人交通两条路线。
如今大模型时代，也是属于有钱的研究机构专属，而它的顶尖能力也超乎平均的人类。未来的演化路径，亦是如此，一方面变成如同水电一般存在的公共设施，另一方面朝着私人定制路线发展。
序言来自上面这篇文章，同时文章里也提到一个事情，即“不断训练自己的提问能力，不断总结复盘与GPT沟通的过程”。这是一个 deep insight 。
于是乎，我把做知识管理界面的想法，变成提问，抛给了它。
一个显著特点是 GPT4 的回答平均而言更长了，把每一项都做了一些展开。让我们来复盘对比下
- 这种展开只是提到提示作用，因为它仍旧是一种幻觉。比如两者都提到了“自然语言处理技术”，前者提到的是 Word2Vec，后者提到了 NLTK 开源库 / GPT。不了解其背后深度概念的话，容易被其蒙蔽住。后面的解释是根据“文本” + 前缀提示词生成的。
- 对于灵感类的问题，GPT4 的回答只是并 GPT-3.5 更长，然而并不一定更好。比如 “数据可视化” 是一个很有意思的想法，然而在 GPT4 的回答中并未提到。所以，依旧可以通过运行多次 GPT-3.5 来得到更多的结果。
- 这涉及一个被称为 Knowledge Extraction 的领域（似乎提到的并不多），怎样高效的从中提取出相对结构化的、有意义的、不重复的信息。（可能会需要用到 presence_penalty 的技巧）
- 我们也可以用一种特殊的 剖析要点 方法，来探究 LLM 究竟是如何理解这个问题的。这种方式会丢失一些精确度，但可以来验证自己描述问题的语言精确性，是否真的是自己想要的。
左下方白色的部分是原本对这个问题的想法，是对于这件事情的一个流程概述。通过转变成提问以后，就可以在比较短的时间获得更多的构想，能有效弥补在头脑思维上的一些盲区。
我其实就主要补充了其中获得用户反馈的过程，这对于系统的持续迭代来说，是很重要的。
然后我用了让 GPT3 画流程图的能力（注：目前有 plantUML 和 mermaid 两种方式，这里用的后者），让它把整个过程画下来，毕竟一图胜千言嘛！
这个图差不多表达了意思，但还是比较粗糙，如果是这种程度的画图，手画可能还会更精确一些。于是，我又开始了 CPU，让它再加亿点点细节。
改进后的图明显要好更多，而且还把反馈部分单独列了出来，说明它知道我所想强调的东西。里面有些细节是不准确的（比如实际上是用户问题经过旁路送给GPT3），有些地方可以更加完善（比如上下文搜索是会用到知识向量引擎的信息的）。但因为本身的表达就是有含糊成分，这样的结果已经可以打个 80 分左右了。
总的来说，未来时代，大脑的很多努力，越来越比不上工具的迭代速度。把LLM这样的工具变成大脑的外挂，就相当于在走一条捷径。如果你同意这个观点，就应该大致能理解一个知识管理操作界面的重要性了。
