前日，Cognition 公司宣布世界上第一个 AI 程序员 Devin 诞生。

它能自主学习不熟悉的技术，端到端地处理整个开发项目。甚至可以自行修改 bug，训练自己的 AI 模型。

SWE-bench 基准测试表明，Devin 能够处理 13.86% 的问题，表现远超过 Llama、GPT-4 等 AI 大模型。

这一则新闻一出现，立即引爆了整个科技圈，就连 SPotify 的工程师也深感担忧，表示：" 目前尚不清楚智能体会在几年内取代软件开发人员，但免费午餐已经不复存在。"

Devin 的出现再一次提醒了我们，理解机器人、掌控机器人，以及学会与机器人共存已经变得十分迫切。

在此背景下，今天上午，微软中国首席技术官韦青老师坐客混沌，为同学们带来一堂更加落地实操的 AI 课程。

基础班，他帮助我们学会以工程师的视角写提示词，以便更好地让机器人理解我们的意图。提高班，他为我们厘清了智能体的形成与发展，通过实证的方式分享了多个智能应用开发案例。

以下根据课程内容整理：

授课老师 | 韦青 微软（中国）首席技术官 & 工程师

编辑 | 混沌商业研究团队

支持 | 混沌前沿课

基础班：机器有自己的语言

今天，我将针对 " 个人与企业的智能化转型 " 这个话题探讨一些应用、一些方法，试图以一种实证的方式让大家领会这项新技术。希望通过我的梳理，帮助大家厘清思路，加速成长为新时代的机器使用者。

开始前，我想要提醒大家，思考不能沦为空想，就算我们已经看到了山的顶峰，不意味着我们已经踏入其中。如果只靠想象存活在这个范式巨变的时代里，我们将寸步难行，哪里也抵达不了。所以，想象只是初始阶段，亲身尝试才是我们更应该留心的。

机器有自己的语言。虽然人类交流的语言与程序员的计算机语言不尽相同，但本质上是相似的。从语法、语义、语用的角度来讲，同样有能指，也有所指，有不同的语法保证语义。

当我们尝试去描述世界的时候，人与人之间的交流往往会有潜台词，比如我以为你知道，所以我不用说出来。但是机器跟我们没有这样情感上的默契，这说明如果我们能够对机器如何理解世界、如何处理数据、如何表征世界有一定了解，能够极大地提高我们操作、控制、使用机器的能力。

使用机器最好的方法，是把自己放在程序员的位置，了解他们是怎么在计算机面前描述世界的。举例说明：大家都知道，世上的所有事情都是靠人或者人指派的对象一步一步实现的，也就是说，我们在描述事情时，不需要达到计算机语言的水准。而且真正的程序员有时候也不一定要写计算机语言。计算机行业里，有一种方式叫 " 伪代码 "，程序员写了一个大致的逻辑，但并不是严谨到能够让计算机识别的一种约定俗成的、逻辑性比较强的描述方式。

某种意义来讲，如果我们以伪代码的方式，不是特别严谨和古板地描述一件事情的流程，基本上会有三个类型：顺序结构 、 选择结构、循环结构。

我们设想一下行动的步骤，往往是做了第一步之后做第二步、第三步、第四步。要么做到第四步之后出现多条路径，我们要对此做一些判断和比对。第三种类型—— " 不断地重复的 " 即 " 循环 "，是指达到目标后继续往下走，或是未达成目标，不断回到起点，再重新操作一遍。虽然这些方式看起来很简单，但我们一旦学会用一种相对抽象的方式去描述世界的话，我们的日常生活的事情也会慢慢地井井有条，更加符合逻辑。

而要想让机器人更准确地明白我们的意思，首先要重点掌握的技能是 " 描述 "。大语言模型帮我们描述事情、讲道理、写报告、部署任务时，不仅是我们的助手，在这一过程中，我们对世界的理解和语言能力也会提高。所有的动作和行动要靠一个对象实施，它可以是人，也可以是机器，甚至可以是各种动物，我们将这种具备能力的对象称之为 " 类 "。它指事物的分类，分类后的每个类别下面会有各种实体的对象。

基础班：如何像程序员一样使用提示词？

如果我们真的理解了怎么为这个世界建模的话，我们其实用语言表征的全是对这个世界的行动和执行行动的对象，或者受到行动影响的结果的对象的一种精准的描述。值得注意的是，提示词也是一种语言，它既是人类的语言，也是一种计算机语言。一旦我们高效地、准确地使用了这种语言后，会激发出人工智能最大的潜能。尽管有时候我们随意地用一些词汇发布指令，大语言模型依然可以理解，但要实现最终目的，可能就会比预期要低一些。

举个例子：我自己也经常用一些比较简单的提示词，而且据我了解，很多公司的工程师、研发团队也在用。大家会发现，其实这并不复杂，它的结构已经比较完备，比如 BROKE 框架：什么事情都要描述它的背景，然后让大语言模型知道自己充当的角色是什么，同时告诉它要实现的目标，定义关键结果。非常简单的框架，就能够更好地让机器马上理解我们的意图。如果我们真的学会并且习惯用这种方式去跟机器打交道的话，你会发现我们跟人打交道一样会变得更加高效、更加严谨，更加有成效。

再举一个更加复杂的例子：一般来说，如果我们没有经过训练，在 " 描述 " 的时候，我们会非常直截了当地告诉机器我们要做什么。但实际上没那么简单，它是一个权衡利弊的选择。我们对机器说得很简单，希望机器能够透彻地理解我们的潜台词，但潜台词是人类所特有的，它属于语言符号中 " 语法、语义、语用 " 中的语用部分。如果我们能够更好地在语法和语义的层面把它描述清楚，那么机器处理起来就更方便了。所以，" 描述 " 里有更深入的描述，对输出的 " 描述 " 也有更深入的 " 描述 "。为什么还需要 " 训练 "？因为有时候语言模型并不确切地知道怎么回答，我们可以用一种问答的方式让它更加明白我们要的是什么。经过 " 调节 "，最后优化，也就是不断地迭代。

关于提示词，大家可以从中挑出适合自己的。这世上没有什么最好的或最坏的，只有适合你的和不适合你的：

......

篇幅所限，本文仅作部分展示

  点击下方海报，观看完整课程！

提高班：" 智能体 " 是未来的趋势

在提高班里我们就希望呢有很多的机器人的集群，叫智能体的集群，来帮助我们解决问题。而且呢大概率事件啊，从此之后的话，要么就是智能体，要么就智能体的集群将又会成为热词，如果我们现在理解了它们之间的关系，哎和怎么去更好地使用它，哎我们可能就能够不必再被这种新的热词所误导。

接下来我用微软的 Semantic Kernel 作为示例。

上图的 " 自主代理（agent）" 任务执行是微软的工程师针对大语言模型构建出来的。这些类别暗含很多信息，它表示，要想搭建一个能够驱动机器理解我们的自然语言并且执行，会有这些功能，比如提问、内核等。

当然，当这个智能体本身靠大语言模型不能解决问题时，可以设计很多连接器去调用外部的能力、外部的资源。很多人以为，大语言模型出现之后就不需要其他的计算机能力了，其实这是一个伪命题。因为如果你有编程能力，本就可以继续使用。同样，很多人担心人被机器取代，但是我们要等着机器超越我们，还是主动跳到机器的肩膀之上，这取决于我们对于未来的选择。

最后是 " 应答 "。指令是人类发布给机器的，因此需要让机器具备收到指令后完成任务的能力。这表示什么？表示我们要知道如何教导机器、指挥机器、利用机器实现我们的目标。机器的思维肯定与人类不同，尽管它表现的方式有可能相似，但它的计算方式天差地别。因此，提示词有助于机器更好地理解我们的意图，帮助我们完成任务。

上图是一段非常强大的叫做计划员的提示词，大家可以一条一条地捋。当我作为一个用户，通过 Semantic Kernel 发出一个命令或写出一段提示词的时候，它会把我的说法按照 1-10 的标准和要求解读，最后基于解读的成果进行实施。另外这里面还提到，从一个目标创建一个计划，然后变成函数之后，开始有输入、有能力、有输出。一旦机器能够基于语言理解，把这种输入、处理、输出的一个一个的函数建立起来的话，机器就会开始利用人类的自然语言写出计算机能理解的代码来了。

关于优秀提示词，我找到了一则关于发布翻译指令的优秀示范，详情如图下：

我用上述的提示词做了一次试验。我从网上收集的一篇由帕克实验室的 Mark Weiser 写的一段非常有名的论文，叫《21 世纪的计算机》。这是原文的一部分，用到刚才的那些指令、提示词直译和意译的翻译对比如下：

如图所示：左边的 " 直译 " 指令虽然很准确，但没有右边的 " 意译 " 难度高。可以看到，通过更高效的、更符合我们愿景的方式描述，就可以让计算机表达出超出我们想象的对语言能力的理解、加工，及输出结果。

提高班：应用开发实战案例

接下来，介绍一下应用开发。

在此，我想特别强调，尽管现在的大语言模型还只是一个工具，尚处在一个痛点驱动、需求驱动的开发过程。比如智能应用开发案例，GitHub 在开发 Copilot 的时候正是这样的一个过程。如果亲身做过产品开发，会发现它没有任何独特之处，其实这很正常，因为新的大语言能力就是一种工具，它只不过可能比原来更高效、更有独特的特征。但是它的需求，同样还是一个发现 - 实现 - 扩展的过程。

GitHub Copilot 的经验告诉我们，首先你要知道你要什么，然后用我们称之 " 最小作用法 " 去做出一个雏形，通过不断地发现，实现雏形的迭代，最后找到 " 暂时的全局最优解 "。也就是说，先有一个方案做起来，然后把它扩展，用到更多的地方，实现更大的规模。

对此，我想提醒一句，尽管我们今天谈的是 AI、大语言模型，但它作为一个工具，作为一个企业的或者个人的工具，在使用、开发等方面没有什么本质的不同，都是问题驱动的。

另一个案例，大家可能在网上也经常看到，它就是 Richard Sutton 的 " 苦涩的教训 "。其中，Richard Sutton 提到，我们不应该用人的思维和方式去要求机器，机器就是机器，人就是人。人的心智和气其所涉及的世界的复杂性是巨大且根深蒂固的，试图用简单的方式理解心智——比如对空间、物体、多个代理或对称性的基本概念，实际上是一条死路。这些概念属于复杂多变的外部世界，不应该作为基础内置于我们的系统中。

因为机器有它通过概率搜索与学习的扩散性，它的能力是可以发散的。如果完全按照人的方式去约束它的话，它很难做好。我们真正需要做的，是开发出能够探索和理解这种复杂性的元方法。这些方法的核心在于它们能够找到合理的近似解决方案。其中最为关键的是，这个寻找过程应该由机器根据我们给出的方法来实现，而不是由我们自己来实现。

再一个智能应用开发经验分享，是微软的一个 CTO 叫 Schillace。他在开发了很久的大语言模型为基础的人工智能应用后总结出了 9 条法则：（如图）

他在其中强调了模型跟代码不矛盾，不是说有了大语言模型就不用做程序员了，也不是说有了大模型之后还要守着程序员不放，而是要灵活应变。

......

篇幅所限，本文仅作部分展示

  点击下方海报，观看完整课程！

总结：人 - 机时代的 5 个特点

所以，如果我们真的理解了智能机器的特质，就能更好地进入下一个时代。那么，人 - 机时代有什么特点呢？我总结为五点：

第一，学会提问很重要。提出一个正确的问题，就已经解决了问题的一半。提出问题要求我们对我们到底想要什么，有非常清晰的认知。人类这种物种，很难真正知道自己想要什么。所以，首先我们要知道怎么提出正确的、合适的问题。

第二，机器是人教出来的。我们给机器什么数据，它就会表现出什么能力。当我们还在惊叹于机器怎么有这样的能力时，其实我们要非常清晰地认识到，人作为有极大主观能动性的动物，我们怎么教育机器，机器就会具备什么样的能力。

第三，机器习得的知识领域是有限的。包括机器的智能，实际上都是从数据中学到的。它再怎么强，也不会强过我们给它的知识范畴。有人可能会说，机器也可以有想象力、发挥力，经常说出我们不知道的内容，让我们感到非常惊艳，但是你不要忘记，机器学的是全人类的知识，从全人类的角度来讲，它比每个单个个体懂得都多，但它不会超出全人类的知识范畴。

人类的经验可达域或已达域，和知识的已达域是不一样的。知识可以被机器知道，但是并没有实证，并没有理解。那么机器是否超越了整个人类的知识边界呢？这里有一个极大的问号，我个人认为是没有超越的。

第四，人 - 机结合的力量最强大。机器不是万能的，人也不是万能的，但两相结合会产生非常强大的能力。人具备主观能动性，机器能够把文字、图像、视频等各种各样的信号提供给人，来塑造一个更伟大的、更高级的具备主观能动性的人。这在物理学、数学上早已经被证明。机器最擅长的是理解，然后坚定地执行，在执行的基础上，它也可以纠偏，但都是在人给授权的规则之下。

第五，人和机器各司其职。从底层来讲，一旦我们理解了人跟机器的不同，我们就不会轻易地拿人的想法套用在机器上：比如认为机器会思想，机器有感情，机器理解人类……这些都是把人的思维范式映射到了机器上。机器不会像人这样思考问题，对它来讲根本没有人这一概念，也没有思考这一概念。它是根据数据计算出模式，识别出模式，要么是分类，要么是拟合。

这些是最基本的人机关系。

......

篇幅所限，本文仅作部分展示

  点击下方海报，观看完整课程！