LLM 时代，专家才是真正的赢家
LLMs reward expertise
很多人误以为使用 LLM 不需要技能，只要会提问就能获得 PhD 级别的数学解答或代码。但事实恰恰相反，提示词工程中最关键的能力其实是你对领域的专业认知。以 Terence Tao 与 ChatGPT 的对话为例，正是因为他深厚的数学功底，才能精准引导模型进入“专家模式”，而非被模型带偏。在编程领域同样如此，只有当你拥有对代码库的深刻理解，才能有效识别 LLM 输出的问题，提出更优方案。当模型越来越强，人类反而成了瓶颈，因为最难的是把模糊的需求精准传达给模型。领域知识让你能从同样的 LLM 中榨取出远超常人的价值。
对于许多任务而言，瓶颈在于人类而非模型，因为最困难的部分是向模型准确传达人类究竟想要什么样的解决方案。
HN 评论区
548- krisoft
> 模型的输出比我尝试和 GPT-5.6 Sol 讨论数学时要简洁得多。通过展示专业性，Tao 将模型引导至“与数学家对话”模式，而不是“向业余爱好者解释”模式。
我认为这通过两种方式起作用。
首先是信息压缩。使用专业语言有助于用最小的信息损失或扭曲来更密集地描述问题。LLM 的冗长输出（例如 ELI5）往往包含局部聊天上下文，这会 destabilize 上下文（例如跑题、对写作风格和措辞进行无关紧要的吹毛求疵），导致逻辑错误甚至幻觉。LLM 还不足以过滤掉所有噪音，因此，有时在执行实际任务之前，先精简输入数据是有帮助的。
其次是增强逻辑模式匹配。使用专业语言有助于通过文本之间更简单的模式匹配来驱动逻辑推理。这无关 LLM 是否能推理，而是关于高层推理如何受先入为主的观念引导。即使是人类也往往只消费高度复杂理论（例如亚当·斯密的“看不见的手”）的文本表面，并在对话中随意使用。LLM 也是如此：如果对话完全用专业语言进行，LLM 可以轻松地将外部专业信息纳入其推理中。如果文本是用业余腔调写的，将其翻译成专业语言可能会引入错误和扭曲。
S […]