今天咱们讲和AI对话的常用技巧。内容包括下面几个：
如果我有一个想法或是观点，不确定是否正确，可以让AI来评价自己的管带你。
比如提示词可以是：
我认为生成式AI只是一场泡沫，他只是通过概率在做词语接龙的游戏，这样的理论基础不可能达到AGI的程度。你来评价我的观点。
AI就会根据我的观点，和我讨论AI到底是泡沫还是技术革命。讨论的过程中，我就可以进一步深度思考这个观点有哪些需要优化，有哪些漏洞。
这个技巧还可以应用与学习，例如提示词是：
我认为面向对象的程序设计提升了编程的复杂度，编程新手不适合从面向对象编程语言开始入门。你来评价我的观点。
AI会对此进行评价。
与AI对话，编写高质量的提示词，才更容易拿到我们想要的结果，提示词可以分为五个组成部分，分别是
下面通过一些具体的示例，讲解如何一步步优化提示词。
第一个要素是写清楚给AI指令要求，或者说是问一个明确的问题。
比如和AI说
给我提供一个西红柿炒鸡蛋的做法
这就是一个最简单的指令要求。AI会根据要求，回复西红柿炒鸡蛋的具体做法。
但是，如果只说一个简单的要求，西红柿炒鸡蛋的做法不一定适合咱们自己，比如对盐和糖要求多少，西红柿去不去皮等等，这部分要求，AI就随机展示了。所以需要进一步描述背景。
我们可以给AI提供一个做这道菜的背景，提示词可以是：
我家老人要吃西红柿炒鸡蛋，给我提供一个西红柿炒鸡蛋的做法。
这样AI就会针对这个背景，来回答，比如AI会考虑，老人比较喜欢清淡的口味，菜品口感要更软嫩，等等，都会作为AI输出菜谱的参考条件，这样AI生成的回答就更有针对性了。
我们现在使用的AI产品，包括聊天机器人，或是智能体，都是基于大模型开发的，大模型就是这些AI应用的大脑。
本节主要讲解以下两部分内容：
通过一个例子，可以更直观地了解大模型如何理解人类语言。
比如给某个大模型发送一句话
1 | “我喜欢吃苹果” |
大模型要“理解”这句话，首先会将这句话进行拆分：比如它可能拆分成四个部分。
1 | 我，喜欢，吃，苹果 |
说明：不同的大模型会有不同的拆分方法，这里说的四部分是为了方便理解。
拆分的每个部分，就是大模型理解人类语言的最小单元，这个最小单元就叫做token。这个拆分的过程，叫做”分词Tokenization”。
分词结束后，还需要将每一个token，转换成向量数据。就像下面这样：
1 | "我" → [0.1, 0.2, 0.3, ..., 0.8] |