所谓的“常识信息”，不是指 1+1=2。常识指的每一个人的不同工作背景下观察到的独特而平常的细节。
比如刚刚上面文档的很多东西，都叫常识信息，你做一个 PPT，现场的发布环境，荧幕是其他工作人员搞定？还是由我来搞定和考虑细节？如果只是投影仪，那么颜色发灰这些问题要不要考虑……
所以，要想发挥 GPT Prompt 的威力（Agent），有两个点需要考量：
1️⃣ 专家“脑子里想的具体的东西”，而不仅仅是“你是一个 xx 专家”。后者是站在客户的角度。至少目前为止对于这种 Chain 的思想，大模型还不足以面对复杂的生产流程。
2️⃣ 进一步服务，持久地沟通。Few-shot 在单个环节输出结果不理想的情况下是必要的，但是单论对话无法从中心向外分化太远。必然需要在 1️⃣ 的前提下，量身定制每个环节，以及考虑是否需要 Few-shot，需要什么样的 Few-shot。另外，角色自动处理的好处是简化掉中间繁琐的流程，但应当在缺乏必要的信息前阻塞。这种自动化的流程需要以最大化的效率让用户尽可能少地 prompt，就像病人和医生的关系。病人 prompt：你是一个医疗专家；医生 prompt：反问 + 脑子里想的具体决策🌲
比如刚刚上面文档的很多东西，都叫常识信息，你做一个 PPT，现场的发布环境，荧幕是其他工作人员搞定？还是由我来搞定和考虑细节？如果只是投影仪，那么颜色发灰这些问题要不要考虑……
所以，要想发挥 GPT Prompt 的威力（Agent），有两个点需要考量：
1️⃣ 专家“脑子里想的具体的东西”，而不仅仅是“你是一个 xx 专家”。后者是站在客户的角度。至少目前为止对于这种 Chain 的思想，大模型还不足以面对复杂的生产流程。
2️⃣ 进一步服务，持久地沟通。Few-shot 在单个环节输出结果不理想的情况下是必要的，但是单论对话无法从中心向外分化太远。必然需要在 1️⃣ 的前提下，量身定制每个环节，以及考虑是否需要 Few-shot，需要什么样的 Few-shot。另外，角色自动处理的好处是简化掉中间繁琐的流程，但应当在缺乏必要的信息前阻塞。这种自动化的流程需要以最大化的效率让用户尽可能少地 prompt，就像病人和医生的关系。病人 prompt：你是一个医疗专家；医生 prompt：反问 + 脑子里想的具体决策🌲
