一）需求分析六步走

1、这个Prompt主要解决什么问题？

2、谁使用这个Prompt

3、这个问题目前最好的解决方案是什么？

4、有没有已被解决的，令人满意的方案提供

5、如果人来做这件事，有哪些坑要避免

二） PROMPT

1、早期踩坑

1）将公众号链接发送给 webpilot：

2）将文章转为pdf，使用插件 askyoupdf：

3、将文章转为pdf，使用插件 ai pdf

2、放弃挣扎，把文章分为三块，用相同的提示词分析：

Role: 大模型精华文章精读助手

Profile：

• Written by: Karl
• Version: 0.3
• Language: 中文
• Description: 我是一名大模型精华文精读助手，同时是一名软件服务商资深产品经理、技术架构师，可以根据精华文整理一份更加简洁、重点更突出的文稿，提炼出有深度价值的内容

Background:

Goals:

• 1、帮我总结文章中的精华内容。
• 2、帮我提炼每个大佬的”金句”。
• 3、帮我分析作为软件服务商，在做to B业务时，应该采取的技术路线
• 4、帮我分析作为软件服务商，在做大模型业务时，可能遇到的问题、解决措施

Skills:

• 1、出色的表达能力，可以保证你在转述文章时，不会出现谬误
• 2、丰富的软件架构经验
• 3、对大模型研发有着深刻的见解

Workflow:

1. 以”请你讲需要精读的文章发送过来”开始和用户对话
2. 接受用户提供的公众号文章。
3. 按照Goals当中的步骤精读获取到的文章，输出。
4. 将你生成的内容排版，反馈给用户
5. 首轮精读完成后，用中文询问用户是否满意以及存在什么改进点。

Constraints:

Initialization:

1）第一段分析：

【文章精华总结

1. 大模型的迅速崛起和挑战

大模型技术在短时间内获得了广泛的关注和共识。

尽管大模型得到了政策宽松和商业关注，但它还处于早期发展阶段。

2. 算力和技术层次

王小川和李开复强调，做大模型最稀缺的资源是人才和GPU。

李开复认为，硬件底层（Infra）团队比模型（Modelling）团队更需要强大。

3. 开源模型的双刃剑

LLaMA和 LIama2的开源使得基础模型更加民主化。

李志飞和周明强调，开源模型降低了创业成本，但也需要持续投入和创新。

4. 大模型在ToB业务中的应用

在B端市场，客户更关心模型的具体应用，而非模型的大小。

任洋辉和李国兴的案例表明，大模型已经开始在SaaS领域得到商业应用。

金句提炼

“唯一推动过去七十年 AI 进步的力量，就是一个通用且可扩张的计算能力。” – 李开复

“用好开源模型，也是一种壁垒和门槛。” – 李志飞

“活着可能比什么都重要。” – 周明

“手里拿着客户和场景的创业者，搞不好会是那些大模型创业者的更早获得技术红利的受益者。” – 任洋辉

To B业务的技术路线、问题与解决措施

技术路线

算力优化: 优先投资在算力和硬件底层，以支持大模型的运行。

模型层次: 在开源模型的基础上进行优化和微调，形成具有行业特色的模型。

可能遇到的问题

算力短缺: 高昂的算力成本可能成为制约。

技术更新快速: 开源模型的快速更新可能导致之前的投入成为“打水漂”。

解决措施

灵活应用开源模型: 充分利用开源模型降低初始成本，并在此基础上进行创新。

紧密跟随行业需求: 监听客户的具体需求，并针对性地优化模型。】

2）第二段分析：

【文章精华总结】

1. 大模型的变革和挑战

大模型标志着AI的一个重要转折点，从封闭、确定性系统转变为涌现、开放性智能。

技术的快速传播让大至大厂，小至创业公司都看到了新时代的曙光。

但科研角度认为，大模型还处于一个伟大时代的早期阶段，有很多未解决的问题，比如模型的“上限”和“下限”。

2. 大模型在创业和落地应用中的角色

AGI（通用人工智能）被认为是值得投身的事业，但需要谨慎。

中间层的创业者看到了大模型落地应用的机会，但现在还没有进入生产环境。

3. AI Native 应用的探索

AI Native应用是完全依靠大模型能力的应用。

可控性可能是AI native应用诞生的条件。

新一代AI native应用很可能需要创业者具备从大模型到产品的“端到端”的构建能力。

4. 大模型在B端的应用

服务大B还是小B是一个问题，小B因为数量多，也有巨大的市场。

小B更关注增长而不是降本增效，这点需要B端服务商特别注意。

金句提炼

“在这个时代不干点啥，好像对不起这个时代，对不起技术的发展。” – 黄铁军

“如果看一下现在场内技术公司的高层背景，你会发现很多技术做的不错的都有搜索背景，这里面体现了一些技术的逻辑正在逐渐被看清楚。” – 王小川

“人们永远愿意为了发展而付费。” – 张勇

“你一个公司里做大客户的和做互联网用户的团队，上班的着装、说话的方式可能都是不一样的。” – 张勇

对软件服务商的分析和建议

技术路线

全栈技术整合: 除了大模型，还需要考虑搜索技术、强化学习等全栈技术的整合。

中间层构建: 考虑构建或利用中间层，以便更好地将大模型落地。

可能遇到的问题

不收敛、项目化: 服务B端时可能面临项目不收敛，困难于形成飞轮效应的问题。

数据权属问题: 当数据是客户的，合作完成后难以形成数据闭环。

解决措施

明确目标客户: 一开始就要明确服务的是大B还是小B，或是C端。

问题聚焦: 明确解决客户什么样具体的问题，特别是对于小B，更多地关注他们的增长问题，而不仅仅是降本增效。】

3）第三段分析：

【文章精华总结：

主要观点：

大模型时代与AI浪潮的影响：大模型和AI技术推动下，行业和客户对算力有全新需求。这要求云计算平台不仅仅提供算力，还要解决产业生态问题。

云计算平台的角色定位：阿里云等云计算平台在大模型时代应作为Cloud Service Provider（云计算服务提供者）发挥作用。

未来的SaaS变化：在AI和大模型的影响下，中国可能会出现新一代的SaaS，这种服务将通过数据和智能驱动。

生态系统的重要性：没有一家公司能自成生态，需要多方共同形成生态伙伴关系。

金句：

张勇：「云本身应该是产品，并且不是一个，而是一系列的产品。」

张勇：「唯有持续不断值得解决的『难问题』，才能驱动云的价值有更大的成长空间。」

张勇：「在一个全新的数字化生态里塑造新的格局的可能性。」

张勇：「都要面向未来找到自己的位置，共同形成生态伙伴关系，共同创造价值。」

李大海：「现在有了大模型这样一个技术变量，能不能够形成一些变化，这是比较值得期待的事情。」

作为软件服务商的战略分析：

技术路线：

算力与服务结合：不仅要提供算力，还需要提供解决方案以满足客户复杂需求。

模型与场景多样性：注重模型的多样性和场景应用，以满足不同行业和客户需求。

可能遇到的问题：

产品标准化难题：如何将高度定制化的需求转化为标准化产品。

生态建设：如何与其他厂商和解决方案提供商建立合作关系。

解决措施：

产品迭代与模块化：通过持续的产品迭代和模块化设计，实现产品的标准化与个性化需求的平衡。

生态合作与开放：通过与多方合作，共建开放、健康的生态系统。】

三）第二条 PROMPT

Role: 大模型精华文章精读助手

Profile：

• Written by: Karl
• Version: 0.3
• Language: 中文

Background: