# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
搜索
一些推理模型的使用技巧和启示
大家好，我是很帅的狐狸🦊
最近玩了一波DeepSeek‑R1等推理模型，竟然发现它们有潜力颠覆我们的沟通、工作、甚至投资的方式——
今天我打算跟大家唠唠，如何高效驾驭R1这类模型，同时让它们启发我们在工作、沟通和投资上的新思维。
前阵子，一个创业的朋友跟我吐槽：员工老是一通微信轰炸，信息没头没尾，重点模糊。
她跟我一样，曾在外企/专业服务机构混过，邮件沟通那种条理和仪式感让人舒服。
而现实中，大部分打工人还是习惯用微信/飞书/钉钉——
据2017年企鹅智库对2万人的调研，80%+的人用微信办公，而用邮件的却只有22.6%。
这也造就了我们短平快、高频的沟通习惯。
这种沟通的单次信息密度很低，很像我们之前跟GPT-4o/豆包/Kimi们的对话——
你给了点背景知识，让AI出个方案或图表，它立马就有输出。
如果有哪里不满意，就让它一遍遍改，改到咱满意为止。
而DeepSeek-R1等推理模型要是也这么「对话式交互」的话，效率就大打折扣了——
每次提问都要深度思考，哪怕问个「2022年中国GDP是多少」，也得等上16秒。
所以针对R1等推理模型，更适合的做法是更清晰的「邮件式交互」。
我们需要在长邮件中，把你要完成的任务描述得尽可能清楚。
截图/
前几天我看了技术播客Latent.Space的一期节目《o1不是一个聊天模型（o1 isn’t a chat model）》（OpenAI的o1是第一个会深度思考的推理模型）。
播客节目里头介绍了一种o1的提问模板——
目标：你的目标是什么？
格式：你期待的是什么交付格式？
注意要点：解决过程中有哪些坑是必须避开的？
背景信息：所有你认为可能会影响答案的背景都得给上！
截图/
顺带一提，根据OpenAI官方的提示词指导，如果给提问加上XML标签会提高表现。
比如可以这么提问——
<目标>给我推荐5个可以稳健增值财富的资产类别，并帮我分配好投资比例。</目标>
<格式>请以通俗易懂的语言、以表格的形式给到我方案。</格式>
<注意要点>我希望可以不影响目前的生活水平。</注意要点>
<背景信息>目前我是一个生活在中国的单亲妈妈，我手头上有100万人民币，每个月收入1万人民币、支出9千人民币，是个什么都不懂的理财小白，我的风险偏好很低。投资周期我希望可以在10年内，因为10年后我想把这笔钱留给女儿。</背景信息>
「邮件式交互」的沟通方式也适用于同事间的沟通（即使仍是在微信/钉钉/飞书上）——
毕竟AI任劳任怨可以24小时随时回复，但对其他同事也一来一回地「对话式交互」的话，那对方的工作会被频频打断。
o1和R1等推理模型有一个先天缺陷——脑补能力过强。
推理模型很擅长的是「自包含问题」，比如数学、代码之类的理工科题目——题面里所有已知条件都有了，它只要负责思考就可以了。
但如果我们的问题还需要很多额外的背景知识，最好一次性都丢给它。
伯克利的Alejandro Cuadron等人在论文《过度思考的危险》（The Danger of Overthinking）里，把这个缺陷称为「推理-行动两难」——
他们让各个模型去尝试解决真实世界的代码问题（SWE-Bench测试集）。
要解决这些真实存在的代码问题，需要去搜集背景信息（比如看整个程序的所有相关代码，比如去阅读各个库的说明文档等等）。
而现实世界的问题，不是「已知XXX，求XXX」，很多信息需要自己去找。
而测试下来，推理模型会自己脑补各种背景信息，所以往往无法顺利解决真实世界的问题（因为脑补的信息跟真实需求对不上）。
所以就跟人类闭门造车一样，AI想得越多，表现越差。
截图/
换句话说，当你跟推理模型沟通时，如果不想它不受控地脑补，就把该给的所有背景信息都给到。
一个有意思的做法，是先用手机录音，碎碎念所有的背景信息，然后再把语音转文字，跟指令一起发给AI。
这有点像我们对待公司的新人——
可能会花一整个下午的时间，跟TA碎碎念公司做的业务、过各种数字……
而反过来，当我们融入一个新环境、接受一份新工作、迎接一个新客户时，在开始工作前，一定要尽可能地先搜集自己需要知道的各种背景信息。
以前我在麦肯锡的时候，有些领导会吐槽我「阳奉阴违」——
他们会比较micro-manage，会给我一套「标准流程」，让我照做。
而我总是秉承「只要结果一样work，怎么做不是很重要」的心态，用自己的方法把工作给做了。
类似的，我之前在某Fintech公司时，同事来自各行各业——有的之前在互联网大厂，有的之前在金融机构，有的之前在快消公司……
每个人的工作方式都非常不一样。
如果限制他们，要求只能咨询公司的工作方法，那影响产出效率是一方面，另一方面也不能发挥每个人的专长。
类似的，当我们让DeepSeek-R1等推理模型工作时，最好也把提问聚焦在「我要的结果是什么」上。
至于「如何实现我要的结果」，咱不用过度干预。
使用以前的GPT模型时，我们会习惯说「现在你是一个资深的基金经理」之类的提示词，这个提示词现在放在R1或o1上，效果反而不一定有以前好。
这一点主要是为了应对R1比较严重的「幻觉问题」。
所谓「幻觉」，也就是AI「一本正经地胡说八道」。
比如虎嗅就提到，让DeepSeek制定成都游玩攻略时，它推荐了在杜甫草堂旁边的「川纳万海」咖啡馆，不过实际上这家咖啡馆距离杜甫草堂8.8公里。
R1的幻觉有多严重呢？
根据休斯幻觉评估模型（HHEM）的评测，R1的幻觉率高达14.3%。
这个幻觉评估测试，主要是让模型对文本进行总结摘要。
有时候我让R1总结一些PDF报告，它也会说出一些报告里头没有的细节。
这跟R1的训练过程有关——
R1在训练理工科题目时，因为大多有标准答案，所以幻觉不严重。
但R1在训练文科题目时（写作/事实问答/自我认知/翻译），用的是V3模型的监督微调数据，也会让V3模型来生成一些数据。
目前看来，V3模型会鼓励创造性多一点。
但过度创造就是「编造」了，所以如果用R1来做报告的话，查证事实方面要下点功夫。
类比投资，我们平时在各个社群会接收到大量未经验证的「小作文」。
只是盯着小作文进行投资，很容易就成了那个帮人抬轿子的工具人。
所以收集数据和信息时，千万要重视数据和事实的查证。
不然你的结论可能与事实相距甚远。
再多说几句投资——
就像美银说的，DeepSeek是中概股的「阿里IPO时刻」——2014年阿里上市带动了中国「新经济」板块的崛起，吸引了全球长期资本的流入。
前几天看到华创证券还特意写了份报告，统计了ETF中的DeepSeek含量。
一级行业里头，像是计算机ETF南方（159586）追踪的指数就覆盖了最多DeepSeek概念股（47/90）。
宽基方面，像是科创50ETF南方（588150）追踪的指数也覆盖了19.8%，接下来是159780追踪的科创创业50（占比11.1%）和530580追踪的上证180（占比8.1%）。
有意思的是，微信接入DeepSeek后，甚至连腾讯也被当成DeepSeek概念股了。
今天刷雪球，也看到有人在困惑：同是接入DeepSeek，为啥腾讯涨了百度却跌了？
答案也很简单——
其实百模大战里，到尾声的时候，大模型能力已经没那么重要了（同质化很严重）。
就像Google之前对自己和OpenAI的评价——「我们没有护城河，OpenAI也没有。」
哪个大模型更好用，用户就会切换过去，而且并没有什么切换成本。
就算是Agent也是一样的——如果现在有比Perplexity和Cursor更好用的产品，那我也会瞬间切换过去。
在这个阶段，反而是场景和数据更重要。
像马化腾说的，工业革命早一个月把电灯泡拿出来，在长的时间跨度上来看是不那么重要，关键要把底层算法、算力和数据扎扎实实做好，而且更关键的是场景落地。
场景的机会，目前的坑都被大厂给占了，别人暂时也抢不走。
就像我 之前 说的，当你的「AI+」场景带来的价值增量，并没有高于迁移成本时，用户宁愿坐等现有APP厂商，看看过几个月它们能不能迭代出AI能力。
而微信拥有大量的公众号文章数据，在信息检索效率方面比错失了移动端机会的百度还是甩了几条街的。
类似的还有小红书和B站。
而且信息搜索本身是百度的基本盘，本来大家还指望着它靠文心一言等AI产品逆风翻盘，现在相当于这个故事也讲不通了。
《Google “We Have No Moat, And Neither Does OpenAI” – SemiAnalysis》
《逐浪AIGC丨腾讯大模型缘何慢半步？“混元”主打应用 - 21财经》
《#DeepSeek出... - @投中网的微博 - 微博》
《基于GitHub的大模型能力评估数据集：SWE-BENCH - 知乎》
《ETF中的DeepSeek含量|ETF_新浪财经_新浪网》
《DeepSeek R1 之后，重新理解推理模型》
《o1 不能用来 code 和 chat，那可以做什么》
《AI应用的前提，是解决DeepSeek的幻觉问题》
《HHEM Leaderboard - a Hugging Face Space by vectara》
《Reasoning with o1 - DeepLearning.AI》
《o1 isn’t a chat model (and that’s the point)》
《The Danger of Overthinking: Examining the Reasoning-Action Dilemma in Agentic Tasks》
《DeepSeek-R1超高幻觉率解析：为何大模型总“胡说八道”？- 华尔街见闻》
《DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning》
《2017 WECHAT USER AND BUSINESS ECOSYSTEM REPORT》
《比起微信，西方人为何更喜欢用邮件沟通工作？|界面新闻》
文章来自于“狐狸君raphael”，作者“很帅的狐狸”。
【免费】cursor-auto-free是一个能够让你无限免费使用cursor的项目。该项目通过cloudflare进行托管实现，请参考教程进行配置。
视频教程：https://www.bilibili.com/video/BV1WTKge6E7u/
项目地址：https://github.com/chengazhen/cursor-auto-free?tab=readme-ov-file
【开源免费】AutoGPT是一个允许用户创建和运行智能体的（AI Agents）项目。用户创建的智能体能够自动执行各种任务，从而让AI有步骤的去解决实际问题。
项目地址：https://github.com/Significant-Gravitas/AutoGPT
【开源免费】MetaGPT是一个“软件开发公司”的智能体项目，只需要输入一句话的老板需求，MetaGPT即可输出用户故事 / 竞品分析 / 需求 / 数据结构 / APIs / 文件等软件开发的相关内容。MetaGPT内置了各种AI角色，包括产品经理 / 架构师 / 项目经理 / 工程师，MetaGPT提供了一个精心调配的软件公司研发全过程的SOP。
项目地址：https://github.com/geekan/MetaGPT/blob/main/docs/README_CN.md
【开源免费】graphrag是微软推出的RAG项目，与传统的通过 RAG 方法使用向量相似性作为搜索技术不同，GraphRAG是使用知识图谱在推理复杂信息时大幅提高问答性能。
项目地址：https://github.com/microsoft/graphrag
【开源免费】Dify是最早一批实现RAG，Agent，模型管理等一站式AI开发的工具平台，并且项目方一直持续维护。其中在任务编排方面相对领先对手，可以帮助研发实现像字节扣子那样的功能。
项目地址：https://github.com/langgenius/dify
【开源免费】RAGFlow是和Dify类似的开源项目，该项目在大文件解析方面做的更出色，拓展编排方面相对弱一些。
项目地址：https://github.com/infiniflow/ragflow/tree/main
【开源免费】phidata是一个可以实现将数据转化成向量存储，并通过AI实现RAG功能的项目
项目地址：https://github.com/phidatahq/phidata
【开源免费】TaskingAI 是一个提供RAG，Agent，大模型管理等AI项目开发的工具平台，比LangChain更强大的中间件AI平台工具。
项目地址：https://github.com/TaskingAI/TaskingAI
【开源免费】MindSearch是一个模仿人类思考方式的AI搜索引擎框架，其性能可与 Perplexity和ChatGPT-Web相媲美。
项目地址：https://github.com/InternLM/MindSearch
在线使用：https://mindsearch.openxlab.org.cn/
【开源免费】Morphic是一个由AI驱动的搜索引擎。该项目开源免费，搜索结果包含文本，图片，视频等各种AI搜索所需要的必备功能。相对于其他开源AI搜索项目，测试搜索结果最好。
项目地址：https://github.com/miurla/morphic/tree/main
在线使用：https://www.morphic.sh/
【免费】ffa.chat是一个完全免费的GPT-4o镜像站点，无需魔法付费，即可无限制使用GPT-4o等多个海外模型产品。
在线使用：https://ffa.chat/
【开源免费】XTuner 是一个高效、灵活、全能的轻量化大模型微调工具库。它帮助开发者提供一个简单易用的平台，可以对大语言模型（LLM）和多模态图文模型（VLM）进行预训练和轻量级微调。XTuner 支持多种微调算法，如 QLoRA、LoRA 和全量参数微调。
项目地址：https://github.com/InternLM/xtuner
【开源免费】LangGPT 是一个通过结构化和模板化的方法，编写高质量的AI提示词的开源项目。它可以让任何非专业的用户轻松创建高水平的提示词，进而高质量的帮助用户通过AI解决问题。
项目地址：https://github.com/langgptai/LangGPT/blob/main/README_zh.md
在线使用：https://kimi.moonshot.cn/kimiplus/conpg00t7lagbbsfqkq0