普通人在日常生活工作中，难免会遇到的复杂问题。比如，想要学习一项新技能。面对互联网上铺天盖地的信息、各种各样的学习课程、不同的学习方式，普通人需要仔细研究，权衡时间、预算和个人情况，才能制定出最适合自己需求的学习计划。这不仅需要搜集大量信息，比较不同方案，还要预测学习过程中可能遇到的各种挑战。
复杂问题固然棘手，但并非无解。大型语言模型正可以弥补我们在某些方面的不足，成为我们解决复杂问题的得力助手。
下面我来具体聊聊。
人脑的局限性和大语言模型的优势
1 大脑“内存”小，容易“卡壳”
人的大脑就像一个书桌，用来处理手头上的工作。这个书桌的空间是有限的，如果你要同时处理一大堆文件、书本、文具，桌子就会变得乱七八糟，你也会觉得脑袋发懵，不知道先处理哪个好。
面对复杂问题时，往往需要同时考虑很多因素，比如 “我该买哪个房子？” 你要考虑价格、地段、户型、交通、学区、未来的升值潜力…… 这么多信息一股脑涌进来，大脑很容易就 “懵圈”，不知道从何下手。
相比，大语言模型拥有“超级大脑容量”，它记住了海量的信息。同时，它也拥有能同时处理巨量的信息，完全不会觉得“内存”不够用，更不会“卡壳”。你让大语言模型同时分析几百份市场调研报告，对比几千个竞争对手的产品信息，还要考虑几百万条用户评论，它都能瞬间完成，并且给出清晰的分析结果。
2 大脑爱走“捷径”，容易“跑偏”
大脑很聪明，为了节省能量，它会经常走“捷径”来思考问题。这些“捷径”就像一些固定的思考模式(路径依赖)，在大多数时候能快速帮我们做决定，但有时候也会让我们判断“跑偏”，掉进“坑”里。 这就好像我们平时开车习惯走某条路，即使偶尔遇到堵车，也懒得换路，因为已经习惯了。
在复杂问题中，“捷径”就变成了“认知偏差”。 比如，“确认偏差” 就是我们更倾向于相信和接受符合自己原有想法的信息，而忽略与自己想法冲突的信息。 在投资理财时，如果你已经买了一支股票，你可能就会更倾向于关注这支股票的好消息，而忽略风险信号，导致投资决策失误。
大语言模型是超级理性的“逻辑大师”!它完全不受情绪干扰，不会有任何“偏见”。它的思考方式就像精确的数学公式，每一步都严格按照逻辑。这避免了认知偏差，能做出更客观、更公正的判断。
3 情绪来“捣乱”，思考会“短路”
情绪就像我们大脑里的“小精灵”，开心的时候它能让我们充满活力，但难过或者焦虑的时候，它就会来“捣乱”，让我们的思考“短路”。
复杂问题往往伴随着压力、焦虑和不确定性，这些负面情绪会干扰我们的理性思考。 比如，在面临健康问题，需要选择治疗方案时， 焦虑、恐惧等情绪可能会让我们难以冷静分析各种方案的优缺点，甚至做出不理智的决定。 再比如，在处理人际冲突时，愤怒、委屈等情绪可能会让我们更冲动，更难以有效沟通和解决问题。
大语言模型是个“情绪绝缘体”。它没有情绪，永远保持冷静和专注。你让大语言模型在股市暴跌的时候分析市场走势，它不会像人一样，因为恐慌而做出冲动决策，它会冷静分析各种数据和信息，给出理性的投资建议。
4 “单打独斗”力量弱，需要“外援”
一个人思考问题，角度和信息来源总是有限的，就像“闭门造车”。
复杂问题往往涉及到多领域的知识，超出个人知识范围。 而且，复杂问题也可能涉及到多方的利益和观点，需要沟通协调，达成共识。单靠个人“单打独斗”， 难以全面了解问题，也难以找到各方都能接受的解决方案。
大语言模型是“超级智囊团”！它不仅知识渊博，而且信息来源极其广泛，相当于集成了全人类的智慧。你可以想象成一个超级博学的顾问，随时为你提供各种领域的专业知识和建议。
解决问题时，如何用好大语言模型
面对复杂问题，与模型的单次的对话往往难以获得令人满意的解答。我们需要将问题分解为若干步骤，与模型进行多轮交流，才能找到高质量的解决方案。
接下来，我将介绍一些使用大型语言模型的通用技巧，并详细讲解在解决问题的各个环节中，如何有效地利用模型。
通用技巧：清晰准确的信息
给大语言模型提供清晰准确的信息，有助于模型生成高质量的回复。你提供的信息越清楚、越准确，模型就越能理解你的意图，最终给你的回复也就越好、越有用。
举个例子：和模型说：“写一个故事。”
这个提问太笼统了，没有提供任何关于故事主题、类型、人物、背景等等的信息。模型不知道你想让它写什么类型的故事，结果可能会生成一个你完全不感兴趣的故事。
优化成清晰准确的提问: “请写一个关于一只勇敢的小猫咪的童话故事，故事背景设定在一个魔法森林里，主要情节是小猫咪为了帮助森林里的朋友们，克服重重困难，最终战胜了邪恶的巫师。”
将不清晰、不准确的信息优化成清晰准确的信息， 核心在于：
- 具体化: 提供具体的对象、主题、范围、维度等等，避免笼统和空泛的提问。
- 明确化: 使用明确的语言表达你的需求和意图，避免含糊不清、模棱两可的表达。
- 准确化: 确保你提供的信息本身是准确的，避免引入错误或误导的信息。同时，也要避免不必要的假设，确保模型能够理解你的提问。
让模型帮我们优化，我们可以用以下的提示词:
[信息...]
为了让大语言模型给出高质量的回答，上面信息清晰明确吗？如果不是，请列出需要补充哪些信息，并给出从多个角度补全信息的例子。
我们来感受下的效果:
通用技巧：减少模型的幻觉
模型幻觉指的是模型在生成文本时，产生与事实不符或没有根据的内容。这通常是由于模型在训练数据中没有见过相关信息，或者对信息理解不准确导致的。
减少模型幻觉的常见方法有：
- 选择靠谱的大语言模型。更大的模型（参数更多）在处理复杂任务时，往往能够更好地捕捉语言的细微差别，从而减少幻觉。但也要注意，更大的模型并不总是意味着更少的幻觉，还需要考虑其他因素。
- 提供明确的指令。更具体、更明确的指令来引导模型，减少歧义和误解。在提示中提供几个示例，帮助模型更好地理解任务并生成符合要求的输出。
- 明确要求模型给出论点来源。例如“请在回复中注明论点的来源”。
- 调整温度参数可以控制模型输出的随机性。较低的温度会使模型输出更确定、更保守，从而减少幻觉的发生。
- 对于一些私有数据的问答，可以用 RAG(Retrieval-Augmented Generation, 检索增强生成)。让模型从私有数据中找答案。
- 人工审核。通过专家的专业知识，搜索引擎，知识库来验证信息的准确性。
好的问题是解决问题的一半
在面对问题时，不要急于寻找答案，而是首先提出好的问题。好的问题是：“思考的起点，探索的指南，智慧的火花，协作的桥梁”。
怎样的问题算是好的问题？
1 清晰明确 准确描述问题的具体情况，避免模糊不清的表述。例如，不要说“这个系统不好用”，而是具体说明“系统在处理高并发请求时，响应时间太长，超过了5秒”。
明确描述问题的背景。如：问题发生的时间、场景和限制条件。
2 目的性强 要清楚地知道提问的目的是什么，期望通过问题达到什么效果。
让模型来辅助生成一个好问题，可以用这样的提示词:
请把我的问题转化成一个明确的问题。如果我的问题有模糊的地方，请追问我一些问题，直到能够转化成一个明确的问题。然后按生成格式输出。
明确的的问题是这样的：
1. 准确描述问题。准确描述问题的具体情况，避免模糊不清的表述。例如，不要说“这个系统不好用”，而是具体说明“系统在处理高并发请求时，响应时间太长，超过了5秒”。
2. 了解问题的背景。明确问题发生的时间、场景、限制条件以及解决它的必要性。例如：问题为什么需要解决？问题是何时出现的？有哪些限制条件，如时间显示。
3. 明确问题的解决标准。
生成的格式:
# 标题
## 描述
## 背景
## 解决标准
我的问题是: ...
分析问题
分析问题是解决问题的关键。只有深入了解问题的本质和根源，才能找到真正有效的解决方案。分析问题有助于我们避免盲目行动，节省时间和资源，并提高解决问题的成功率。此外，分析问题还能帮助我们发现潜在的风险和机会，从而做出更明智的决策。
问题的根本原因
知道问题的根本原因，才能更好地解决问题。问题的表面描述可能只是症状，要深入挖掘问题的根本原因。可以用 5 Whys 方法，不断追问“为什么”，直到找到问题的核心根源。
提示词:
[问题描述]
用 5 Whys 的方法来提问，帮我找到问题的核心根源。
如果自己没法回答原因，可以让模型提供可能的原因。提供准确，详细的背景信息，能提高模型提供提供原因的准确性和针对性。如：
[问题描述]
上面问题的核心根源可能是什么。
收集信息
我们需要收集的信息包括:
- 问题相关的客观事实。数据和证据等。
- 已有的解决方案。可能已经有人解决了这个问题。详细了解和评估已有的解决方案，看是否能满足要求。
- 潜在的解决方案。可以参考行业最佳实践、借鉴其他领域的成功案例、进行头脑风暴等方法。 对所有潜在的解决方案进行记录，以便后续评估和筛选。
上面的第二点和第三点都可以让模型来辅助做。
整理信息
在信息整理过程中，大型语言模型可以发挥多种作用，极大地提高效率和质量。比如：
- 信息提取与筛选。模型可以从大量文本（如文章、报告、网页）中自动提取关键信息。根据用户设定的标准（如主题、情感、重要性）对信息进行过滤和分类，帮助用户快速找到所需信息。
- 信息整合与摘要。模型可以整合来自不同来源（如多个文章、报告、数据库）的信息，形成一个全面的视图，避免信息孤岛。自动生成长文本的摘要，帮助用户快速了解文章或报告的核心内容。
- 信息组织与结构化。模型可以将非结构化的信息（如文本、对话）转换为结构化的信息（如表格、知识图谱），方便用户检索和分析。也可以将信息可视化，例如生成思维导图、关系图等，帮助用户更直观地理解信息。
- 信息分析与洞察。模型可以分析大量信息，发现其中的趋势和模式，帮助用户预测未来发展。
分解问题
如果问题很复杂。要将复杂问题拆解成更小、更具体的子问题。分解问题的方法有：
- MECE 法则(相互独立，完全穷尽)，逻辑树(分解的可视化工具) 适合结构化、逻辑性强的问题。
- 功能分解适用于系统设计和产品设计。
- 过程分解适用于流程优化和效率提升。
- 思维导图适用于需要发散性思考和创意的问题。
- 数据驱动分解适用于需要数据支持的决策
在实际应用中，也可以将不同的模型结合起来使用，例如在构建议题树时，可以借鉴功能分解和过程分解的思想，确保分解的全面性和逻辑性。
这个步骤也可以让模型来辅助做。
提出和评估解决方案
现在，我们进入提出解决方案的关键环节。有效的解决方案往往来源于充分的思考和发散性思维。
头脑风暴法作为一种经典的集体创造性方法，尤其适用于在问题解决的初期阶段，快速产生大量创意。它的核心在于鼓励参与者自由发散思维，畅所欲言，在不加评判的前提下，尽可能多地提出想法和解决方案。这种方法强调广度和深度：
- 广度探索： 鼓励大家尽可能多地列举出影响决策的关键因素，例如“影响XX决策的20个关键因素”。
- 深度挖掘： 针对某一关键因素，可以进一步挖掘更深层次的解决方案，例如“针对第7项因素，提供3个行业实证案例”。 通过头脑风暴，我们可以更全面地探索各种可能性，为后续评估和选择最佳解决方案奠定基础。。
**设计思维(Design Thinking)**用在以用户为中心的创新。设计思维是一种以人为本的创新方法，强调深入理解用户需求，通过迭代的流程，快速原型化和测试解决方案，最终找到满足用户需求并具有可行性的创新方案。
情景规划法可以用在未来不确定性的战略规划。情景规划是一种战略规划方法，通过构建多个未来情景，帮助组织预测未来可能面临的挑战和机遇，并制定在不同情景下的应对策略。 它不是预测未来，而是探索“如果……会怎样”的可能性，为不确定性做好准备。
SWOT 分析法可以用在需要评估方案的有效性和可行性的阶段。SWOT 分析法是一种评估企业或项目的优势、劣势、机会和威胁的方法，通过分析企业的 Strengths (优势)、Weaknesses (劣势)、Opportunities (机会) 和 Threats (威胁)，帮助企业制定更有针对性的战略决策。
六顶思考帽可以用在需要全面、结构化评估方案的阶段。六顶思考帽是“创新思维学之父”爱德华·德·博诺 (Edward de Bono) 提出的一个思考工具，通过佩戴六种不同颜色的“思考帽”，代表六种不同的思考模式，帮助团队成员从不同角度审视问题和解决方案，进行更全面、更深入的思考。
针对不同的问题，可以选择性的，组合的使用上面的方法。具体领域也会有些特定的方法论，比如波特五力模型从五个关键竞争力量的角度，评估行业的盈利能力和竞争强度，帮助企业了解行业环境，并制定竞争战略。
以上这些方法论，大语言模型都能很好地支持。你可以用下面的提示词:
用 [方法] 来 ...
设计执行方案
最后就是设计执行方案了。设计符合 SMART 原则的执行方案即可。SMART 原则是目标设定和执行方案设计的框架。它能够帮助我们定义清晰、可衡量、可实现、相关且有时限的目标，从而提高目标实现的效率和成功率。
最后
用大语言模型辅助解决复杂问题不是一蹴而就的事情，而是一个持续探索、迭代优化、深入学习和加深理解的过程。我们需要投入时间、精力和智慧，不断地与其互动、学习，并根据反馈进行调整和改进。投入越多，理解越深，我们就能越发感受到模型的强大潜力，并将其转化为解决复杂问题的强大动力。