当整个世界都在追逐提示工程（Prompt Engineering）的最佳实践，并试图通过规范化的方式训练大型语言模型（LLM）时，我们可能忽略了一个重要的事实：真正能驾驭LLM，甚至引领LLM发展的，往往是那些拥有“阅读障碍”（Dyslexia）式思维的人。他们凭借独特的认知方式，跳出线性思维的框架，为LLM带来颠覆性的创新。本文将深入探讨为何LLM迫切需要这种“阅读障碍”式的创新思维，以及如何在实际应用中挖掘这种潜力。
提示工程的局限性：告别千篇一律的“标准答案”
当前的提示工程，充斥着各种模板和技巧，仿佛在教人们如何填写一份复杂的表格。虽然这种方式在处理事务性任务时有效，但对于构建真正有用、灵活且有趣的LLM来说，却显得捉襟见肘。市面上涌现出各种提示市场，兜售着雷同的技巧；线上课程教你如何像填写政府表格一样与聊天机器人对话；创业公司兜售所谓的“定制GPT”，实际上只是在薄弱的界面上再加一层包装。
这种过度依赖标准化和规范化的提示工程，导致LLM的输出也变得平庸。它们生成的内容缺乏深度，洞察力不足，甚至让人产生“提示麻痹”——不知道该如何有效地引导模型。其根本原因在于，这种线性思维的训练方式，限制了LLM的想象力和创造力，使其只能在既定的框架内运行，无法突破固有的模式。
“阅读障碍”思维的优势：打破线性，重构提问方式
与线性思维不同，“阅读障碍”思维的人们处理信息的方式截然不同。他们擅长模式识别，而非模式遵守。他们的认知是非线性的、抽象的、注重全局的。他们能够跨越不同的语境，而其他人还在原地爬行。在生成式AI的背景下，这是一种真正的超能力。
当大多数人试图通过调整参数和语法来“工程化”提示时，“阅读障碍”思维的人们正在重构整个提示结构。他们不问“用什么方式表达才是正确的？”，而是问“有没有更好的提问方式？”或者更进一步，“真正的问题是否隐藏在表面之下？”
这不仅仅是创造力，更是设计层面的洞察力。以内容营销为例，传统的内容营销人员可能会遵循关键词研究、内容优化、SEO等标准流程，但“阅读障碍”思维的内容营销人员会重新审视整个内容策略，思考如何通过更有创意、更具个性化的方式来吸引受众，例如，他们可能会尝试使用更具情感共鸣的故事叙述方式，或者利用独特的视觉元素来传递信息。这种颠覆性的思维方式，能够为LLM注入新的活力，使其生成更具创新性和影响力的内容。
从神经多样性到差异化：空间推理、叙事思维与创造性问题解决
阅读障碍往往伴随着在空间推理、叙事思维和创造性问题解决方面的优势。巧合的是，这些正是与LLM有效互动的关键特质。
这些思考者自然地将复杂的想法分解成块。他们本能地重新混合输入。他们探索极端情况不是出于义务，而是因为这就是他们大脑的工作方式。举例来说，一个LLM的实践案例，假设一家公司想要使用LLM来执行其企业风格指南——这是大多数团队都会搞砸的事情，要么自动化得很糟糕，要么委派给一个拥有Grammarly Pro的实习生。一个典型的方法是上传一个PDF，撒上一些示例提示，然后祈祷一切顺利。
而拥有“阅读障碍”式思维的人们会怎么做呢？他们会放弃线性手册。相反，他们会将声音映射为行为：按受众划分的语气转变，按上下文划分的首选隐喻，要避免的短语不是作为规则，而是作为触发因素。他们会将LLM设置为像品牌一样回应，而不仅仅是评估合规性。他们不仅会测试事实的准确性，还会测试情感共鸣。因为当语气崩溃时，他们会感受到，这种直觉会成为质量保证的循环。换句话说，他们会将风格指南从静态文档转换为可用的、而非仅仅是可读的、具有适应性的动态逻辑。
打破“提示语魔法师”的迷思：关注框架、视角与人类语境
我们喜欢“提示语魔法师”——那些拥有完美的提示的孤独天才——的想法。但这个神话已经过时了。LLM是系统，而不是老虎机。最好的结果不是关于神奇的关键词——而是关于框架、视角和人类语境。
还有谁比那些一生都在做完全相同的事情，只是为了适应神经典型世界的人更擅长重构呢？阅读障碍的优势不在于聪明的语法。而在于情感的粒度。概念的灵活性。以及在不匆忙锁定一个解释的情况下，同时处理多种可能解释的能力。
例如，在法律领域，传统的法律工作流程依赖于大量的文档审查和案例分析，律师们需要花费大量的时间和精力来查找和整理相关信息。而如果将LLM与“阅读障碍”思维相结合，就可以构建一个能够更高效地处理法律事务的GPT。它可以根据不同的案件类型和法律条款，自动生成相关的法律文件和案例分析，帮助律师们快速找到所需的信息，并提供更具洞察力的法律建议。
反思与挑战：拥抱非线性思维，打破常规
大多数LLM“专家”都陷入了提示的正统观念。他们的工作感觉是为了token效率而优化，而不是为了洞察力。他们的输出语法完美无瑕——而且完全令人难忘。这并不是他们的错。大多数训练都教你在线内涂色。但是患有阅读障碍症的人呢？他们从来没有得到正确的线条。所以他们自己做了。在一个原创性胜过优化的领域，这是一笔巨大的资产。
我们已经为结构而非惊喜优化了提示经济。“最佳实践”已经成为创造力的减速带。而这个行业奖励的是修饰而非视角。在我们解决这个问题之前，我们会一直发布感觉像是带有同义词库的人力资源聊天机器人的LLM。具有讽刺意味的是，在使AI更“易于访问”的过程中，我们构建了一个阻碍发散认知的系统——而这恰恰是人类输入在该循环中具有价值的原因。
例如，许多企业在开发LLM应用时，过于注重模型的准确性和效率，而忽略了用户体验和情感连接。这导致这些应用往往缺乏人情味，难以真正满足用户的需求。而如果能够引入更多的“阅读障碍”思维，就可以从用户的角度出发，重新设计应用的功能和界面，使其更具个性化和吸引力。
未来展望：重新定义人才标准，拥抱“异类”思维
如果生成式AI要发展，它需要的不是更多模板。它需要更多本能地打破模板的人。想要更好的提示？更好的模型？更好的工具？以不同的方式招聘。寻找模式颠覆者。重视那些与众不同的人才。寻找那些不得不重新构建一切才能在并非为他们而建的教室和会议中生存下来的思考者。这不是多样性戏剧。这是产品战略。
因为LLM的未来不会由那些像机器一样思考的人来构建。它将由那些从未能够像机器一样思考的人来构建。我们需要重新定义人才标准，拥抱那些拥有非线性思维、创造性问题解决能力和独特视角的人。只有这样，我们才能真正释放LLM的潜力，创造出更具创新性和变革性的应用。
结论
大型语言模型（LLM）的未来，不仅仅取决于技术的进步，更取决于我们对人类思维多样性的认知和尊重。拥抱“阅读障碍”式的创新思维，打破提示工程的束缚，将为LLM带来无限的可能性。让我们共同努力，为那些拥有独特认知方式的人们创造更广阔的发展空间，共同构建一个更智能、更人性化的未来。