第02期:从一句话到一款小工具,AI是怎样被“用起来”的?

为什么同一句需求会得到不同结果

让AI“写一篇介绍咖啡的文章”，它可能写成科普，也可能写成广告。问题通常不在AI是否听见，而在要求里缺少读者、篇幅、语气和格式。人类会从上下文补全这些空白，模型只能依据你给它的文字与已有训练规律作答。于是，把模糊想法整理成可执行要求，就成了使用AI的第一步。

它的英文原词就是 Prompt

Prompt原本可指提示、促使某人行动的线索。在生成式AI里，它指输入给模型的文字、图片或其他指令信息；中文常说“提示词”。它不等于神秘口令，更像一份把任务交代清楚的简短工作单。

“提示”这个名字点出了它的职责

模型不会像同事那样自动知道你此刻的目的。Prompt 的职责是提示它：现在扮演什么角色、处理什么材料、产出什么样子。名字中的 prompt 恰好对应这种“给出起点和方向”的作用，而不是替模型把所有工作做完。

在真实产品里，它常藏在输入框后面

给ChatGPT上传一份会议记录后说“提取待办事项，按负责人和截止日期列成表”，这整段就是一个Prompt。企业里的客服机器人也会在后台收到更长的系统指令，例如要求它只依据知识库回答、遇到退款问题转人工。前台看见的是聊天，后台其实是一套更细的任务说明。

一张任务单如何变成回答

模型会把输入拆成可处理的片段，结合对话上下文，预测接下来最合适的内容。清楚的Prompt能减少需要猜测的地方：交代任务、补充背景、规定输出格式，再写出限制条件。例如“为小学家长写150字通知，语气友好，不使用术语”。它不能保证绝对正确，但能显著让输出靠近目标。

它解决的是“说清楚”，不是“替你判断”

Prompt适合起草、归纳、改写、分类和头脑风暴。重要内容仍要自己核对，因为指令再清楚，模型也可能误解资料或编造细节。把它当作一位需要明确任务书的助手，比追求万能提示词更可靠。

关键词搜索不懂近义表达怎么办

在资料库里搜“如何退货”，如果文章标题写的是“商品退回流程”，只按字面匹配可能漏掉它。人能理解两句话说的是同一件事，计算机却需要某种可计算的方式来表示“意思相近”。Embedding正是为这个问题准备的。

它来自英文 Embedding

Embedding 常译为“嵌入表示”或“向量表示”。在AI语境里，它是把文字、图片等内容转换成一串数字的表示方法。这里的“向量”不是中学题里的箭头，而是一串可用于计算距离和相似度的数字坐标。

为什么叫“嵌入”而不叫普通编码

可以把大量内容想成被放进一张高维“意义地图”。Embedding把一段内容嵌入这张地图的某个位置：意思相近的内容往往更靠近，关系较弱的内容相隔更远。“嵌入”强调的正是把原本难比较的意义放进可比较的空间。

推荐和检索系统一直在使用它

许多语义搜索功能会先把用户问题和文档都变成Embedding，再找距离近的文档。比如在电商帮助中心输入“包裹没收到”，系统可能召回“物流异常处理”页面，不必要求用户猜中原文标题。音乐、图片和商品推荐也能用相似表示寻找“可能喜欢的邻居”。

从内容到相似结果的关键两步

第一步，专门的模型把内容转换为数字向量；第二步，系统用距离或相似度计算寻找邻近项。真实空间往往有很多维，画成平面只是帮助理解的示意。Embedding保留的是与训练目标有关的特征，因此“像”不等于完全相同，也不自动等于事实正确。

它让“按意思找”成为可能，也会继承偏差

Embedding适合语义搜索、相似内容推荐、聚类和给知识库检索做准备。它不能替代权限控制或人工判断：相似文档可能过期、排序也可能带偏。用在敏感资料时，还要评估内容如何存储、是否允许被送往外部服务。

通用回答不够贴合时，问题在哪

一个通用模型会写、会翻译、会总结，却未必总能遵守某个品牌的固定语气，或稳定输出特定标签格式。反复把长规则塞进Prompt有时可以解决，但若同类任务量大、示例稳定，就会出现“能不能让它专门练这一类题”的需求。

英文叫 Fine-tuning，中文是微调

Fine-tuning由 fine（精细的）和 tuning（调校）组成，中文通常译作“微调”。它是在已有预训练模型的基础上，继续用一批针对性数据训练，而不是从零开始造一个模型。

名字里的“微”说明它不是重建

预训练让模型获得广泛的语言和模式能力；微调只是在这个基础上做更细的调校，好比会弹许多曲子的人集中练习一种演奏风格。它改变的是模型在特定任务上的行为倾向，不意味着模型从此只懂这一件事，效果也取决于数据质量和覆盖范围。

真实应用常见于固定格式任务

例如，一家机构可以准备经过审核的“问题—标准答复”样本，让模型更稳定地把客服意图分到既定类别；开发团队也可能用成对的输入和理想输出，训练模型遵循内部代码或摘要格式。是否可用、怎样训练，取决于所选模型服务是否提供该能力及其数据规则。

它是在已有能力上校正参数

训练时，系统让模型阅读输入并生成答案，再把答案与示例目标比较，根据差异调整模型参数，重复很多轮。示例应当代表真实任务，也要剔除错误、隐私信息和互相矛盾的标注。数据少或偏，模型就可能只记住少数套路，遇到新情况反而表现不稳。

它适合稳定、重复、可评估的工作

微调可减少每次输入的冗长规则，并提高特定格式或风格的一致性。但它不是纠正所有知识错误的捷径：需要实时信息时，检索和更新资料通常更合适；需求还在频繁变动时，先改Prompt和流程往往成本更低。上线前应拿保留测试集检验，而不是只看训练样本表现。

一个网页为什么能调用AI能力

你在笔记应用里点“总结本页”，它并不一定自己拥有模型，而可能把文本交给外部AI服务处理，再把结果显示回来。两个程序并不靠人复制粘贴，它们需要约定怎样发消息、怎样收结果、出错时怎么办。这套约定就是API发挥作用的地方。

API是 Application Programming Interface 的缩写

API 全称 Application Programming Interface，中文常译“应用程序编程接口”。它是一组让软件调用功能或交换数据的规则，可能通过网络请求实现，也可能存在于操作系统或程序库中。日常谈“调用某家AI的API”时，多指通过网络访问其服务。

“接口”像被规定好的服务窗口

餐厅窗口会告诉你菜单、点单方式和取餐规则；API也会规定地址、所需参数、身份验证方式，以及返回内容的结构。调用方不必知道服务内部怎样运算，只要按接口合同提交合格请求。这个名字强调的是连接边界，而非模型本身。

地图与支付功能都是熟悉的例子

打车软件在地图上显示路线，常会通过地图服务的API请求路线信息；小程序接入支付，也通过支付接口提交订单并接收结果。AI API同理：开发者把用户文本连同必要参数发给模型服务，再将返回结果嵌入自己的产品流程。

一次调用通常有来有回

应用先准备请求：指定接口地址、身份凭证和输入内容；服务器验证请求、执行处理，再返回约定格式的结果或错误码。应用根据结果显示摘要、重试或提示失败。凭证相当于钥匙，不能写进公开网页或截图传播；同时还需设置权限、用量限制和异常处理。

它把能力接进产品，也带来工程责任

API让团队能复用成熟能力，不必从零搭建模型或地图。但接口有价格、速率、版本和可用性限制，数据也会跨越系统边界。做产品时要确认服务条款、最小化传输内容，并为超时或服务不可用准备降级方案。

想快速做原型时，代码门槛仍在

很多人能清楚描述“做一个记录读书时间的小网页”，却不熟悉文件结构、语法和调试。带代码能力的AI让人可以先用自然语言说目标，再让它生成可运行的初稿。由这种强调意图、快速试出来的做法，近年流行起Vibe Coding这个说法。

这是 Vibe Coding，不是正式编程语言名

Vibe Coding可以直译为“氛围编程”，但更贴切的理解是：开发者用自然语言描述要达到的体验和功能，与AI反复协作生成、修改代码。vibe指整体感觉或方向，coding指编程；它不是某个固定软件，也没有一套统一技术标准。

个人小工具是常见试验场

例如让AI生成一个本地待办清单页面：能添加任务、标记完成，并把数据保存在浏览器。你打开生成的项目实际点击，发现删除按钮不符合预期，就继续提出具体修改。这个过程可以很快做出原型，但不代表没有审查就能把它用于支付、医疗或公司生产系统。

可靠流程依然绕不开运行和检查

较稳妥的循环是：描述目标与边界，让AI生成少量代码；运行它并观察错误；阅读关键改动、补上测试，再要求针对问题修改。AI会根据上下文预测代码，可能引用过时库、漏掉异常处理，甚至生成看似合理却无法运行的实现。版本控制和小步提交能让每次变化可追踪、可回退。

它能缩短起步时间，但不能外包责任

Vibe Coding适合学习、界面原型、内部小工具和重复性改动。涉及用户数据、权限、费用或安全时，仍需要懂代码的人审阅架构、依赖、密钥处理和测试结果。最有价值的用法不是“让AI全自动写完”，而是把人的判断放在目标、验收与风险控制上。