用好AI大模型和工具的两个底层逻辑-归纳和演绎，抽象和泛化

大家好,我是人月聊IT。

昨天刚好有一个朋友到我这来喝茶聊天,就问我最近在使用AI相关的工具时,有没有什么心得可以跟大家分享一下?我把这些经验总结成了两组词,这两组词都是跟逻辑相关的核心概念。其实你把这两组词的关键理解清楚了,使用AI的功力一定会大涨。

第一组词:归纳与演绎

现在AI工具特别多,类似于我们常说的GPT、DeepSeek、Claude这种通用的大语言模型,它们更多的是一种归纳的逻辑。这是什么意思呢?就是说它有一个海量的知识库,当你很简单一句话问它一个问题的时候,它可以从海量的知识库里面给你总结一篇文章出来,或者是一个方案。不管是你让它总结,还是说你给它一篇文章让它缩写、扩写,大家一定要明白——这个时候它的核心逻辑就是归纳逻辑。它输出给你的是符合逻辑的、结构化的文字或者文档,它更多的并不会去考虑这个内容怎么样形象化地展现。

那还有一类大模型工具,类似于我们画图的Midjourney,类似于做视频的Sora,或者是我最近用得比较多的Google的NotebookLM AI笔记,这一类AI工具它的核心逻辑是形象化演绎的逻辑。它可以给你出图像、出视频、出信息图,出各种可视化的PPT。

这两种逻辑核心的区别在哪里呢?

对于归纳逻辑的工具,你可能一句话两句话,AI就可以给你输出一大段的文档。比如你问”什么是人工智能?“,它就能给你洋洋洒洒写出几百上千字的解释。

但是对于演绎逻辑的工具,你就一定不是给一句话两句话,而是你要给它一大段具备相当逻辑结构的文字描述,这个时候它才能够输出满足你期望的图片、视频或者PPT。

所以大家如果平时也在用各种绘图工具,用AI做PPT的时候,就一定要注意:你如果仅仅是给它一句话,比如”帮我画一张AI智能体的信息图”、”帮我画一个软件工程的信息图”,这个时候它画出来很难达到你的期望,因为你没有详细的内容定义。演绎逻辑的AI工具,它的重点是结构化呈现,它需要你给它完整的文字描述。

归纳与演绎的组合使用

那这个时候你就会问我:我也不知道怎么样详细去定义呢?

这个时候就需要归纳和演绎两类AI工具结合使用。这是我经常会用到的一个方式:

• 方法一:先扩写再绘图 如果我得到的仅仅是一句话太粗了,我首先会让AI帮我扩写,让它增加核心特点、结构逻辑或者细节的描述,然后我再把这个文字经过总结归纳以后,再让类似于NotebookLM,或者相关的绘图工具帮我去绘图。
• 方法二:深度研究+浓缩+可视化 你还可以首先用类似于Google的Deep Research深度研究功能,帮你输出一篇完整的7000-8000字的文档,然后再用类似于Gemini把这七八千字核心的内容浓缩成1000-2000字,你再把这一两千字的内容输入给相关工具,让它绘制一张信息图。那么这个时候,信息图就一定是具备了核心的内容要点和逻辑特征的高质量信息图。

所以这个核心的方法思路大家一定要掌握——不要把归纳、演绎两类AI工具用混。这是我说的第一组词。

第二组词:抽象与泛化

对于抽象和泛化,我其实原来讲过很多次。在用AI工具的时候,有一个相当重要的应用技巧,就是什么呢?

比如说我去写一个技术方案,做一个PPT,或者是写一个宣传文稿,但是AI虽然能做这件事情,它输出的东西跟你期望的模板格式可能差别相当大。

利用AI的模仿能力

这个时候我们用的最常见的一个技巧就是充分利用AI的模仿能力。

我给你一个建议书的样例,我给你一个宣传文稿的样例,然后我再给你一个我的原始需求,这几个东西组合打包在一起,让AI帮我写一个新的宣传文稿。那么这个时候AI写出来的宣传文稿基本上就是你想要的。

当模仿失效时

但是,如果你给的样例本身就相当复杂,问题就来了。

比如最近我在试用Google的NotebookLM做PPT的时候,我可能就给了它一个我其他项目做的PPT模板,我希望它参考这个PPT模板帮我做一个同样格式的PPT,但是AI输出的效果并不是特别好。为什么呢?因为它在学习你样本内容的时候,它没有把这个共性的东西抽象得足够精确。

所以说,在我们的模仿功能失效的时候,我们要进入另外一个关键的环节——抽象和泛化。

抽象-泛化的工作流程

怎么用?很简单,我们把整个工作任务分解:

• 第一步:抽象元模型 我先用类似于GPT、Claude这类大语言模型,我先给大语言模型一个我的PPT,我让AI帮我总结这个PPT的模板风格。这个时候AI就会输出一个200-300字的模板风格总结。
• 第二步:人工审查与完善 这个风格总结出来以后,我会仔细review一下,往往会发现它在抽象这个模板风格的时候,可能丢失了一些关键的要素。自然而然,它基于这个PPT去仿造写新PPT的时候,它也会丢失这些关键要素。所以我通过这种抽象和逆向的方式,拿到这个模板风格描述后,我再进一步完善,形成一个我标准的做PPT的元模型。
• 第三步:基于元模型泛化 然后我再把这个元模型给到类似于NotebookLM这种AI笔记工具。在这种情况下,AI输出的新的PPT就完全符合我的要求。

在软件开发中的应用

这个方法不仅仅是在AI做PPT里面会用到,包括我们在软件开发里面也经常会用到这种方式。当你有一个几十万代码的整个软件大项目的时候,虽然说AI也可以完整地学习你整个软件项目的代码(因为现在整个上下文的长度已经增加了相当多了),但是我们推荐的方式是一样的。

最好就是首先让AI逆向分析,总结出你整个项目本身的核心底层的数据库元模型、接口模型,包括核心的功能点说明。你首先要去判断一下这个时候AI逆向出来的模型本身正不正确,然后接着再让AI泛化地去做其他的事情。这样的话才能够提高我们真正的新输出的准确率。

总结来说,今天讲了这么多,核心就两点:

• 第一点:归纳与演绎逻辑 针对不同的AI工具,你要使用不同的逻辑。文本生成类工具适合用简短输入获得丰富输出,而图像、视频等可视化工具则需要你提供详细的、结构化的描述。两类工具要结合使用,才能发挥最大效能。
• 第二点:抽象与泛化 当我们的简单模仿功能失效的时候,一定要懂得逆向和抽象。首先让AI抽象出元模型,然后进行人工Review确保没问题以后,我再基于元模型去泛化生成新的内容。这个流程能够大大提高输出质量和准确率。

掌握了这两个底层逻辑,你使用AI工具的效率和效果都会有质的提升。希望这些经验对大家有所帮助。

好了,今天的分享就到这里,再见!