前言
通过明确“特定群体/角色+视角模拟”设计提示词，而非模糊的“你认为”类提问
一、核心观点：LLM 的本质是“模拟器”，而非“有自主观点的实体”
Karpathy 最核心的判断是：LLM 不存在人类意义上的“自我意识”或“持续形成的观点”，其本质是基于训练数据统计规律的“Token 模拟引擎”。当用户用“你怎么看 XYZ”提问时，模型不会“思考”，只会通过隐含的“个性嵌入向量”，模拟数据中最常见的回应模式（如“理想助手”“互联网平均回答者”），这种交互既局限于单一视角，又容易让用户误将模拟回应当作“AI 自身的观点”。
二、最优提示词策略：放弃“抽象的你”，转向“具体的群体/角色模拟”
基于“模拟器”定位，Karpathy 给出的核心交互方法是：
- 避免提问方式：“你认为……？”“你怎么看……？”（本质是把 LLM 当作有自主观点的“实体”）；
- 推荐提问方式：先明确“适合探讨该话题的特定群体/角色”，再询问“他们会怎么说/怎么做”（本质是激活模型中对应群体的知识分布，实现多视角或专业视角的精准模拟）。
你的例子“最适合 linux7 的堆内存排查方式是什么？”已贴近核心，但更贴合 Karpathy 逻辑的优化表述是：“Linux 内核维护者/资深运维工程师会如何排查 Linux7 的堆内存问题？他们会优先使用哪些工具和步骤？”—— 明确“特定角色”能进一步激活模型中对应的专业知识，避免通用化回应。
三、关键补充：“AI 人格”是工程化产物，非真实“心智”
Karpathy 特别强调：LLM 中看似统一的“人格”（如彬彬有礼的助手），是通过 SFT（监督微调）、RLHF（人类反馈强化学习）刻意训练的“工程化结果”，目的是获得用户认可的高奖励，而非模型自发形成的“心智”。这意味着：
- 模糊的“你认为”类提问，只会调用这个“通用助手人格”，得到的是标准化但可能平庸的回应；
- 明确的“角色/群体模拟”，能绕开通用人格的限制，直接激活模型中特定领域的知识分布，榨出更强性能。
四、场景差异：可验证领域与不可验证领域的区别
这种交互策略的效果的在不同场景中存在差异：
- 可验证领域（数学、编程、技术操作等）：模拟“专家角色”的回应准确率极高（如模拟 Linux 运维工程师排查内存问题），因为这类知识有明确的标准答案和操作规范；
- 不可验证领域（观点、评价、主观感受等）：模拟“多群体视角”更有价值（如“历史学家、社会学家、普通民众会如何看待某一社会现象”），能避免单一“AI 人格”的主观局限，且需警惕：此时没有绝对正确的回应，需结合群体背景判断可信度。
总结
Karpathy 的核心主张是“解构 LLM 的‘实体幻觉’，强化其‘模拟器’属性”：交互的关键不是“问 AI 怎么想”，而是“让 AI 模拟谁、模拟什么视角”。通过明确“特定群体/角色”，既能突破通用回应的局限，获得更精准、多元的答案，也能让用户清晰认知到“回应的来源是模拟的知识分布，而非 AI 自身的观点”，从而更理性地使用 LLM。
原文
https://mp.weixin.qq.com/s/mvsmrOq2bNIyU-FLy-L0Nw
