以前做情感分析要标注十万条数据训专用模型,现在写一句提示词就行。这个变化的本质是什么?哪些东西因此贬值、哪些因此升值?
范式转变:从「任务定制模型」到「通用底座 + 任务描述」。
改变了什么:模型的边际成本骤降,AI 应用从「大厂专属」变成人人可调用的 API;贬值的是普通标注与简单模型训练,升值的是数据质量、提示/上下文工程、评估体系与场景判断(知道该解决什么问题)。
局限照旧:底座不知道你公司的私有知识 → RAG/微调补齐;确定性场景必须加校验。第一性原理始终成立:数据与问题的质量决定上限。
题目与答案就在本页;收藏、批注和错题重练在应用内