“ 尋找大模型的應用場景，就是把大模型帶入人的角色；人在不同場景中扮演什么角色，就可以嘗試讓大模型去扮演這個角色。”

最近一直在做大模型應用方面的開發，從剛開始的迷茫和無措到現在對大模型有了一定的了解。因此，這時才發現自己陷入了一個很大的誤區，那就是對大模型認識不夠深刻，甚至很多時候不知道大模型是個什么東西。

但經過這段時間的摸索之后才發現，我們應該把大模型當做一個人，而不是把大模型當做一個神。

大模型就是一個人

為什么說我們要把大模型當做一個人，而不是把大模型當做一個神？

原因就在于大模型有其自己的能力邊界，并且當我們把大模型當做一個人時，我們才能知道大模型能做什么，不能做什么，以及應該怎么做。

以作者最近一直在搞的數據分析為例，在此之前雖然也用大模型做過一些AIGC和RAG方面的東西，但主要用的就是大模型的生成能力和基礎的推理能力。

但怎么把大模型應用于數據分析，剛開始拿到這個需求的時候一臉懵逼，也不知道該怎么做；然后就從網上找一下關于大模型做數據分析的框架和案例。

剛開始的時候，只知道把按照案例里的方式進行開發測試；甚至一度認為，讓大模型做數據分析就是數據丟給大模型，然后讓大模型分析一個結果。

但等到真正開始做的時候才發現，原來自己想的太簡單了，也太理想了，最重要的是也不符合邏輯。

直到這兩天才突然明白過來，其實我們使用大模型做應用，一直都是在把大模型當做一個“人”來用，而不是當做一個模型來用。

以AIGC為例，大模型在這里面扮演的就是其實就是一個創作者，它有一定的繪畫和設計能力，懂得PS和剪輯技術；這樣它才能幫我們生成各種圖片和視頻，當然也包括音樂。

而把大模型應用到數據分析里面，其實就是讓大模型扮演一個DBA的角色；想想以往的數據分析都是怎么做的？

之前基于人力做數據分析時，都是接到需求之后，由DBA對需求進行理解；然后按照理解編寫SQL或代碼來分析數據并獲得結果。

那么，大模型在數據分析里面是怎么做的呢？

大模型在數據分析里面并不是直接拿到數據然后直接進行分析；其原理就是讓大模型接替DBA的工作，讓大模型去理解用戶需求，然后根據需求生成相應的SQL或Pandas或其它語言的代碼，然后把這些SQL或代碼交給數據庫引擎或解釋器執行，然后再獲取結果。

因為現在大模型可以通過工具集成代碼解釋器直接執行代碼，其實本質上還是基于大模型的生成能力，只不過其中可能加入了部分推理能力；比如說理解用戶需求，生成代碼，這就需要大模型能力理解需求，并給出解決方案。

從這里看，大模型是不是就是一個人；而把這個思路擴展一下，大模型的所有應用是不是都是基于“人”這個角色來做的？只不過不同的大模型就類似于擅長不同領域的人，能夠處理不同領域的問題。

而以此作為切入點，這時我們在去探索大模型的應用時就會發現，使用這個思路，大模型的應用場景突然變得豐富起來，之前不知道把一些場景與大模型結合起來，現在也能想明白了。

只要把大模型帶入人的角色，然后之前人在這些場景中做什么，就可以嘗試讓大模型去做；用這樣的思考方式好像就發現，尋找大模型的應用場景就簡單多了。

不管AIGC還是現在爆火的Agent智能體，無外乎如此。

本文轉載自???AI探索時代??? 作者：DFires