我們都知道傳統(tǒng)的難題：緩存失效、命名、越界錯(cuò)誤。配置是新的——甚至更令人頭疼的——難題。

譯自How LLMs Guide Us to a Happy Path for Configuration and Coding，作者 Jon Udell。

我們都有不同的學(xué)習(xí)方式。不幸的是，我的學(xué)習(xí)方式是先嘗試所有錯(cuò)誤的方法，最后才能找到正確的方法。這并不總是壞事。通過探索所有不順暢的路徑，你可以對(duì)一個(gè)復(fù)雜的系統(tǒng)有更深入的了解，這種學(xué)習(xí)是有價(jià)值的。但很多時(shí)候，你只想走上幸福之路，盡快到達(dá)目的地。

隨著我們的系統(tǒng)變得越來越復(fù)雜、分層和相互依賴，不順暢的路徑也隨之增多。

在所有技術(shù)領(lǐng)域中，配置是最容易出現(xiàn)不順暢路徑的領(lǐng)域。隨著我們的系統(tǒng)變得越來越復(fù)雜、分層和相互依賴，這些不順暢的路徑也隨之增多。我們都知道傳統(tǒng)的難題：緩存失效、命名、越界錯(cuò)誤。我認(rèn)為配置是新的——甚至更令人頭疼的——難題。

這周，我需要擴(kuò)展人類洞察力 + 大語言模型的苦力 = 創(chuàng)意出版解決方案中描述的解決方案。使用 Google Docs 來編寫和協(xié)作審查文檔，然后將其轉(zhuǎn)換為為我們的網(wǎng)站提供支持的 Markdown，已經(jīng)解決了一個(gè)大問題。但它也不可避免地帶來了一個(gè)新問題。當(dāng)我們審查這樣創(chuàng)建的大量文檔時(shí)，我們意識(shí)到我們對(duì)文件名和標(biāo)題的約定需要改變。如果在 Google Docs 中手動(dòng)進(jìn)行，這將是一項(xiàng)痛苦的練習(xí)，而且我找到的任何插件都無法處理基于正則表達(dá)式的多文檔搜索和替換。因此，除了讀取和翻譯 GDocs 的轉(zhuǎn)換器之外，我還需要一個(gè)更新器來自動(dòng)執(zhí)行就地轉(zhuǎn)換。

如何快速學(xué)習(xí) Google Docs API 的必要知識(shí)來完成這項(xiàng)工作？

如果這些文檔只是本地系統(tǒng)上的文本文件，那么這將是微不足道的，因?yàn)榇笳Z言模型具有強(qiáng)大的正則表達(dá)式能力。但它們是 Google 文檔，這完全是另一回事。弄清楚如何對(duì) Google 進(jìn)行身份驗(yàn)證一直是我的一大難題。如果這是我必須定期做的事情，我會(huì)積累足夠的經(jīng)驗(yàn)來克服它，而不會(huì)有太多戲劇性。但就像很多這樣的瑣事一樣，這不是我經(jīng)常做的事情。兩次遭遇之間可能會(huì)有幾個(gè)月甚至幾年的時(shí)間，所以每次遭遇都意味著要爬上一條痛苦的學(xué)習(xí)曲線。我需要?jiǎng)?chuàng)建什么樣的 OAuth 應(yīng)用程序？請(qǐng)?jiān)俅翁嵝盐谊P(guān)于那個(gè)同意屏幕。哦，對(duì)了，我必須弄清楚要啟用哪些 API，然后顯式地啟用它們，對(duì)吧？然后確定哪些范圍可供我的應(yīng)用程序使用？以及如何持久化身份驗(yàn)證令牌？然后，請(qǐng)?zhí)嵝盐?，?dāng)我更改范圍時(shí)，是否需要?jiǎng)h除令牌并重新進(jìn)行身份驗(yàn)證？哦，我的轉(zhuǎn)換器和更新器可以共享公共憑據(jù)嗎？最后，如何快速學(xué)習(xí) Google Docs API 的必要知識(shí)來完成這項(xiàng)工作？

你知道其他人以前也走過同樣的路。

我一直討厭以這種艱難的方式重新學(xué)習(xí)所有這些廢話必要的但令人討厭的儀式。你知道其他人以前也走過同樣的路。如果你能拍拍其中一個(gè)人的肩膀，并與他們進(jìn)行五分鐘的交談，你就可以避免這些陷阱。從歷史上看，我們獲取這些知識(shí)的最佳方式是進(jìn)行網(wǎng)絡(luò)搜索和閱讀文檔。與之前相比，這已經(jīng)很了不起：閱讀書籍、參加課程。但仍然不夠好。網(wǎng)絡(luò)搜索、文檔、書籍和課程對(duì)你在學(xué)習(xí)時(shí)所處的特定環(huán)境沒有很好的反應(yīng)，如果有的話。大語言模型擴(kuò)展了我們與知識(shí)淵博的人交流的機(jī)會(huì)。這是一種間接的訪問方式，它是不個(gè)人的，如果我能及時(shí)找到合適的人，我不會(huì)選擇它。但這很少可能，與大語言模型交談是一個(gè)很好的替代方案。

重構(gòu)專家關(guān)注

我們應(yīng)該花點(diǎn)時(shí)間思考這一點(diǎn)。在重塑發(fā)現(xiàn)：網(wǎng)絡(luò)科學(xué)的新時(shí)代中，邁克爾·尼爾森寫道：

“在創(chuàng)造性解決問題的過程中，在正確的時(shí)間獲得正確專家的關(guān)注往往是最寶貴的資源。專家關(guān)注對(duì)于創(chuàng)造性解決問題就像沙漠中的水對(duì)于生命一樣：它是基本稀缺資源?！?/p>

本書中一個(gè)重要的故事講述了名為 InnoCentive 的組織（現(xiàn)已并入眾包問題解決平臺(tái)Wazoku Crowd）如何幫助一個(gè)非營利組織——該組織需要在印度農(nóng)村地區(qū)可靠運(yùn)行的太陽能無線路由器——與 Zacary Brown 聯(lián)系，Zacary Brown 是一位軟件工程師和無線電愛好者，擁有必要的技能。尼爾森補(bǔ)充道：

“InnoCentive 通過重構(gòu)專家關(guān)注度來創(chuàng)造價(jià)值，使 Zacary Brown 等人能夠以高杠桿的方式運(yùn)用他們的專業(yè)知識(shí)?！?/p>

我們絕對(duì)應(yīng)該期望我們的協(xié)作工具（看看你，Slack?。┠軌驇椭覀冇行У乩脤＜谊P(guān)注度。我們?nèi)绾螏椭藗冊(cè)诮M織中與專家聯(lián)系，而不會(huì)讓這些專家充斥著不必要的、會(huì)扼殺工作流程的干擾？這是一個(gè)重要的開放性問題。正如我上次提到的，像Cody和Unblocked這樣的基于 LLM 的工具可以充當(dāng)同事的代理，從而保護(hù)他們免受干擾。但我們不要忽視以最有效、最不具破壞性的方式將人們聯(lián)系在一起的必要性。在這方面，還有很大的提升空間——或者與 Slack 競爭。

看我的屏幕

展示而不是講述的能力是一個(gè)改變游戲規(guī)則的能力。

如果我能說服一位專家指導(dǎo)我完成 Google 的身份驗(yàn)證迷宮，我們就會(huì)進(jìn)行一個(gè)帶有屏幕共享的通話，這樣我就可以展示我各種失敗的嘗試。令人高興的是，現(xiàn)在使用 LLM 可以做到這一點(diǎn)。正如我之前多次提到的，將屏幕截圖粘貼到 ChatGPT（現(xiàn)在也包括 Claude）中是一種非常有效的方法。以下是我在轉(zhuǎn)錄中看到的一張幫助我走出迷宮的圖片。

這張圖片值千言萬語。它表明我們是在 Python 的 Google API 客戶端的上下文中操作的，并且我們已經(jīng)使用某種有效的憑據(jù)對(duì)服務(wù)進(jìn)行了身份驗(yàn)證，但文檔 ID 錯(cuò)誤或沒有授予必要的范圍（或應(yīng)用程序未請(qǐng)求），或者可能存在其他問題。用文字將這種上下文傳達(dá)給另一個(gè)人會(huì)很乏味——這就是我們進(jìn)行屏幕共享的原因。用相同的文字提示語言模型也會(huì)同樣乏味。展示而不是講述的能力是一個(gè)改變游戲規(guī)則的能力。

該轉(zhuǎn)錄中的其他屏幕截圖顯示：

• Google 文檔本身，證明我擁有正確的文檔 ID。
• Google 文檔的共享對(duì)話框，證明作為已登錄用戶，我可以查看和編輯具有該 ID 的文檔。
• 開發(fā)控制臺(tái)的同意屏幕，證明我已授予必要的范圍。

從我的屏幕上抓取一些內(nèi)容并將其粘貼到 ChatGPT 中，使所有這些基本的故障排除工作變得輕而易舉。

在這種情況下，問題出在其他地方。首先，在添加必要的范圍后，我需要?jiǎng)h除保存的令牌并重新進(jìn)行身份驗(yàn)證。其次，我的腳本需要在其 API 請(qǐng)求中包含該添加的范圍。這些錯(cuò)誤已經(jīng)反復(fù)出現(xiàn)，我最終會(huì)自己糾正。通過利用之前走過這條路的人們的經(jīng)驗(yàn)，ChatGPT 加快了我識(shí)別和擺脫我遇到的陷阱的能力。

解釋代碼

現(xiàn)在我讓 LLM 以長格式編寫正則表達(dá)式，并附上極其詳細(xì)的注釋。

從身份驗(yàn)證迷宮中出來后，一切都很順利。以下是匹配模式列表并在其中替換替換項(xiàng)的核心函數(shù)。

這不是 Claude 生成的原始函數(shù)。在那個(gè)函數(shù)中，正則表達(dá)式看起來像調(diào)制解調(diào)器線路噪音。它們工作正常，但我沒有信心能夠理解、解釋或修改它們。因此，現(xiàn)在我讓 LLM 以長格式編寫正則表達(dá)式，并附上極其詳細(xì)的注釋。它們不會(huì)主動(dòng)這樣做，但如果你堅(jiān)持，它們會(huì)照辦。

趁此機(jī)會(huì)，我要求快速復(fù)習(xí)一下 Python 的 re.sub 和其中匿名（lambda）函數(shù)的使用。我不再需要掌握這些習(xí)慣用法，這使我可以專注于我要解決的問題。但這只有在我能夠快速輕松地恢復(fù)知識(shí)的情況下才是一種可行的策略，而 LLM 有力地使我能夠做到這一點(diǎn)。

找到其他人走過的幸福之路

在如何使用“AI”中，Nicholas Carlini 提供了我在本專欄中一直在探索的策略的詳盡列表。他寫道：

“幾乎所有事情都已經(jīng)被其他人做過。你想要做的幾乎沒有什么真正是新穎的。語言模型在提供你之前見過的解決方案方面非常出色?！?/p>

有些人認(rèn)為，通過聚合從人類經(jīng)驗(yàn)中汲取的知識(shí)，大語言模型（LLM）并非如“生成式”一詞所暗示的那樣是創(chuàng)造力的來源，而是平庸的傳播者。既對(duì)又不對(duì)。確實(shí)，真正新穎的想法和方法很少，我并不期望 LLM 能產(chǎn)生它們。然而，大多數(shù)創(chuàng)造性行為都包含對(duì)已知想法和方法的新穎組合。由于 LLM 極大地提高了我們進(jìn)行這種組合的能力，因此它們是人類創(chuàng)造力的放大器，而不是威脅。