历史与AI的距离：聊天机器人在历史学科科研中的应用

聊天机器人的回答质量受到模型的数据集和参数影响，目前，许多从事垂直领域大模型开发的研究者积极应用微调（fine-）技术来训练大语言模型，使之在特定领域有更好的表现。但大部分非计算机专业的师生并不具备微调所需的算力资源和专业知识，掌握这一技术的时间成本也足以令人望而却步。但是，在不改变模型的前提下，从用户开始琢磨自己想问什么，到聊天机器人最终给出回复，中间有许多步骤提供了可优化的空间（如下面的流程图所示的A和D），来尽可能地使机器人的回复贴合用户所期待的答案。换言之，在人机互动中，大语言模型聊天机器人通过其预训练能力理解用户输入，并可能结合实时检索来响应查询。用户可以做的，则是向机器人更明确表述自己的需求，“教”机器人如何提取某些信息，这往往可以通过系统的“提示词工程”（ ）来实现。而提供知识库或插件，则是为机器人在最终生成回复之前提供额外的信息支持，市面上大部分大语言模型产品已为缺乏编程和机器学习基础的用户提供了此类服务，相信大家可以花费较短的学习时间来掌握相关应用。