LLM企业赋能（1/3）

推荐语

LLM技术如何重塑企业与个人的信息处理能力，推动AI赋能新浪潮。

核心内容：
1. LLM技术在教育和企业中的应用潜力
2. 个人和企业级LLM应用现状及挑战
3. 知识工作者如何借助LLM提升信息处理效率

杨芳贤

53A创始人/腾讯云(TVP)最具价值专家

我始终觉得LLM的核心能力决定了其在教育和企业中的巨大价值潜力，两者都是信息密度极高且受益于理性思考的领域。

从个人级别的应用（如短视频平台上的DeepSeek制作PPT教学），到企业级解决方案（如云计算平台供应商发布的大模型应用白皮书），LLM赋能已然成为当下热门话题。

Deepseek的爆火，更是推动了企业拥抱AI、部署本地化解决方案及一体机产品的热潮。

白皮书倡导的企业级转型通常需要高层的战略支持和可观的资金投入。然而，自上而下推行的新系统与新技术往往会遇到内部使用时的摩擦力，这是各类企业转型过程中反复出现的普遍挑战。

但我认为，基于LLM技术的AI转型与过往技术变革存在一项重要区别。

这项技术首先在消费端得到广泛应用。当下已有众多面向个人的LLM应用，这意味着个人可以主动从这些工具入手，自下而上地开始自我赋能。

企业不仅无需做出额外投入，还能从个人在使用这些工具时的真实体会和反馈中获取有价值的信息，避免开发出一套外表光鲜但实难使用的系统。

虽然个人赋能的学习资源丰富多样，但短视频平台上的教学内容往往过于碎片化，缺乏系统性框架。即使是我接触过的一些专业机构培训，也多侧重于具体操作指导而非提供整体思路和方法论。

我近期制作了"LLM在职场赋能培训"的第一版，旨在提供一个结构化框架。我将分三篇文章分享其中的核心内容。

01

知识工作者的武器

彼得·德鲁克数十年前创造的"知识工作者"概念指出，这类工作者的核心资产是知识，而知识的载体是信息；他们的工作本质就是"用信息创造价值"。

个人电脑与软件普及后，在所谓的信息时代，知识工作者不再仅依靠大脑工作，而是借助各种信息处理工具。职场中最常见的莫过于Office系列软件（Outlook、Word、PowerPoint、Excel）。当然不同行业不同职能也有各自的专业软件。

这些信息处理软件的功能可分为两大类：改变信息呈现方式和改变信息本身。

改变信息呈现方式的例子：

• 思维导图在二维平面上用文字、图形和连线展示信息关系，而同样的信息也可用Markdown文本呈现。Xmind等软件可通过导入Markdown文件生成思维导图，信息本质并未改变。

• Mermaid语言可制作甘特图、流程图，基于XML语法的SVG可生成组织架构图。

改变信息本身的最简例子则是计算器。

将Office软件放在功能偏重的连续谱上：

• Outlook和Word更侧重改变信息的呈现形式（字体、排版等），能改变信息本身的功能可能仅限于错别字自动更正。

• Excel则位于另一端，可完成各种计算生成新信息，但主要处理数字信息，对文字信息的处理能力有限。

信息搬运工

LLM的出现改变了这一局面。它最擅长的恰是文字信息处理，这意味着知识工作者可以将部分文字信息生产工作交给LLM，例如撰写邮件或PPT大纲。

短期内，我们还无法完全抛弃现有软件，一方面这些软件已形成庞大生态，另一方面LLM也无法直接操控这些软件（尽管Agent技术的出现开始改变这一状况）。

这意味着知识工作者需要扮演一个新角色——"信息搬运工"，负责在LLM与传统软件之间传递信息。信息搬运主要有三种方式：

1. 复制粘贴：这是最直接的方式，如将Excel中需翻译的内容复制到LLM应用中，再将结果复制回来。LLM初期，这是最常用的方式。

2. 文件导入：利用软件的文件导入功能传递信息。LLM擅长处理各种格式的语言，包括人类语言和计算机语言（HTML、XML、Markdown、Mermaid等）。除了上面提到的思维导图；也可以让LLM生成包含网站列表的HTML文件，导入浏览器创建收藏夹。

3. 运行代码：较为迂回的方式。例如让LLM编写一段在Excel中生成一份日历的VBA代码，在Excel中执行。

以上方法只是在LLM与传统软件深度整合前的过渡阶段。高频场景、庞大用户群和明确价值会推动更便捷解决方案的出现，以PowerPoint为例，可能有三种形式：

1. LLM应用增强：豆包、Kimi等LLM应用中已经增加制作PPT的功能。

2. 现有软件LLM赋能：在PPT软件中整合LLM能力，如WPS的AI功能或ChatPPT等第三方插件。

3. AI原生应用：全新的AI驱动PPT应用，如Gamma等。

与LLM高效协作

无论采用何种形式，知识工作者与LLM的交互时间将显著增加，因此与LLM的有效沟通至关重要，这体现在效率和效果两方面。

效率指以最快速度向LLM传递信息。最初的LLM应用（如ChatGPT），只能通过打字输入与之对话。而如今的LLM应用已经具备了各种能力，提供了更高效的交互方式：

• 对于现成的数字化内容，直接提供网址或上传文件。

• 对于脑中构想，可通过语音输入提高速率。现代LLM已能很好通过语义识别声音信息，不少应用提供实时语音通话功能（如豆包）。

• 对于视觉信息，可直接传输照片，某些应用已支持视频文件（如通义）。

• 最高效的是实时视频交互，如智谱清言和ChatGPT支持视频通话，豆包桌面版支持语音通话并共享屏幕。
  

这已经很接近在与一位同事远程协作了。

效果指如何让LLM返回预期结果，这取决于指令质量，即所谓的"提示词"或"咒语"。

提示词工程在AI公司中将长期存在，但对用户而言，对提示词的要求会逐渐降低。

一方面，AI公司会在后端通过大量系统提示词减少对用户提示词质量的要求；另一方面，LLM能力的提升也降低了对精确提示的依赖，如推理模型的出现已减少对角色定义的需求。

但这并不意味着用户完全不需要关注与LLM的沟通方式。就好比即便在与一个聪明人沟通时，清晰的表达总是有益的。总有一些信息是需要你主动提供给LLM的。

学习提示词模板就像学习外语时死记硬背例句，难以融会贯通。核心是提高沟通能力。

既然LLM与人越来越像，那我们完全可以借鉴已有的人际沟通理论和模型，例如STAR模型（情境、任务、行动、结果），GROW 模型（目标、现状、选择和意愿），乔哈里视窗（根据信息是否为双方所知分为四个象限），等等。

接下来的两篇文章，我仍将围绕信息处理展开探讨个人与团队/企业在职场中如何具体利用LLM赋能。