來源: 很帥的投資客；作者:很帥的狐狸
科技改變生活，甚至可以改變我們的命運。
最近玩了一波DeepSeek‑R1等推理模型，竟然發現它們有潛力顛覆我們的溝通、工作、甚至投資的方式——
今天我打算跟大家嘮嘮，如何高效駕馭R1這類模型，同時讓它們啟發我們在工作、溝通和投資上的新思維。
貼士1：寫郵件而不是寫微信
前陣子，一個創業的朋友跟我吐槽：員工老是一通微信轟炸，資訊沒頭沒尾，重點模糊。
她跟我一樣，曾在外企/專業服務機構混過，郵件溝通那種條理和儀式感讓人舒服。
而現實中，大部分打工人還是習慣用微信/飛書/釘釘——
據2017年企鵝智庫對2萬人的調研，80%+的人用微信辦公，而用郵件的卻只有22.6%。
這也造就了我們短平快、高頻的溝通習慣。
這種溝通的單次資訊密度很低，很像我們之前跟GPT-4o/豆包/Kimi們的對話——
你給了點背景知識，讓AI出個方案或圖表，它立馬就有輸出。
如果有哪裡不滿意，就讓它一遍遍改，改到咱滿意為止。
而DeepSeek-R1等推理模型要是也這麼「對話式互動」的話，效率就大打折扣了——
每次提問都要深度思考，哪怕問個「2022年中國GDP是多少」，也得等上16秒。
所以針對R1等推理模型，更適合的做法是更清晰的「郵件式互動」。
我們需要在長郵件中，把你要完成的任務描述得儘可能清楚。
截圖/ swyx via Latent.Space
翻譯&製圖/ ChatGPT，很帥的投資客
前幾天我看了技術播客Latent.Space的一期節目《o1不是一個聊天模型（o1 isn’t a chat model）》（OpenAI的o1是第一個會深度思考的推理模型）。
播客節目裡頭介紹了一種o1的提問模板——
-
目標：你的目標是什麼？ -
格式：你期待的是什麼交付格式？ -
注意要點：解決過程中有哪些坑是必須避開的？ -
背景資訊：所有你認為可能會影響答案的背景都得給上！
截圖/ Latent.Space
順帶一提，根據OpenAI官方的提示詞指導，如果給提問加上XML標籤會提高表現。
比如可以這麼提問——
<目標>給我推薦5個可以穩健增值財富的資產類別，並幫我分配好投資比例。</目標> <格式>請以通俗易懂的語言、以表格的形式給到我方案。</格式> <注意要點>我希望可以不影響目前的生活水平。</注意要點> <背景資訊>目前我是一個生活在中國的單親媽媽，我手頭上有100萬人民幣，每個月收入1萬人民幣、支出9千人民幣，是個什麼都不懂的理財小白，我的風險偏好很低。投資週期我希望可以在10年內，因為10年後我想把這筆錢留給女兒。</背景資訊>
「郵件式互動」的溝通方式也適用於同事間的溝通（即使仍是在微信/釘釘/飛書上）——
畢竟AI任勞任怨可以24小時隨時回覆，但對其他同事也一來一回地「對話式互動」的話，那對方的工作會被頻頻打斷。
貼士2：不要光思考
o1和R1等推理模型有一個先天缺陷——腦補能力過強。
推理模型很擅長的是「自包含問題」，比如數學、程式碼之類的理工科題目——題面裡所有已知條件都有了，它只要負責思考就可以了。
但如果我們的問題還需要很多額外的背景知識，最好一次性都丟給它。
伯克利的Alejandro Cuadron等人在論文《過度思考的危險》（The Danger of Overthinking）裡，把這個缺陷稱為「推理-行動兩難」——
他們讓各個模型去嘗試解決真實世界的程式碼問題（SWE-Bench測試集）。
要解決這些真實存在的程式碼問題，需要去搜集背景資訊（比如看整個程式的所有相關程式碼，比如去閱讀各個庫的說明文件等等）。
而現實世界的問題，不是「已知XXX，求XXX」，很多資訊需要自己去找。
而測試下來，推理模型會自己腦補各種背景資訊，所以往往無法順利解決真實世界的問題（因為腦補的資訊跟真實需求對不上）。
所以就跟人類閉門造車一樣，AI想得越多，表現越差。
截圖/ The Danger of Overthinking
備註/ 橫軸為「過度思考分」，縱軸為「解決問題的比例」
換句話說，當你跟推理模型溝通時，如果不想它不受控地腦補，就把該給的所有背景資訊都給到。
一個有意思的做法，是先用手機錄音，碎碎念所有的背景資訊，然後再把語音轉文字，跟指令一起發給AI。
這有點像我們對待公司的新人——
可能會花一整個下午的時間，跟TA碎碎念公司做的業務、過各種數字……
而反過來，當我們融入一個新環境、接受一份新工作、迎接一個新客戶時，在開始工作前，一定要儘可能地先蒐集自己需要知道的各種背景資訊。
貼士3：重結果而不是重過程
以前我在麥肯錫的時候，有些領導會吐槽我「陽奉陰違」——
他們會比較micro-manage，會給我一套「標準流程」，讓我照做。
而我總是秉承「只要結果一樣work，怎麼做不是很重要」的心態，用自己的方法把工作給做了。
類似的，我之前在某Fintech公司時，同事來自各行各業——有的之前在網際網路大廠，有的之前在金融機構，有的之前在快消公司……
每個人的工作方式都非常不一樣。
如果限制他們，要求只能諮詢公司的工作方法，那影響產出效率是一方面，另一方面也不能發揮每個人的專長。
類似的，當我們讓DeepSeek-R1等推理模型工作時，最好也把提問聚焦在「我要的結果是什麼」上。
至於「如何實現我要的結果」，咱不用過度干預。
使用以前的GPT模型時，我們會習慣說「現在你是一個資深的基金經理」之類的提示詞，這個提示詞現在放在R1或o1上，效果反而不一定有以前好。
貼士4：需重視資料和事實的驗證
這一點主要是為了應對R1比較嚴重的「幻覺問題」。
所謂「幻覺」，也就是AI「一本正經地胡說八道」。
比如虎嗅就提到，讓DeepSeek制定成都遊玩攻略時，它推薦了在杜甫草堂旁邊的「川納萬海」咖啡館，不過實際上這家咖啡館距離杜甫草堂8.8公里。
R1的幻覺有多嚴重呢？
根據休斯幻覺評估模型（HHEM）的評測，R1的幻覺率高達14.3%。
這個幻覺評估測試，主要是讓模型對文字進行總結摘要。
有時候我讓R1總結一些PDF報告，它也會說出一些報告裡頭沒有的細節。
這跟R1的訓練過程有關——
R1在訓練理工科題目時，因為大多有標準答案，所以幻覺不嚴重。
但R1在訓練文科題目時（寫作/事實問答/自我認知/翻譯），用的是V3模型的監督微調資料，也會讓V3模型來生成一些資料。
目前看來，V3模型會鼓勵創造性多一點。
但過度創造就是「編造」了，所以如果用R1來做報告的話，查證事實方面要下點功夫。
類比投資，我們平時在各個社群會接收到大量未經驗證的「小作文」。
只是盯著小作文進行投資，很容易就成了那個幫人抬轎子的工具人。
所以收集資料和資訊時，千萬要重視資料和事實的查證。
不然你的結論可能與事實相距甚遠。
再多說幾句投資——
就像美銀說的，DeepSeek是中概股的「阿里IPO時刻」——2014年阿里上市帶動了中國「新經濟」板塊的崛起，吸引了全球長期資本的流入。
前幾天看到華創證券還特意寫了份報告，統計了ETF中的DeepSeek含量。
一級行業裡頭，像是計算機ETF南方（159586）追蹤的指數就覆蓋了最多DeepSeek概念股（47/90）。
寬基方面，像是科創50ETF南方（588150）追蹤的指數也覆蓋了19.8%，接下來是159780追蹤的科創創業50（佔比11.1%）和530580追蹤的上證180（佔比8.1%）。
有意思的是，微信接入DeepSeek後，甚至連騰訊也被當成DeepSeek概念股了。
今天刷雪球，也看到有人在困惑：同是接入DeepSeek，為啥騰訊漲了百度卻跌了？
答案也很簡單——
其實百模大戰裡，到尾聲的時候，大模型能力已經沒那麼重要了（同質化很嚴重）。
就像Google之前對自己和OpenAI的評價——「我們沒有護城河，OpenAI也沒有。」
哪個大模型更好用，使用者就會切換過去，而且並沒有什麼切換成本。
就算是Agent也是一樣的——如果現在有比Perplexity和Cursor更好用的產品，那我也會瞬間切換過去。
在這個階段，反而是場景和資料更重要。
像馬化騰說的，工業革命早一個月把電燈泡拿出來，在長的時間跨度上來看是不那麼重要，關鍵要把底層演算法、算力和資料紮紮實實做好，而且更關鍵的是場景落地。
場景的機會，目前的坑都被大廠給佔了，別人暫時也搶不走。
而微信擁有大量的公眾號文章資料，在資訊檢索效率方面比錯失了移動端機會的百度還是甩了幾條街的。
類似的還有小紅書和B站。
而且資訊搜尋本身是百度的基本盤，本來大家還指望著它靠文心一言等AI產品逆風翻盤，現在相當於這個故事也講不通了。
對此，您怎麼看？
期待您在留言區文明理性釋出高見，留言點贊最高的朋友，掃碼文末投行君微信，可以獲得投行圈子精美商務揹包一個。
感謝耐心閱讀，歡迎順手點個“在看”
投行圈子私密交流圈將打造投行圈最靠譜的人脈拓展平臺，並組建多個私域社群，根據會員職業及愛好，進入（投行業務交流、專業學習、股權投資、資管、業務推廣、上市公司高管、銀行、海外資產配置、單身脫單、摜蛋等等)相關社群。目前已超過5000位精英會員，各位老鐵速來掃碼集合。
要想每天都能看到我們的文章，記得點亮“星標”
↓點選關注投行精英對話視窗回覆“乾貨”，獲得投行乾貨大禮包↓
我正在「投行圈子」和朋友們討論有趣的話題，你⼀起來吧？點選閱讀原文，加入投行圈子知識星球。