我写的不够好吗？

一、推荐信

上周帮朋友写申请国外大学 offer的推荐信，那必须用 GPT 了，地道和专业的Letter翻译好发过去后，朋友却来了一句，我来调整下用词、语法和表达顺序。

我问她为什么？我（GPT）写的不够好吗？

她说，你一直在国内工作，而且都是本土企业，一下子写这么地道专业的推荐信出来，还有很多高级用词，审核老师一看就知道是 AI 写的，这样就不够真实可靠了，影响可信度。

我说老师这么厉害？

她说老师现在审核论文都要先判断是不是AI 写的，也有一些工具在辅助审核，所以你写的东西，大概率会被判断是 AI 的。

所以说，我写的推荐信最好土味儿一点比较好，Chinglish效果可能更好，因为更真实。

有时候真实比完美更重要，更有效果。

二、汇报材料

无独有偶，前几天在群里看到，有金融行业的同事在整理汇报材料，向群里其他人咨询一些经验。

我们说他，这种事情 GPT 不就可以搞定了。

他说 GPT 是帮忙搞定了，但是两个问题：

一是满满地 AI 味道，没有了我个人的风格。

这有点像看一个人写的东西多了，有时候不用看名字，一看内容就知道是谁的风格，其实就是这么个意思。

二是汇报有很多人，有些同事工作有交叉的地方，AI 生成出来的大差不差，所以几个人重合率很高，就坐实了 AI 生成。

所以他现在不得不花大量的时间调整 AI 输出的内容，转化成他自己想表的逻辑，只有这样才不会被领导骂：都是AI 生成的，要你何用。

三、知识库

最近我自己也在整理公司里的一些文档和知识，准备做知识库来训练内部的大模型。

使用过程中，我就明显发现有很多隐性知识障碍，在公司里或团队里，甚至领域内，大家都默认或约定俗成的东西，比如很多系数设定范围等，默认取值条件等，不是说没有标准，但是是要靠经验结合现场实际情况做判断，甚至是现场调了之后才能给出的。

做过参数调优的朋友肯定知道，I don't why, but it works.

但是文档中就没法很详细的介绍，但这些又是很重要的前置条件，对于后续严密的逻辑推导至关重要。

但是大模型在不知道的情况下，就没法弄，推导个两三步，逻辑就错了。

我想了下，好像目前也没什么太好的办法，只能是我们自己再把这些隐性知识尽量显性化一些，多一些实际案例做进去，让 AI 尽量理解准确。

甚至在未来给出推导的方向和路径就好了，中间的关键过程，还是要靠人类专家来判断和决策。

有多少 AI，就得有多少人工。我想这也是 AI 在专业领域大规模推广应用的主要问题。