【人工智能通识专栏】第九讲：迭代优化对话
上一讲我们学习了如何精细控制输出，让LLM一次给出更专业的结果。但现实中，即使提示写得再好，第一次输出也可能不完美。这时，迭代优化对话就成为关键技能：通过多轮交互，不断引导模型修正、深化、完善答案。这不仅是“聊天”，更是与AI协作的高效方式。
迭代优化是提示工程的“闭环”阶段，能将普通输出提升到专家级质量，尤其适用于复杂任务、长文本创作、代码调试、深度分析等。
1. 为什么需要迭代优化？
- LLM一次性输出有局限：上下文长度、注意力分散、偶尔幻觉。
- 人类思考也是迭代的：草稿 → 修改 → 定稿。
- 迭代能让模型“自我检查”、补充细节、调整方向，效果远超单次提示。
- 对推理模型（如DeepSeek-R1、o1），迭代可充分发挥其逐步思考优势。
2. 迭代优化的四大核心策略
| 策略 | 说明 | 示例回复 |
|---|---|---|
| 指出问题并要求修正 | 直接说明哪里不对、缺失什么 | “你的上一个答案中第三点逻辑有误：……请修正并重新解释。” “总结太笼统了，请补充具体数据和例子。” |
| 要求扩展或深化 | 让模型在已有基础上增加深度 | “在上一个答案的基础上，更详细地分析第三点的潜在风险，并给出应对策略。” “请为每个步骤添加实际案例说明。” |
| 要求精简或重组 | 处理冗长输出 | “上一个回答太长了，请浓缩到500字以内，保留核心观点，用bullet points呈现。” “请重新组织结构：先总述，再分点，最后结论。” |
| 要求自检或验证 | 让模型自我审查 | “请检查上一个答案是否有事实错误或遗漏，并逐条说明。” “请验证代码是否能正确运行，并给出测试用例。” |
3. 实战迭代流程示例（以写一篇AI报告为例）
第1轮（初始提示）：
请写一篇关于2026年大型语言模型发展趋势的报告，大约800字。
（模型输出一篇完整但较为泛泛的文章）
第2轮（指出问题+要求修正）：
上一个报告结构清晰，但深度不足。具体问题：
- “推理模型”部分只提到o1和R1，请补充DeepSeek-R1的具体技术亮点和基准成绩。
- 缺少对多模态模型的讨论，请新增一节。
- 结尾展望太乐观，请平衡添加潜在风险。
请在原报告基础上修改，保持800字左右。
第3轮（深化细节）：
很好，多模态部分已补充。但请在“风险”部分具体说明幻觉、偏见、能耗三个问题的最新缓解方法，并引用2025年相关研究或进展。
第4轮（最终精修）：
请检查整篇报告，确保所有数据准确、逻辑连贯。最后用专业语气润色语言，并添加小标题。
通过4轮迭代，一篇普通报告变成高质量专业稿件。
4. 代码任务中的迭代优化示例
第1轮：
用Python写一个读取CSV并绘图的脚本。
（模型给出基本代码，但缺少异常处理和美化）
第2轮：
代码基本可用，但有三点问题：
- 未处理文件不存在的情况，请添加try-except。
- 图表标题和轴标签太简单，请优化。
- 请添加保存图片的功能（savefig）。
请在上一个代码基础上修改并输出完整代码。
第3轮：
现在运行正常。请测试以下数据是否正确绘图，并解释如果数据有缺失值会怎样。
第4轮：
很好，最后请添加详细中文注释，并说明使用到的库版本要求。
迭代让代码从“能跑”变成“健壮+文档齐全”。
5. 进阶技巧
- 引用历史：明确引用“上一个答案”“上一段代码”，避免模型遗忘。
- 分模块迭代：复杂任务先拆解（如先写大纲 → 再填每节 → 最后整合）。
- 让模型主动建议：问“这个答案还有哪些可以改进的地方？”模型常能自己发现问题。
- 结合精细控制：每次迭代都明确输出格式要求。
- 对推理模型：要求“先思考改进点，再输出修正版”。
6. 练习建议
打开DeepSeek（推荐R1模型），尝试以下迭代任务：
- 先让它写一篇短文 → 指出3个问题要求修改 → 再深化一个部分 → 最后精修格式。
- 让它生成一段代码 → 故意找茬要求修复 → 要求添加测试和注释。
你会发现，迭代次数越多，输出质量呈指数级提升。
总结与展望
迭代优化对话是将LLM从“工具”变成“合作伙伴”的关键。单次完美提示很难实现，但通过3-5轮迭代，几乎所有任务都能达到专业水准。
记住：好的AI使用者不是一次性写出神级提示的人，而是擅长迭代对话的人。
下一讲，我们将正式进入Chain-of-Thought（思维链）提示，系统学习如何引导模型“一步步思考”解决复杂问题。
欢迎分享你最成功的迭代对话案例，或曾经的“翻车后救回”经历！
