（来源：上观新闻）
第一个从话语分🧝♀️👁️🗨️析的角度🌹，研究🐇🉑人们是如何理解和🦞想象“👩👧promp🥝🌸ting（训🕘练语言模型🙇🔂来完成特定任务的♈♑方法）”这个行为🇸🇬的🏳✨。历史经验表👩🎤明，价格上🐖涨往往是缓解供💜😌给短缺的🏺少数有效手段🕵之一🥘。看似微小的💩差异，在大规模👨🎤调用场景下，🔩会被显著放🈺🍓大，从而带来明显🇨🇮的成本差异❌👦。原因很🧳▶现实，视🇵🇼频生成太烧🏴钱，用户留存撑不🎎🇦🇼日本高清一区二区三起成本，Open🏞AI要🤽♂️把算力放回📆编码、企业🖱🇸🇹服务和机器人方🎱向🦠📋。
第二种是“魔法”🇻🇦🕑隐喻：把AI看👬😃作一个神秘的🇸🇸🐝、不可完全理解🌓的存在🎢🗽，pro🍗mpting🇬🇶就像是念📺🕉咒语或者🇲🇼“低语”，👨🦲🏥强调的是A🧁I的不透明性🌂。Karpat👨❤️💋👨hy 主张用 L⛹️♀️LM 充当“全🕞🏊♀️职研究馆员”，💨🙂取代传统 🙎RAG（👩⚖️检索增🇸🇴💊强生成）管道🌤中低效的即🔞时拼凑模式▶。
