LLM企业赋能（2/3）

探索LLM如何助力知识工作者提升工作效率，实现个人赋能。

核心内容：

1. LLM在信息获取中的应用：常识、公开信息和私有信息的处理方法
2. 信息处理前的自问：如何明确LLM在职场中的适用题型
3. 信息呈现：如何利用LLM优化输出结果，提升工作效率

上篇我们聊了LLM作为新型信息处理工具，如何与传统工具配合使用。这篇继续以信息处理为主线，深入看看知识工作者具体怎么用它来提效。

之前说过，个人赋能完全可以用现有的LLM应用实现，不需要企业专门开发新系统。文中会提到多种具体应用，但只是举例，不是唯一的选择。

知识工作者对信息的操作，大致可以分为三个环节——获取（输入）、处理、呈现（输出）。

信息大致分三类——常识、公开信息、私有信息。

常识

常识是LLM通过海量训练数据“记住”的信息，藏在其神经网络参数里。如今LLM的知识储备远超个人。越是普遍、重要的知识，训练数据中间出现频率越高，模型描述越准确。这部分可以直接问LLM。

不过要注意，这类信息深受训练数据影响。中美模型训练数据不同，在主观性较强的知识上，答案可能不一样。

公开信息

公开信息指互联网上能获取的所有信息。但LLM对训练截止日期之后的事一无所知，对比较小众的知识也容易出错（AI幻觉）。

解决办法是善用几乎所有LLM应用都有的联网搜索功能。它会根据提问上网搜索，整合结果后给出答案，并标注信息源。

信息源的影响很大。不同LLM应用的信息源有明显差异：中美应用更倾向搜索各自语言的网页；即便是国内应用，用的搜索引擎不同，结果也会差不少。

专门为搜索场景设计的AI应用（如Perplexity、国内秘塔搜索）能提供更高质量、更全面的引用。ChatGPT的Deep Research和智谱清言的沉思，更是把搜索提升到了专业调研级别——通过多轮搜索获取更完整的信息。

私有信息

私有信息是LLM训练时没接触过、网上也拿不到的，比如个人笔记、网盘文档或企业局域网资料。

这类信息可以通过文件上传方式给LLM。但如果要反复用，每次上传就太低效了。更好的办法是为LLM创建知识库。

现在有不少知识库类AI产品，比如得到的Get笔记、腾讯的imaCopilot。它们允许用户用现成文档构建知识库，再用内置模型（如DeepSeek R1）来查询。一些通用LLM也开始加知识库功能，豆包甚至支持基于本地模型的知识库（不过有硬件门槛）。

知识库不只限于私有信息。你也可以把高质量的公开信息或偏门知识放进去，弥补LLM本身和联网搜索的不足。

在让LLM干活之前，先问自己一个问题：我现在做的是哪类题？

LLM在职场擅长的题型大概有六种——阅读理解、看图说话、翻译题、数学题、逻辑推理、写作题。

是LLM的标配能力。对象可以是财报、国家标准、招标文件。这类任务有三点要注意：

• LLM支持的最大文本长度
• 有些PDF是扫描版，不少LLM解析能力有限
• 用户界面——比如豆包把原文和问答分两屏显示，能边看边问，体验更好

依赖多模态能力。可以描述软件界面，也可以评价海报设计。但要注意：有些LLM（如DeepSeek）虽然能上传图片，但只能提取文字，识别不了图像内容。

不只是不同国家语言间的转换。国内模型对英语支持普遍够用，但小语种国外应用可能更强。

它还包括不同教育背景、年龄、性别、职业造成的语言差异——部门之间沟通常因思维模式和专业术语不同产生误解。

最后是人和代码间的翻译，也就是编程。编程能力是衡量LLM的重要指标。专业工具有GitHub Copilot、Cursor、Trae等。对非程序员来说，通用LLM基本够用，有些还能直接运行代码（比如元宝和Claude）。

不是LLM的长项，这是底层技术决定的。估计还有人记得早期LLM搞不清0.9和0.11谁大。现在它主要靠写Python代码间接处理数学题。比如你要分析Excel数据，LLM会写Python读取文件并计算。专门的数据分析工具（如商汤办公小浣熊）还能直接修改Excel。

在做计划、定性分析时必不可少，这是推理模型的强项。自从DeepSeek出圈后，豆包、混元、通义等都有了推理模型。思维链不仅能帮模型产出更高质量的答案，也能给你额外启发。

和阅读理解一样，是标配能力。写邮件、周报、述职报告已经很普遍。这里关注两点——语言风格和用户界面。不同模型的语言风格差异很大，用多了就能感觉到。写长文通常是用户和LLM共创的过程，有些应用提供共同编辑页面，非常实用。豆包还支持直接下载Word、PDF、Markdown等格式。

有时候，怎么呈现信息比处理信息更重要。哪怕不考虑生图、生视频这类生成式AI和多模态LLM（如GPT-4o），最基本的LLM也能帮我们换着花样呈现信息。

。简短内容用纯文本就好，它也是其他形式的基础。复杂信息就需要用格式辅助表现层次、重点和关系。Markdown是个不错的选择，很多LLM界面用的就是它。

。逻辑性强、关系复杂的信息，需要用二维形式——流程图、组织架构图、思维导图。它们用图形和连线表示元素间的关系。上篇说过，可以让LLM以SVG、Mermaid等格式输出，再在相应应用里打开。

。图标适合直观表现一个概念，通常是简洁图形，同样可以通过SVG这个“中介”拿到。

。图表是数字的可视化。办公小浣熊除了数据分析还能制图。通用LLM可以借助网页（HTML文件）实现图表。

很多时候我们会同时用到以上几种方式，PPT是常用载体。想精确控制各元素，可以分别生成再组合；不要求精确控制就直接用PPT专用AI应用，比如AIPPT、LivePPT、Gamma、Prezi。另外有个叫Napkin的工具，能把一段文字一键转成图文并茂的可视化呈现。