LLM企业赋能（1/3）

LLM技术正在深刻改变企业与个人的信息处理方式，推动AI赋能走向新阶段。这篇文章聚焦三个核心话题：LLM在教育与企业场景中的潜力、个人与企业级应用现状与挑战、以及知识工作者如何借助LLM提升效率。

LLM的核心能力决定了它在教育和企业领域的价值潜力——这两个领域都是信息密度极高、需要理性思考的地方。从短视频平台上那些“用DeepSeek快速制作PPT”的教学，到云计算平台发布的大模型应用白皮书，LLM赋能已经成为热门话题。DeepSeek的爆火更直接推动了企业拥抱AI、部署本地化解决方案和一体机产品的热潮。

白皮书中倡导的企业级转型，通常需要高层战略支持和可观资金投入。但自上而下推行新系统，往往会在内部遇到使用上的摩擦力——这是各类企业转型中反复出现的普遍挑战。然而，基于LLM的AI转型与以往技术变革有一个关键区别：这项技术首先在消费端大规模普及。当下已有众多面向个人的LLM应用，这意味着个人可以主动从这些工具入手，自下而上地开始自我赋能。企业不仅无需额外投入，还能从员工使用这些工具的真实体会中获取有价值反馈，避免开发出一套外表光鲜但实际难用的系统。

个人赋能的学习资源虽然丰富，但短视频平台上的内容往往过于碎片化，缺乏系统性框架。即便是专业机构的培训，也多侧重于具体操作指导，缺少整体思路和方法论。最近正好有一套“LLM在职场赋能培训”的内容推出，这里分三篇文章分享其中的核心框架。

01 知识工作者的武器

彼得·德鲁克数十年前提出的“知识工作者”概念，至今依然有效。这类工作者的核心资产是知识，而知识的载体是信息；他们的工作本质就是“用信息创造价值”。个人电脑与软件普及后，知识工作者不再只靠大脑工作，而是借助各种信息处理工具。职场中最常见的是Office系列软件——Outlook、Word、PowerPoint、Excel，不同行业和职能还有各自的专业软件。

这些信息处理软件的功能可以归纳为两大类：改变信息呈现方式，以及改变信息本身。

改变信息呈现方式的例子：

• 思维导图在二维平面上用文字、图形和连线展示信息关系，而同样的信息也可以用Markdown文本呈现。Xmind等软件可以通过导入Markdown文件生成思维导图，信息本质并未改变。
• Mermaid语言可以制作甘特图、流程图，基于XML语法的SVG可以生成组织架构图。

改变信息本身的最简例子是计算器。如果把Office软件放在这个功能偏重的连续谱上：Outlook和Word更侧重改变信息呈现形式（字体、排版等），能改变信息本身的功能可能仅限于错别字自动更正；Excel则位于另一端，可以完成各种计算生成新信息，但主要处理数字信息，对文字信息的处理能力有限。

02 信息搬运工

LLM的出现改变了这一局面。它最擅长的正是文字信息处理——这意味着知识工作者可以把部分文字信息生产工作交给LLM，比如撰写邮件或PPT大纲。短期内，还无法完全抛弃现有软件，一方面这些软件已经形成庞大生态，另一方面LLM也无法直接操控它们（尽管Agent技术正在改变这一状况）。

于是，知识工作者需要扮演一个新角色——“信息搬运工”，负责在LLM与传统软件之间传递信息。信息搬运主要有三种方式：

1. 复制粘贴
   ：最直接的方式。比如把Excel中需要翻译的内容复制到LLM应用中，再把结果复制回来。LLM早期，这最常用。

2. 文件导入
   ：利用软件的文件导入功能传递信息。LLM擅长处理各种格式的语言，包括人类语言和计算机语言（HTML、XML、Markdown、Mermaid等）。除了前面提到的思维导图，也可以让LLM生成包含网站列表的HTML文件，导入浏览器创建收藏夹。

3. 运行代码
   ：较为迂回的方式。例如让LLM编写一段在Excel中生成日历的VBA代码，然后在Excel中执行。

这些方法只是LLM与传统软件深度整合前的过渡阶段。高频场景、庞大用户群体和明确价值会推动更便捷解决方案的出现。以PowerPoint为例，可能有三种形式：

1. LLM应用增强
   ：豆包、Kimi等LLM应用中已经增加了制作PPT的功能。

2. 现有软件LLM赋能
   ：在PPT软件中整合LLM能力，比如WPS的AI功能或ChatPPT等第三方插件。

3. AI原生应用
   ：全新的AI驱动PPT应用，如Gamma等。

03 与LLM高效协作

无论采用哪种形式，知识工作者与LLM的交互时间都会显著增加。因此，与LLM的有效沟通至关重要——体现在效率和效果两方面。

效率，是指以最快速度向LLM传递信息。最初的LLM应用（比如ChatGPT）只能通过打字对话，而现在的LLM应用已经具备多种能力，提供了更高效的交互方式：

• 对于现成的数字化内容，直接提供网址或上传文件。
• 对于脑中构想，可以通过语音输入提高速率。现代LLM已经能很好地通过语义识别声音信息，不少应用提供实时语音通话功能（如豆包）。
• 对于视觉信息，可以直接传输照片，某些应用已经支持视频文件（如通义）。
• 最高效的是实时视频交互——智谱清言和ChatGPT支持视频通话，豆包桌面版支持语音通话并共享屏幕。

这已经很接近在与一位同事远程协作了。

效果，是指如何让LLM返回预期结果，这取决于指令质量——也就是所谓的“提示词”或“咒语”。提示词工程在AI公司中会长期存在，但对用户来说，对提示词的要求会逐渐降低。一方面，AI公司会在后端通过大量系统提示词减少对用户提示词质量的要求；另一方面，LLM能力的提升也降低了对精确提示的依赖——推理模型的出现已经减少了对角色定义的需求。

但这并不意味着用户完全不需要关注与LLM的沟通方式。就好比即使与一个聪明人沟通，清晰的表达总是有益的。总有一些信息需要你主动提供给LLM。学习提示词模板就像学习外语时死记硬背例句，难以融会贯通。核心是提高沟通能力。既然LLM与人越来越像，完全可以借鉴已有的人际沟通理论和模型，比如STAR模型（情境、任务、行动、结果）、GROW模型（目标、现状、选择和意愿）、乔哈里视窗（根据信息是否为双方所知分为四个象限），等等。