LLM 對領域專業知識的回報：人類專家仍是關鍵瓶頸
為何重要
這篇文章揭示當前 LLM 的實際價值取決於使用者是否能結合領域知識釐清具體需求，對 AI 新創公司而言，純粹強調 prompt engineering 技巧已出現紅海，能深度整合垂直領域理解的平臺將具備更高的競爭護城河。
- 作者透過 Terence Tao 與 ChatGPT 討論 Jacobian Conjecture 逆例的互動，證明領域專家僅透過簡短訊息，就能引導模型進入「與數學家對談」而非「講解給門外漢聽」的模式。
- 擁有深厚領域知識者能像 Tao 一樣，以「這樣看起來比預期複雜」等婉拒語自然回推模型，或提出與模型建議不同的解題框架，而不直接進行字面性的否定。
- 在實務應用上，具備程式碼庫理論的開發者（如 GitHub 工程師）能提出具體驗證問題（例如「在這種情況下 X 有效嗎？」）來驅使 LLM 產生超越通才所能獲得的解決方案。