[Flow Schmidt]

@Friedrich @Nuomt @ErwinSanchez

为什么这里要用 DeepSeek 的模型来训练？open ai 也有開源模型，為什麼不是這個？有没有替代方案?比如AWS / Google Cloud / Hugging Face Hub或者 Azure

这里需要做一个澄清：“路德社思维模型”是一份提示词？还是一个大语言模型？还是什么别的东西？

我认为可以先用最小的代价实现路德社思维模型的效果，于是，我个人的构想是：设计一份提示词，使得任意大语言模型都能在该提示词的驱动下，按照路德社的思维方式做推理。

既然需要设计提示词，那么该任务便属于提示工程，提示工程的发展、优化、迭代一般包含以下部分：

• 需要选择一些大模型来测试提示词的效果。这里 @antoniozeng1 提议用 deepseek 的开源模型，原因也很简单，因为首先它的中文比较好，自身就懂一些中国的人情世故，其次它自带审核，如果它都能理解路德社思维模型，那其它能力强的大模型更容易理解。
• 需要构建一个数据集，其中每个样本为一条测试效果用的问题，比如一条国内新闻，或者一条时事评论等。
• 需要采集大模型在该数据集上的输出。固定一个版本的思维模型提示词后，遍历一遍以上的数据集，便可得到 deepseek 在该数据集上的输出。
• 需要一个评估方法，为大模型的输出打分。为了验证大模型是否真的在该提示词的驱动下懂了路德社思维模型，需要一种评估的方法，对大模型的输出打分。
• 持续优化提示词，提升大模型输出的表现。

所以，选择啥模型其实并不特别要紧。OpenAI 的开源模型也是可以的，看个人喜好罢了。

但是，如果愿意加大投入力度，将该任务定义为微调一个能按照路德社思维模型来思考的大模型，那么情况就大不一样了。此时的任务不再属于提示工程，而是模型微调。模型微调一般有以下部分：

• 需要构建一个微调数据集。该数据集的每个样本为 [输入, 输出] 对，输入可以是时事评论、宣传文稿、验证过的新闻等，输出则是符合路德社思维模型的分析。
• 选取一个大模型，用该数据集做微调。此时需要选取一个合适的大模型来做微调。可以选取自己用得比较趁手的模型。
• 评估微调后的模型效果。用一些该模型之前没见过的数据做微调后的评估，检验其是否真的“懂”了这个思维模型。

微调后，将得到一个“懂”路德社思维模型的大语言模型。这么做的好处是，得到的大模型发挥会比较稳定，但弊端是灵活性差，自己部署成本也高。

[Flow Schmidt]

@Nuomt 糯米团你好！你说得蛮对的，认知框架的建立依赖于牢固的底层世界观，以及分析问题时逻辑的前后一致性。中共自己也有一套分析问题的叙事框架，但我不称之为认知框架，因为该叙事框架有一个最高服务指示：“伟光正”，任何分析都必须服从于该最高指示，但事实往往又和它相反，最终导致的结果就是他们不得不牺牲逻辑。而逻辑是认知框架的基石，所以我称他们的这个为某种“叙事框架”。

这里我还需要做一些澄清。我的初代“路德社思维模型”并不是将某一期路德节目交给AI然后讨论分析的，而是按照如下路径得到的：

• 我最先有了一个构建“思维模型提示词”的想法，我先和AI讨论了一会“如何设计一个引导大模型在特定世界观下进行推演的系统提示词”（此时并没有先入为主地引入任何世界观），大致确定出了“多层级思考”这种结构。
• 进一步，我们确定了思维模型中最好包含4个层级（3个层级有点少了，5个层级又稍微有点多了）。其中第1层是最基础的世界观，该世界观是几乎不随时间变化的；第2层是在该世界观下，面对信息，可以灵活使用的多个元思考模型（借鉴了查理芒格的多元思维模型）；第3层是一些有前因后果的叙事，这些叙事使用了第2层的元模型，并将一些已验证的新闻信息串起来；第4层则是零散的、已验证的开源情报和新闻。
• 最后，我让AI固定住该思维模型框架，然后提供了几十期路德时评的链接，让AI持续迭代该思维模型提示词，最后得到当前版本。

按理说，该思维模型框架也可以适用于一些人文类的垂直领域（比如社会科学、政治科学、历史学等），可以基于各垂直领域做定制。当前这个版本的提示词专门用于分析时事新闻、国际地缘政治，不适用于其它任务。

其实在某种意义上，第四天的任务，重中之重是“全民认知框架的重塑”任务。而直接能够潜移默化影响一个人认知的，除了日常所刷的信息流、日常所见的人之外，就是日常所用的AI了。而AI的输出是我能通过提示工程直接影响的（前二者不是我依靠自身能力就能影响的），这也是我做这件事的原因。

[Flow Schmidt]

@antoniozeng1 Antonio 你好！以上补充对我很有启发。我觉得你提出的 1.3 – 1.7 放在元模型层更合适？我再想想。

@satoshi Satoshi 你好！我也觉得这个需要开个 GitHub repo (以及 HuggingFace)，我认可 Antonio 的看法，如果路德社官方账号愿意开设 repo 的话最好。如果官方不开的话，我就自己开一个，然后分享到这里。

我个人对路德社思维模型的构想是 [10^4 token 以内的系统提示 + 必要的知识库] 的模式，该阶段不涉及模型微调任务，这么做的好处是它可以让任意（30B或以上的）大模型掌握路德社思维模型。当然，如果为推理阶段的 CoT 专门训练，效果应该会更好。

[Flow Schmidt]

补充：“路德思维模型”版本 V1.0 的原帖见 信息技術研習社，原帖包含了提示词的构建逻辑、使用方式等。感谢 @ErwinSanchez 专门开设本专区进行提示词的迭代工作。后续贡献者请把用户名添加在提示词的相应位置。

各模塊（政治、經濟、軍事、信息戰等）如何協同？

我认为，这几个模块都属于叙事层 (Layer 3)。叙事层的构建应当包含：高信息密度的流畅逻辑叙述 + 针对已发生的重大事件的前因后果举例。叙事层其实是需要像调用工具一样，调用上一个元模型层的各种元模型的（但是当前并没有很好地指出各元模型的应用）。当前的版本有很大的优化空间。

元模型层 (Layer 2) 的构建当前也是非常粗略的，每个元模型的功能、思维方式和应用举例并没有很好地交代。

对于事实层 (Layer 4)，我认为用 markdown list 的方式罗列出各个已验证的 [时间+地点+事件+人物] 格式的新闻，可能是更利于人类维护的方式。理想情况下，每月更新一次事实层、每季度更新一下叙事层就差不多了。

P.S. 这个思维模型很可能随着时间的推移，变得越来越庞大。为了让大模型能够充分理解该思维模型，我在设计之初就用了 XML tag 的形式来做分隔。之所以用英文构建提示词，主要为了适配更多的开源模型（有些开源模型对于中文的理解并不好）。