AI同樣存在信息繭房問題

最近發現，即使是使用ai去學東西什麼的，也會產生信息繭房問題，

儘管它沒有傳統信息繭房那樣用算法讓用戶停留在自己的舒適區裏，製造紛爭與隔閡，但大語言模型本身的屬性就是根據概率去推斷出怎麼回答是最應該的，在人類的語言裏這樣的信息後面接什麼概率最大、最像人。

這導致你看到的內容會隨着你的措辭而限制，形成一種新概念的信息繭房。

如果你的表達能力和用詞沒有達到某個臨界值，他匹配到的就會是網上那些更淺的、更低質量的語料，像是那些很淺顯的講解。

比如，現在關於ai的信息滿天都是，AI又剛好是熱點，很多人反過來拿AI來批量製造這樣的垃圾信息來騙錢，又不斷被人二次搬運、複製，創造了人類歷史上從來沒有過般巨量的有關AI的垃圾信息。

因此，假如你想着爲了未來找工作，學習一下AI的技術，但是認識還比較基礎，還處在任何人都能說道兩句的那些內容的位置，向AI提問問的比較寬泛淺顯的問題，那麼AI給你返回的也只會是這些內容，讓你很難快速接觸到本質和關鍵而快速提升自己，被困在那些表面的東西里，導致了一種你更難靠提升自己來爬出這個處境的怪圈。

此外，向大模型提問的原理是把提示詞、本次對話裏的聊天記錄與本次提問一起組成上下文（Context），然後發給大模型。這導致即使偶然間提出了一些高質量的問題，也可能會在先前的低水平的提問形成的上下文裏被淹沒，拖進低質量科普的泥沼裏。甚至在一次次絕望的再次提問中讓低質量佔據更多上下文，

（以上說的是GPT、Claude， kimi等比較好的模型，當然就更別提豆包之類的那幾個比較差的模型還有過度諂媚用戶、顛倒黑白的問題，再加上他們的知識庫來源似乎非常容易被污染，已經被GEO和某些地方別有用心的評論區留言污染的一塌糊塗，無中生有，指鼠爲鴨的現象屢見不鮮）

要破除這個效應，相對來講好一些的方法是問得更加詳細一些，甚至可以舉一些真實遇到的問題作爲例子，當然這並不容易，畢竟既然自己還不怎麼會，能問出有價值的、值得留意的問題就更難了。

但是記住，你問得越詳細，越能脫離那些普遍的、淺顯的文章；同時，帶點比較有技術深度的東西，這就能顯著地和那些專門忽悠文科生的錢、畫餅說“學了這些你們就能吊打程序員”的玩意兒拉開界限。

即通過盡力提及到那些騙人的教程不會教你的真正的內容，來讓AI推理時匹配到好一點的內容。

比如說不要問“MCP是什麼？”，而是問“MCP到底解決的是協議問題還是生態問題？”，得到的對MCP的講解可能會更深更透徹。

另外，可以嘗試根據自己想問的問題，設計一些限制性的提示詞，

比如“我已經掌握基礎知識，不要介紹背景”，或者是約定輸出的格式必須是哪些內容、不能是哪些內容，不過這需要一定的設計經驗和水平。