大模型应用的本质是把大模型当做一个人，而不是把大模型当做一个神——把大模型带入人的角色

最近一直在做大模型应用方面的开发，从刚开始的迷茫和无措到现在对大模型有了一定的了解。因此，这时才发现自己陷入了一个很大的误区，那就是对大模型认识不够深刻，甚至很多时候不知道大模型是个什么东西。

但经过这段时间的摸索之后才发现，我们应该把大模型当做一个人，而不是把大模型当做一个神。

为什么说我们要把大模型当做一个人，而不是把大模型当做一个神？

原因就在于大模型有其自己的能力边界，并且当我们把大模型当做一个人时，我们才能知道大模型能做什么，不能做什么，以及应该怎么做。

以作者最近一直在搞的数据分析为例，在此之前虽然也用大模型做过一些AIGC和RAG方面的东西，但主要用的就是大模型的生成能力和基础的推理能力。

但怎么把大模型应用于数据分析，刚开始拿到这个需求的时候一脸懵逼，也不知道该怎么做；然后就从网上找一下关于大模型做数据分析的框架和案例。

刚开始的时候，只知道把按照案例里的方式进行开发测试；甚至一度认为，让大模型做数据分析就是数据丢给大模型，然后让大模型分析一个结果。

但等到真正开始做的时候才发现，原来自己想的太简单了，也太理想了，最重要的是也不符合逻辑。

直到这两天才突然明白过来，其实我们使用大模型做应用，一直都是在把大模型当做一个“人”来用，而不是当做一个模型来用。

以AIGC为例，大模型在这里面扮演的就是其实就是一个创作者，它有一定的绘画和设计能力，懂得PS和剪辑技术；这样它才能帮我们生成各种图片和视频，当然也包括音乐。

而把大模型应用到数据分析里面，其实就是让大模型扮演一个DBA的角色；想想以往的数据分析都是怎么做的？

之前基于人力做数据分析时，都是接到需求之后，由DBA对需求进行理解；然后按照理解编写SQL或代码来分析数据并获得结果。

那么，大模型在数据分析里面是怎么做的呢？

大模型在数据分析里面并不是直接拿到数据然后直接进行分析；其原理就是让大模型接替DBA的工作，让大模型去理解用户需求，然后根据需求生成相应的SQL或Pandas或其它语言的代码，然后把这些SQL或代码交给数据库引擎或解释器执行，然后再获取结果。

因为现在大模型可以通过工具集成代码解释器直接执行代码，其实本质上还是基于大模型的生成能力，只不过其中可能加入了部分推理能力；比如说理解用户需求，生成代码，这就需要大模型能力理解需求，并给出解决方案。

从这里看，大模型是不是就是一个人；而把这个思路扩展一下，大模型的所有应用是不是都是基于“人”这个角色来做的？只不过不同的大模型就类似于擅长不同领域的人，能够处理不同领域的问题。

而以此作为切入点，这时我们在去探索大模型的应用时就会发现，使用这个思路，大模型的应用场景突然变得丰富起来，之前不知道把一些场景与大模型结合起来，现在也能想明白了。

只要把大模型带入人的角色，然后之前人在这些场景中做什么，就可以尝试让大模型去做；用这样的思考方式好像就发现，寻找大模型的应用场景就简单多了。

不管是AIGC还是现在爆火的Agent智能体，无外乎如此。