摘要

本文探讨了大型语言模型（LLMs）在特定领域写作助手中的应用，特别是在商业写作领域的有效性。研究发现，当前的LLMs在理解特定领域写作的细微差别方面存在局限性。为了解决这一问题，论文提出了一种人机协作的分类法构建方法，旨在为特定领域的写作助手提供指导。该方法通过领域专家的迭代反馈和专家与LLMs之间的多次交互来细化分类法，从而提高LLM驱动的写作助手在满足不同利益相关者需求方面的能力。

原理

论文提出的“人机协作分类法构建”方法的核心在于通过迭代过程不断优化分类法。首先，LLMs利用其广泛的知识库生成初步的分类法元素。随后，通过与领域专家的对话式交互，LLMs作为中介，收集专家的反馈并据此改进分类法。这一过程中，LLMs不仅生成分类法，还提供每个生成元素的推理，增强了输出的可信度。通过这种人机协作的方式，分类法能够更精确地反映特定领域的写作需求和规范。

流程

论文描述了一个三步流程来实现人机协作分类法构建：

1. 分类法生成：LLMs根据用户输入和精心设计的输出指南，从零开始生成分类法的各个层次。
2. 分类法验证：通过多轮严格的专家验证和改进，利用“LLMs作为中介”的设计，进行对话式用户交互。
3. 分类法合并与测试：LLMs整合多个专家的最终输出，确保元素的全面性和非重叠性，并通过独立注释和评估分类法的可靠性。 例如，在法律写作领域，LLMs生成了包括“法律论点加强”、“整合额外事实证据”等在内的分类法元素，并通过专家的反馈进行优化。

应用

该方法的应用前景广泛，特别适用于需要高度专业化和定制化写作支持的领域，如法律、医疗和金融等。通过精确的分类法，LLM驱动的写作助手能够更好地理解和生成符合特定领域规范的文本，从而提高工作效率和文本质量。此外，这种方法也为开发更加智能和适应性强的AI写作助手提供了新的思路和工具。