从"回答问题"到"完成任务"
还是先从两个简单的例子来入手。

第一个例子

用户输入：请帮我写一封请假邮件。

几秒钟后，模型回复：
尊敬的领导：

由于XXXXX……
整个过程到这里就结束了。

模型完成了一次推理（Inference），生成了一段文本。

这是一个典型的问答（Question Answering）场景。

再来看第二个例子。

用户输入：

请帮我分析本月进销存数据，
找出销量下降最大的产品，
生成统计图，
制作一份 PPT，
最后发送给销售经理。
这还是一个"问题"吗？

显然不是。

它是一个完整的工作任务。

完成这个任务至少需要：

读取 Excel 文件；
分析销售数据；
绘制统计图；
制作 PPT；
发送邮件。
所以到了这里,我们的诉求已经不仅仅是"生成一段文字"了，而是需要完成一系列连续动作。

这就是任务（Task）与问题（Question）最大的区别。

9.2 问题只有一个答案，而任务则包含很多步骤
可以把两者放在一起比较。

问题（Question） 任务（Task）
一次提问 一个目标
一次回答 多个步骤
推理结束 持续执行
输出文本 输出结果
例如我们问模型,北京是中国的首都吗？
模型回答：是。
整个过程就结束了,但这个过程只有一次推理。
但是如果我们跟模型说,帮我开发一个库存管理系统。

我们肯定不希望模型直接用一句话回答,或者输出一堆内容在对话框中让你手动复制.(早期ChatBot期间确实很多人靠复制粘贴… 哈哈哈)
我们实际上需要它：

需求分析
↓
数据库设计
↓
接口设计
↓
编写代码
↓
运行测试
↓
修复 Bug
↓
再次测试
↓
完成开发

到此,其实这已经变成了一个需要持续执行的过程。

9.3 LLM 为什么完成不了任务？
很多人会说：

“ChatGPT 不是也能写代码吗？”

这没问题。

但是请注意,单纯的写代码和开发软件系统并不是同一件事情。

例如,让 ChatGPT 写一个登录接口，它很快就能完成。

但是如果告诉它：“帮我修改整个项目，把所有 JWT 登录改成 OAuth2。”

事情就完全不同了。

因为它需要：

阅读整个项目；
找到所有相关代码；
修改代码；
编译项目；
运行测试；
根据测试结果继续修改。
这些步骤之间存在着明确的依赖关系。

完成前一步之后，才能继续下一步。

而 LLM 最大的问题就在这里：

它的每一次推理都是独立完成的。

而且它不会主动开始第二步。

也不会等待执行结果。

更不会根据执行结果调整自己的计划。

9.4 LLM 更像一位顾问，而不是一位员工
这里我们继续举一个生活中的例子。

假设公司里有两个人。

第一位是一位经验丰富的顾问。

你问他：

“这个功能应该怎么设计？”

他会告诉你：

数据库应该这样设计；
接口应该这样定义；
页面应该这样实现。
他说得非常专业。

但是，说完之后，他就停下来了。

因为他的工作已经结束了。

第二位则是一位开发工程师。

你告诉他：

“把这个功能开发出来。”

他会开始工作：

阅读需求；
修改代码；
编译项目；
修复错误；
提交代码。
直到整个任务完成。

这两个人都很重要。

但是他们承担的角色完全不同。

然而 LLM 则更像前者。

而现实世界往往更大量需要的是后者。