仅仅因为大语言模型Neng流利地使用自然语言，并不意味着我们应该总是用自然语言和它们交流。

当涉及到重要的流程时人类之间自己也不会用自然语言来沟通。经验表明，缺乏结构，流程就无法 。表格这种东西在计算机出现之前就Yi经存在hen久了。

大语言模型在自然语言方面的流畅性，对于交流和弥合许多集成问题中的模糊地带hen有价值。但同时它也可Neng是一种干扰，不应该让我们在设计基于 LLM 的系统时变得懒惰。

澳大利亚联邦银行的布莱尔·哈德森提出，第一波生成式 AI 的应用之所以部分失败，是因为它过度依赖于“聊天”这种形式。尽管 ChatGPT 是历史上增长Zui快的消费者应用，但它为大多数企业对底层技术的应用指明了错误的方向。

世界各地的团队之所以构建聊天界面是因为它们通用且Neng快速原型设计。其中少数界面Zui终转化成了产品。

但大多数dou没有。

在我kan来聊天界面之所以使应用采用率停滞不前，是因为工作本身并不是在聊天界面中完成的。你不Neng通过一个聊天窗口来运营一家医院、管理一家零售店，或是管理一条供应链。对于大多数工作而言， “聊天”是一种错误的抽象方式。它确实释放了某些Neng力，但真正的生产力需要geng多东西。

错误的界面无疑是一个因素。但geng重要的是缺乏结构。

人类不会通过文字来运营医院。他们会从多个来源获取和geng新 结构化信息 ，因为他们知道结构Neng使流程geng安全、geng可预测。他们不希望监测器显示 “ 金姆的血压一天大部分时间dou稳定，除了上午晚些时候有个峰值 ”—— 他们希望Neng够 查kan图表 并在发生危机时 收到警报 。医生在撰写病历时会包含自然语言，但会尽可Neng多地使用结构化数据：每种药物的毫克数；体温、血氧饱和度和其他读数。即使是像病人情绪这样的主观信息，也通常用 结构化的问卷和量表 来表达，以便于比较。

虽然诱人，但过度依赖自然语言 的生成式 AI 应用会带来高昂的成本。它Neng在短期内快速产生令人印象深刻的结果，但 以牺牲未来的问题为代价 。

自然语言是不透明的 。hen难对其应用工具。搜索是不精确的，即使使用了昂贵的向量嵌入也是如此。 LLM 的理解Neng力 并非完全可信 ，并且会增加 geng大的延迟和成本 。构建精确 RAG 系统的难度就证明了这些问题。此外当所有信息dou是自然语言时在代码中执行某些步骤也hen困难 —— 而我们肯定希望这样Zuo，因为执行代码 永远比使用 LLM geng便宜、geng具确定性

为什么不用英语与大型语言模型交流？ 自然语言也是模糊的 —— 这也是编程语言存在的原因之一。 传统的软件产物，如 对象 或数据库行

在解决许多对业务应用hen重要的核心问题上，具有 > 远超自然语言的优势，例如： 在构建生成式 AI 应用时当Ke以采用结构化方式时却退回到使用自然语言， > 是一种懒惰的选择。它节省了前期的时间，但却为将来埋下了问题。

如何选择合适的结构？哪些格式geng容易被 LLMs 理解？ Ru果我们确实需要结构，应该从哪里寻找呢？ 大语言模型并不太关心我们使用哪种格式。基于大量的训练曝光，它们Ke以 > 轻松理解 JSON 、 XML 和其他常见格式。 geng有意思的问题不在于表现形式，而在于我们如何填充这些结构。 对于商业应用而言，答案是显而易见的，但在许多关于生成式 AI 的文章中却奇怪地被忽视了：> 在可Neng的情况下我们应该使用那些Yi经存在并反映领域理解的结构。 领域集成的重要性

领域集成是至关重要的。在可Neng的情况下我们应该利用 LLM 来说出我们领域的语言，而不是自然语言。

许多Zui有价值的生成式 AI 应用将从现有的业务应用中成长出来，而非完全是全新的。这些应用将借鉴现有的领域模型和基础设施,因此会geng加健壮和实用。 这就是企业 Java 生态系统大放异彩的地方。几十年来Java 开发者一直擅长于生成式 AI 应用所需的核心Neng力：领域建模、类型安全和结构化数据处理. 虽然 Python 框架与现有企业系统相距甚远，并倾向于将所有数据视为字符串和字典，迫使你用脆弱的代码处理 LLM 输出；但基于 JVM 的方法则Ke以利用： Ru果你正在构建任何任务关键型的生成式 AI 应用，请不要偷懒。 像你在任何应用中一样对领域进行建模。 geng好的是使用现有的领域模型。 引入使企业系统可靠的工程规范。 这样一来你的应用将geng安全、成本geng低、geng可预测。 Ru果你正在使用 JVM，你Yi经处于领先地位。你拥有工具、模式、基础设施，以及一个丰富的代理框架 Embabel。 不要仅仅因为 LLM 擅长英语就放弃你的优势。 咱就是说用对方法hen重要，你懂的，说实话，不该偷懒的时候千万别偷懒！

---