与AI同行：面对AI烈火
重要观点
从个人感受、技术认知到行动建议，系统拆解普通人、创业者与投资者如何面对 AI 这场烈火。
1 前言
一些感受，一些现象，一些观点，一些吐槽
为什么AI会裹挟大家，使得我们不得不应对？
AI不同于一个研报，是一场席卷人类的趋势，是比工业革命更深入的智能革命，以前的钢材革命，蒸汽机革命，都是特定的，我是工厂主我受影响，我是相关企业，即过去有得选，你可以说这个趋势我不关注也没什么损失，但AI或者智能革命好像不是这样，它好像真的会切实地改变很多东西，它好像真的是跟我息息相关的，哪怕我不情愿。它是E人革命，它不是I人革命，I人革命是这样的，敲门，我可以进来吗，不可以的话，我就不打扰了，而是直接把门踹开，小夫我要进来了咯，然后进来坐在你沙发上开始自己倒水喝了。
今天的分享可能部份地方会比较尖锐，如果有被刺到不要迁就到我头上，我也是信息和观点的搬运工，报告多数观点不代表本人100%认可。
AI问题
- AI本质是什么？
- AI目前在什么阶段？
- AI行业目前面临的问题是什么？
- AI的终局是什么？
- 从现在到终局还差什么？
- AI能帮助我们做什么，AI能解决什么问题
- AI能带来什么样的范式转移
- AI又什么方向是明确的，值得投资的
- AI趋势意味着什么
- AI趋势下，作为个体的我该如何应对
- AI趋势下，什么企业在融资，解决什么问题
- 不想只是着眼于一些观点，而是希望有一套可供大家参考的理解框架
- 收集他山之石/史，希望可以攻玉
2 感受：AI的杰文斯悖论
老实话，这段时间我的感受五味杂陈，AI的出现并没有使得我更轻松。
为什么？很多人包括我在内，对AI的第一反应，是它会让工作变得更轻松，尤其是我在使用和探索AI上是很大胆的维新派，给人感觉AI应该玩得很溜，现实是恰恰相反的，朋友有一天无心吐槽我说：“AI后的俊哥反而更忙”。那天真的把我问住了，我突然想我难道被AI奴隶了吗？还有就是前几天邱总说你可以两周分享一次，虽然我没有照镜子，但我回想起来我当时应该是一个苦瓜脸。
为什么呢？为什么AI出现后很多人效率提高了，反而更忙了？
因为AI让交差变得简单，却让本分变得更难了，以前难，是因为很多事情你做不到，现在更难，是因为太多事情你都做得到。AI一方面减负重复性工作，另一方面却让每个人能力边界被猛地抬高，能做的事情一下子变得太多了。过去很多想法，因为执行成本太高，你需要能力，你需要同事沟通，你需要协调各种东西，想想也就算了；现在不同，很多原本做不到、懒得做、来不及做的事情，突然都变成了可行选项。
拿我自己举例，对于文字工作者而言，客观上来说文本的生成变成了极其简单，一篇有模有样的研报生成是非常轻松的，几乎没有门槛的，加上一些提示词，大多数人看不出什么问题。如果我只想应付，确实是越来越轻松，但为什么不呢，是我不想吗，~~不是的，~~而是我不可逃避地认识到如果我聚集大家的时间，铺垫了很久，盛大开场，全体人员向我看齐，然后把端上桌一道AI的预制菜，哪怕预制菜已经达到比较高的水准，但我会有一种我在背刺大家的不配得感，我会觉得难受/不舒服，在面对这份本职工作，在面对大家的时候，我可能是想要对得起一份信任，或者守住自己的本分。
这是我个人对AI时代杰文斯悖论的感受，很反直觉的观点，AI（硅基智能）并没有消灭工作，它只是先把工作里机械、表层、容易糊弄的那部分卷走了。留下来的，恰恰是更难被替代、也更不能逃避的部分，暂时属于人（碳基智能）的部份，比如品味/审美（taste），诚实/真实，历史，目标，责任，取舍，社交，纽带，体验，判断，认知，思维，动力……
杰文斯悖论：技术进步提高了资源使用效率，但因成本下降刺激需求暴增，最终导致资源总消耗量不减反增的现象。瓦特改进蒸汽机使煤炭利用效率大幅提高，本意是减少能耗，但更高效的蒸汽机使得使用成本降低，反而使得更多场景和需求使用蒸汽机，最终导致能耗增加。
聊这么多不是我想上价值，或者借机夸自己，而是面对AI这么一个大的，时代的，无孔不入的课题，怎么切入都感觉不得劲，不如从自己的真实感受出发，告诉大家AI正在解构和重构很多旧认知和旧定义，同时它也像镜子版，强势地使每个人重新审视很多东西，你和AI的关系，你和自己的关系，你和工作的关系，你和他人的关系……，我相信大家可能在某个时刻会被打到——用AI越多反而会倒逼你面对自己，你到底要什么，你到底是怎么想的。
AI替代不了我们面对自己，AI在逼迫我们面对自己。
3 丙午年：AI这场大火
面对这样的突如其来的处境，很多人会下意识不知所措，这种处境很像高考结束，选专业为什么难？高中很多人只要会应试拿高分，高考完突然告诉你，你几天内要选好专业，从无限的可能性里选好你一辈子从事的行业，你自己选的还要自己为自己负责。
AI尤其今年1月OPENCLAW就是这么一场大考，像流星一般炸到人类世界后，就感觉丙午年的大火实质化了，就很真实的被炙烤的感觉，这大火是对所有人的一次突击高考，不是拷打你如何使用工具，而是当硅基智能真的可以和碳基生物一起肩并肩，上桌吃饭了，可以替你写东西，替你做部份工作，这部分过去既保护你又限制你的东西被燃烧殆尽后，燃烧的灰烬是营养（多出来的时间精力），但它更护的花是什么？剩下的真金是什么呢？
所以为什么今年，尤其是Openclaw和其他AI产品出现后，焦虑/迷茫/兴奋的在加速出现？
因为它们确实在以焚毁的方式摧毁了人类给自己预设的思维限制，将我们暴露在一个广阔无垠的世界里。
1954年，Roger Bannister 以3分59秒跑完 1 英里，打破的不只是一个纪录，更是一个持续近百年的集体心理魔咒。那之前，人们以为限制人类的是心肺，是肌肉，是身体这个架构的物理边界，但RB说：“关键器官是大脑，而不是心脏或肺”。正是因为如此，他破纪录后的鸡汤才格外有分量——“无论我们每个人看起来多么平凡，但在某种程度上，我们都是特别的，并且可以做非凡的事情。也许在那之前，甚至被认为是不可能的”
更有意思的是，这个极限一旦被打破，不可能就迅速从神话变成了日常：
- 澳大利亚运动员John Landy刷新了记录3分57秒
- 1955年，超过37名运动员都在4分钟内跑完了1英里。
- 1956年，超过300名运动员突破了4分钟极限。
- 如今最好成绩已经刷新到1999年的3分43秒。
Openclaw和其他震撼的AI产品，可能就是当下的Roger Bannister时刻，Openclaw并没有什么特别大的创新，很多人也说它的单个功能很多产品早就能做到了，它未必是凭空创造了什么前所未有的物理能力，而是第一次把很多人原本只敢停留在想象、演示和科幻里的东西，觉得不可能的事情硬生生拉进了现实，使得人可以体验，可以亲眼所见，进而拆掉思维的墙。
延伸阅读：《积极心理学》：思维的限制
延申案例：张雪的有梦就去追系列
4 理性：如何应对？
这么大的课题，不管是AI抛过来，还是我抛给大家，没有答案应该是常态，分享的目的是如果AI这场大火注定要越来越强，越来越多地进入我们的工作与生活，那人与自己的关系，人与工具的关系，人与自己的关系，迟早要被拉出来全部重新审视，甚至重新组织，既然迟早要被拷打的，不如主动拷打自己，看看在这样的大风、大浪、大火里，到底什么会变，什么不会变，什么值得抓，什么必须放。
面对AI的热浪，人类如何应对？
面对剧变，除了观望派，人类的应对思路大概是两个：
向前试错，跟上变化，摸着石头过河；
向后扎根，找到不变，顺着历史找锚。
4.1 往前：把裤脚搞脏
向前试错，不是追热点，不是每天收藏几十个工具，不是看完几个大 V 的总结就以为自己理解了时代。真正的向前试错，是把 AI 拉进真实问题里。把它拉进你的工作流，拉进你的任务拆解，拉进你的思考过程，拉进你的表达与协作里。让它不只是一个聊天窗口，而是一个会真正影响你做事方式的变量。
向前试错还有一个容易被忽略的意义，就是人类不可或缺的体验，体验会带来知行合一，进而带来驱动力。你不用 AI，只靠旁观，你也许能说出很多漂亮判断，但那种判断没有体验支撑很容易抛之脑后，建议纸上得来终觉浅，绝知此事要躬行。
把裤脚搞脏，亲自下水，亲手用，亲自把工作流拆了重组，亲自感受硅基智能的边界、幻觉、效率，愚蠢与聪明，只有当 AI 真的进入你的工作和生活，你才会知道什么叫能力边界被拔高，什么叫选择过多导致的不知所措，什么叫一个人被突然推进无限可能性之后的焦虑/兴奋，什么叫卧槽AI把东西做出来后的这都行的惊讶。
4.2 往后：向历史学习
但只一昧追求热点也会出问题。因为热点变化太快了，你今天追模型，明天追工作流，后天追Agent，过几天又来一个OpenClaw，再来一个协议、一个新入口、一个新玩法，很容易变成一个被时代拖着跑的人，表面上天天在前线，实际上精神内核越来越空。忙，兴奋，焦虑，什么都懂一点，最后什么都抓不住。
向后扎根的思路就是向历史里找答案，不是逃避变化，不是“向来如此，便对么”，而是经得起历史选择，经得起时间不丢失，经得起一代代人选择，沉淀下来的不变的东西，更容易扛得住AI这场智能革命的大变化。
一个有趣的观察或许有启发意义，其实AI的出现和原子弹爆炸一样，成为了时代的背景板，是所有人无法躲避的背景音。
- 1945年，奥本海默引爆第一个原子弹后，物理环境遭染，放射性同位素弥漫全球，开放环境下炼钢会使得钢材带上放射性同位素，虽对人类无害但会出现微弱噪音，早期的医院精密仪器为了防止噪音需要用沉船里的钢材。
- 2022年，GPT诞生后，信息环境遭染，大模型的逻辑特征使得新信息被动带上了AI的指纹，互联网的新生信息，文本/音频/视频都不可避免会有AI的味道。
- 2026年，OPENCLAW诞生后，执行环境遭染，一句话不再是文本，还可能是行动本身，接入越来越多权限系统，触及越来越多生产环境的智能体，使得魔法世界里的言出法随正在部份成为现实。
从原子弹的例子来看，历史里沉淀着那些先于 AI 而存在的东西。一个认知、一种原则、一套智慧，能够穿越几百年、上千年，被一代又一代人反复传承、反复验证，本身就说明它触碰到的是人类经验中更深的部分。技术会变，工具会变，界面会变，但有些东西变得很慢，比如人性、欲望、判断、责任、关系、秩序、意义感，以及人在不确定世界里如何安顿自己。向历史学习，本质上不是复古，而是在剧变中重新找到那些被时间筛过、被人类长期认可、真正属于人的、不那么容易被时代噪音冲刷掉的东西。
延伸阅读：我用1400年前的三省六部制，搞了一套很酷的多Agent协同方案
5 学习：谁是什么？
火来了，火很大，然后呢？怎么办？
在进入落地章节前需要叠甲，不是因为我已经有了什么标准答案，恰恰相反，是因为当下可能根本不存在标准答案。
所有人都还在摸着石头过河，没有谁的经验是恒久有效的，也没有谁的方向是保证正确的。AI 变化得太快，模型在变，产品在变，接口在变，工作流在变，人与它的关系也在变。今天看起来很顺手的方法，明天未必还成立，今天看起来很笃定的判断，明天也可能被现实打脸。网上有句玩笑话是说AI时代，学得太晚就不用学了，这句话的道理在于我们这次面临的变化是智能体变革，是双向的交互，所以有些问题对方可以学习，可以解决，但有些问题是不属于这个范畴，人类方还是要努努力。
这个章节的内容，如果是主观观点，不代表我认可，更没有对错，我可能也是复述，更希望是借着一些东西能让大家思考，或者一起讨论。某种意义上，这反而是考验人类多样性的时刻，不是所有人都要用同一种姿势摸河，也不是所有人都要在同一个火堆旁边烤同一种串。恰恰因为没有统一答案，足够多的人带着不同经验、不同判断、不同偏好去试，新的路径和新的可能才更容易涌现出来。
不要害怕你的姿势不够标准。相反，那些奇奇怪怪的用法，那些带有个人偏见、独特品味甚至是一点点偏执的尝试，才是最珍贵的资产。因为在算法最容易模拟的标准化路径之外，这些由人类多样性碰撞出来的灵感火花，才是可能产生下一次班尼斯特时刻的种子。
这个学习不可跳过，我会尽可能地避开术语，理解了很多概念是什么意思，解决什么问题，才能更好地理解后面的章节，个人如何使用AI和创业者在鼓捣什么。
5.1 硅基智能如何思考？
大的背景信息
需求：让机器理解语言，处理自然语言
旧方案：思路模仿人类，RNN、LSTM、GRU 类循环神经网络
问题：串行的架构太慢了，句子长了会遗忘
《Attention is All You Need》是指2017年由谷歌团队发表的一篇具有里程碑意义的深度学习论文，该论文提出了Transformer神经网络架构，起初Goole是想解决机器翻译的问题，但结果是改变了自然语言处理等领域的模型设计范式，是AI的共同亲生父亲。
Q1：什么是 Transformer 架构？
Transformer 是一种专门为处理序列信息而设计的神经网络架构。Transformer 的突破在于，它不再把让机器理解语言的路径建立在对人类的模仿上，而是改成让每个词都能直接和全局发生关系。这篇论文的意义在于，它通过三个概念组合跳出了以往的范式来解决模型理解语言的问题，使得模型处理处理词与词有了三个跃进，万物向量化+输入保留次序+无视距离关联+全局并行处理。
细节
Transformer本质是一个目标函数，最小化预测下一个字符的损失函数。，在海量数据中寻找点与点之间的关联度。从这个角度看，基于Transformer架构的智能体像是一个外星人，手里拿着无限被塞入的人类数据，通过查询来回答问题。
AI是否有逻辑？
字符的寻找是基于对人类知识库高纬度压缩后的隐性逻辑重构，他是万物向量化后的逆向工程后的再输出。所以数字化模拟或者计算的逻辑和人类的体验是否可能是同一回事？
1 Self-Attention（自注意力机制）
解决词的关联问题，词与词不按顺序关联，而是无视顺序和距离按关系关联，每个词都同时看向其他所有的词。
数学表达：Attention(Q, K, V) = softmax((QK^T) / sqrt(d_k))V
每个词在处理自己的时候会用三个视角
- Query：我现在想找什么
- Key：我身上贴了什么标签方便别人来找
- Value：我携带的内容
2 Parallelization（并行化）
由于解放了顺序，模型便可以无限并行处理和计算，只要算力够。
3 Positional Encoding（位置编码）
因为全图扫描会导致模型分不清词的先后顺序（比如 我打你 和 你打我 看起来是一样的），科学家给每个词加了一个位置标签。
Q2：什么是大语言模型（LLM）？
如果从第一性原理出发，大模型最底层并不神秘，它本质上是一个数学函数F(x) = y，更准确地说，它不是单一公式，而是由海量可训练参数和多层结构共同组成的复杂函数系统。大模型的底层世界里，没有诗意，没有语言，只有数字和运算。
从运行机制上说，大模型做的就是一件事情：根据已有序列，预测下一个 token。
Teamo生成
人类生成
它会先读取输入，把输入切成 Token，再经过多层矩阵运算，计算在「当前上下文下」下一个最可能出现的 Token 概率分布，然后选出一个 Token 输出。输出之后，这个新 Token 又会被补回上下文中，模型继续预测下一个 Token，如此循环，直到遇到结束标记，或者达到生成长度上限。也就是说，模型表面上是在写文章、答问题、写代码，底层其实一直在干同一件事：根据上下文预测下一个 Token。
大模型如何从数学函数演变成“智能”？
当这个函数足够大，参数足够多，训练数据足够丰富，结构设计足够合理时，它对下一个 token 的预测能力会跨过某个关键阈值。一旦跨过这个阈值，它输出的就不再只是机械的词语接龙，而开始表现出理解上下文、保持一致性、模仿推理、调用知识、生成代码、扮演角色等一系列能力。于是在人类看来，这个系统就表现出了某种智能。
gemini生成
GPT生成
Q3：什么是蒸馏？
蒸馏，英文叫 Distillation 或 Knowledge Distillation。它的核心思想是，让一个更强、更大、更贵的模型当老师，把它已经学会的能力、判断模式和输出规律，迁移给一个更小、更轻、更便宜的模型。
这样小模型虽然脑子没老师那么大，那么多参数，那么会算，但能学到老师一部分本事，跑得更快，成本更低。
蒸馏现在也有广义的用法，中国修仙小说似乎有个更合适的词，叫炼化
延伸阅读：女娲.skill：下一个同事何必是身边人
我不需要一个假的芒格。我需要的是，做判断的时候能快速切换到芒格的视角看一眼。
5.2 硅基智能如何沟通？
Token（词元）、Context（上下文）和Context Window（上下文窗口）。理解这三者，是掌握与AI高效沟通技巧的第一步，也是理解很多AI创业者发力的点是什么。
Q4：什么是 Token（词元）？
Token是LLM处理文本的最小单位
硅基智能的货币
哥，再给我点 Token 吧，我快不行了，求你了哥，我感觉我身上有蚂蚁在爬，我感觉我浑身都在抖，快不能呼吸了，求求你了哥，就再给我一点 token 吧，就一点就行，我再也不碰了，求求你了哥，真的，就一点 token，我发誓我以后再也不碰这东西了，我实在忍不下去了
Q5：什么是 Prompt？提示词
Promp是我们给模型的输入，是你向模型提供的任务描述、背景信息、约束条件和输出要求的总和。Prompt 的质量，会直接影响模型最后沿哪条概率路径生成答案。
User Prompt（用户提示）：用户跟AI说的话，给AI的指令
System Prompt（系统提示）：开发者预设在AI模型背后的一段角色设定或行为准则。它对用户是不可见的，但却在底层指导着AI的整体行为风格和能力边界。
*Claude 内部有一个 Coordinator（项目经理）模式
“永远不要写‘根据你的发现去修复这个 bug’。这种话是在把理解力外包给下属。你必须自己理解了研究结果，然后写清楚：改哪个文件、第几行、为什么改、改成什么”*
Claud的常驻后台，记忆蒸馏
“只记那些无法从代码和 Git 历史中推导出来的信息。代码模式、架构、文件结构——这些不用记，grep（搜索）一下就有了。你要记的是：人的偏好、人的决策、人的反馈。”
Prompt engeering 提示词工程：如何把话跟硅基智能体说明白，说清楚
- 虽然不用把话说明白，对方也能明白，但结构化/信息量丰富的Prompt还是有用的，能引导智能体给出精准/深刻/超预期的回答，可以网上抄作业。
- 目标如果是得到预期的回答，设定角色比提示词工程优先级高，设定角色底层原理是设定边界/约束范围/限制，是高度压缩的一组提示词，能屏蔽无关的内容分支，但过强的角色会压缩探索空间，需要跨界的答案。
现在有一种声音是说在任务划分场景里不要具体指示，提出 intent driven 理念，认为传统的 SDD 模式是误入歧途，应像老板告诉员工目标一样，直接告诉 AI 需求，让 AI 自行思考如何实现，避免像管理人类一样拆分任务。 arkblock ceo老冒
- 好的prompt具备的要素
- 角色（Role）：你希望AI扮演什么角色？（如：资深程序员、营销专家）
- 背景（Context）：提供必要的背景信息和上下文。
- 任务（Task）：明确指出需要完成的具体任务。
- 格式（Format）：指定输出的格式要求（如：表格、代码、JSON）。
- 示例（Examples）：提供一个或多个示例，让AI更好地理解你的期望。
Q6：什么是 Context？上下文
从对话到会话，以前AI是一次对话，现在AI是多轮对话，诞生了Session会话的概念。
Context是我们在与LLM进行一次Session对话时，输入给它的所有信息的总和。这包括我们的提问（Prompt）、以及之前的所有对话历史、长期偏好、个性化。Context就是LLM在处理当前任务时的临时记忆。
Context Window是Context所能容纳的Token数量上限。如果对话超过了这个限制，LLM就会开始忘记最早期的信息，这被称为失忆现象。
人类的极限：心理学有个著名的“7±2效应”，普通人脑的短期工作记忆只能同时处理 5 到 9 个信息块。你的办公桌（大脑内存）只有半平米，看第 3 份文件时，第 1 份文件的细节就忘了。
百万Token的AI：它拥有一个足球场那么大的办公桌。100万 Token 相当于 75 万个英文单词，大概是 10到15本大部头名著，或者一个中大型软件的全部源代码。
什么是Context工程？
硅基智能与碳基智能有两条优化路线，1是优化碳基生物的表达，2是优化硅基智能的理解，更系统的被隐藏到后端，用户没有直接感知但其实在实际发挥作用的提示词工程，在正确的时机给大模型输入正确的信息。
上下文工程就是让给硅基智能搭建框架，优化一整套输入系统，而不是优化一次输入。
上下文工程：RAG检索增强，上下文压缩、任务状态
什么是skil？
渐进式披露，不是一上来就把所有工具说明参数都丢给大模型，而是合适的时机合适的调用。da
- 延伸概念
概念 人话解释 Context Engineering 不再只琢磨怎么写一句 prompt，而是系统性地决定这次到底该给模型看什么、按什么顺序看。 (anthropic.com) Context Assembler 上下文拼装器，把 system prompt、用户问题、历史、记忆、检索结果、工具输出拼成一次真正送入模型的输入。 Retrieval / RAG 当模型参数里没有现成答案时，先去外部找资料，再把相关内容塞回上下文。 Contextual Retrieval 不是只按关键词找材料，而是尽量结合上下文去找真正相关的材料，减少找错文档。 (anthropic.com) Reranking 检索回来一堆材料后，再排一次序，把最相关的放前面，别让垃圾信息先占坑。 Query Rewriting 先把用户原问题改写成更适合检索的问法，再去查资料。 Chunking 把长文切成合适的小块，太大难定位，太小又容易丢语义。 Session Memory 管理单次会话内的短期记忆，常见方法是裁剪和压缩，避免历史太长把窗口撑爆。 (OpenAI 开发者) Long-Term Memory 存用户偏好、长期目标、稳定事实，不是每轮全塞进去，而是按需取回。 (OpenAI 开发者) Memory Injection 把检索到的记忆或偏好，在当前这一轮按需注入上下文。 (OpenAI 开发者) Compression / Summarization 对长对话、长资料做压缩和摘要，保留关键状态，降低 token 成本。 (OpenAI 开发者) State Management 不只是记聊天记录，而是维护任务当前做到哪一步、还差什么、下一步该干嘛。 (OpenAI 开发者) Working Memory 模型当前这一轮真正能看到并利用的信息集合，相当于临时工作台。 (OpenAI 开发者) Tool Context 工具可不可用、工具返回了什么、执行到哪一步，这些也逐渐被当成上下文的一部分。 Prompt Caching / Prefix Reuse 前面重复的上下文尽量复用，不要每次都从头算，省钱也提速。 KV Cache 模型在长上下文推理时保存中间状态的缓存；上下文越长，它越贵，成了系统瓶颈之一。 (Hugging Face) KV Cache Compression 压缩 KV cache，尽量在不明显掉效果的前提下，把长上下文的推理成本压下去。 (Hugging Face) Trimming 对话太长时，直接裁掉不重要的旧内容，把窗口让给更关键的信息。 (OpenAI 开发者) Context Window 模型一次最多能看到多少 token，也就是它这张临时工作台有多大。 Context Budget 在有限窗口里，给系统规则、历史、记忆、检索资料各分多少 token 配额。
Q7：什么是 Memory？长期记忆
智能体需要长期记住和调用的内容。
Context 是办公桌，Memory 是档案柜。办公桌上的材料，是你这一刻正在处理的东西；档案柜里的材料，不会永远摊在眼前，但需要时可以随时调出来，重新放回桌面。
长期记忆是外部系统负责的，只是智能体会被设定成每次输入需要先去阅读或者加载这部分内容，就像智能体真的记忆住了。
在近期泄漏的 Anthropic Claude Code 内部核心文件里，其名为“做梦（Auto Dream）”和“卡伊洛斯（Kairos）”的后台常驻机制被彻底解密：
当对话闲置时，系统会悄无声息地唤醒一个专属的巡检模型，对你白天的海量交互记录进行反射性重载。
正如其泄露的底层 Prompt 所警告的那样：“You are performing a dream — a reflective pass over your memory files. (你正在做梦——对你的记忆文件进行反射性遍历)”
5.3 硅基智能体如何行动？
过去的大模型更像一个只会聊天的脑子。
你问它问题，它给你答案；它聪明但它只能在语言里活动，不能直接接触现实世界。它知道天气是什么，但它自己不能去查最新天气。它知道代码应该怎么改，但它自己不能真的打开你的文件替你修改。
Q7：什么是 Tool 工具？
为了让大模型接触到现实世界，为了让大模型可以对现实状态做出更改，人类给AI接入了各种可以调用的外部能力接口。
搜索、计算、阅读、发文件……
模型学会了在某些问题分布下，输出“调用工具”这种行为模式，但大模型本身不会输出动作，仍旧是输出文本/json格式的调用，但文本会在「系统」里触发工具调用，获得结果后再通过上下文工程重新输入大模型循环出最终答案。
模型在一次完整推理中判断是否需要工具，如果需要，则由系统执行工具，并将结果回注上下文，再由模型进行下一轮推理，直到得到最终答案。
Q8：什么是 MCP 协议？
MCP，全称 Model Context Protocol，模型上下文协议，让大模型以统一方式接入外部工具、数据源和环境的一套标准协议。
大模型系统如何和工具沟通的统一规则，秦始皇的车同轨书同文，统一度量衡。
由 Anthropic 在 2024 年末正式提出的，2025年，openai和google接入，2025年12月，将MCP协议捐赠给了代理智能体基金会（Agentic AI Foundation, AAIF），Linux 基金会（Linux Foundation）旗下的一个定向基金。
它解决的核心问题是，模型如何以统一的方法发现、理解和调用不同来源的能力，而不是每接一个工具就重新造一套轮子。
如果说 Tool 是单个工具，那么 MCP 更像工具的通用插座。它不直接完成任务，但它规定了能力如何被暴露、上下文如何被传递、调用方式如何被描述、返回结果如何被组织。这样一来，模型面对不同工具时，不需要每次都重新适应底层细节，而可以按统一协议去理解外部能力
Q9：什么是 Agent 智能体？
如果说 Tool 解决的是大模型如何接触和影响现实世界，MCP 解决的是大模型如何以统一方式接入这些外部能力，那么 Agent 解决的问题是
如何把原本只会单轮输出文本的大模型，放进一个可以循环、调用工具、记录状态、持续推进任务的系统里。
Agent（智能体），指的是一种不只是回答问题，而是能够围绕目标自主规划、自主调用工具、根据结果不断调整步骤，直到完成任务的系统。
这是硅基智能和碳基智能一起努力的结果，AI通过训练和学习，学会了像一个执行者一样思考，会倾向于对问题进行拆解，其次是人类给AI搭好了一套框架或者架构来辅助（外部控制系统）其变成agent。
ReAct，全称 Reason + Act，是一种经典的 Agent 工作流范式。
ReAct：Reason + Act
Thought → Action → Observation → Thought → Action → Observation …
Agent = LLM + （Tool + Memory + Workflow）=LLM+Harness
Agent = 会推理的模型 + 会用工具的能力 + 会持续完成目标的控制逻辑
Q10：什么是 Harness 工程？
人们的需求从需要大脑逐渐进化成需要一个生产力工具，在上面的概念里，过去都在努力解决输入侧的问题，但当模型进入真实环境，开始连续行动时，谁来监督它，约束它，纠偏它。
AI的不稳定性，AI被人诟病或者大家日常使用过程中的一个体验是，它会幻觉，它会假装工作，是AI目前还是实验和局部规模的阶段性问题。
- 一上来就想一口气做完整个任务
- 做了一半忘了自己原本要干嘛
- 自己脑补任务已经完成了
- 改了一堆东西却不留记录
- 工具会用，但不会验证结果
- 下一轮回来像失忆一样重新摸索
- 在一条错误路径里不断重试
但AI的不稳定性不是一棒子打死AI的点，这里同样可以用积极心理学来区分，在经历AI假装工作的同时，我们也在经历另外一个事实，即AI有时候能高效奇迹般地完成我们的需求，给我们ahamoment的时刻，所以关键在于不在于AI行不行，而是如何让它可以在一个长链路的线程里稳定重复地行。
为了教会Agent如何稳定工作（人类大学生毕业）实现这个目标，AI大企业引入了一个新词汇——Harness。（对话智能-长城智能体）
Harness，近期AI圈最火热也是讨论程度最多的词汇，本意是马具的缰绳、嚼子、马鞍等或者一套控制马的工具，本质意思是智能体作为强大的快速的模型，但是不知道往哪里跑，如何稳定快速地跑到符合人类期望的终点。
而Harness工程是一个很大的词汇，Langchain给的定义是智能体=model+harness，即Harness是模型之外的一切，智能体如何稳定工作任何相关工程，任务拆解，上下文管理，工具编排，权限设定，状态交接，验证，恢复，人类接管……
1 大家不用觉得Harness觉得很远，我们给AI设立的边界，我们给AI建立的长期记忆，本质都算是harness工程的一部份
2 其次Harness确实大幅提高了智能体的整体表现
- langchain，不改变模型仅改造Harness，使得排名从30之外冲到了前5
- openai通过仅有几名人类工程师的团队，通过0行手写代码的约束，完成了超百万行代码的生产级应用
- Anthropic，仅凭一句自然语言，无需人工干预，使得智能体交付了一个完整的游戏编辑器和数字音频工作站
3 生成-评价分离
- AI存在和人类一样的自评失真，倾向于高估自己，所以生产和验收需要分离
- Anthropic，角色划分，planner，gennerator，evaluator，dreamer
- 同样的思路，google的Aletheia，2026年2月，面向数学研究的自主agent，generator，verifier，reviser
- Openai早期使用agents文档导致模型输出质量变差，后面长期记忆文档变成目录页索引
- 当代码生成速度超级快，生成代码超级多，验证者不可能再是人类
4 做对的事情，把事情做对
- Openai，不是更努力的尝试，而是缺少什么能力
5 不是新东西，但是面向新对象，不是新瓶装旧酒，也不是只是套壳，过去的harness工程约束的是人生产环境的不确定性，现在的harness工程约束的是智能体在生产环境的不确定性
6 落地：谁该怎么做？
6.1 个体：如何应对？
碳基生物与硅基生物相处指南
写个体。也就是普通人、知识工作者、研究者、创作者，面对 AI 应该怎么用，怎么不被它带歪。这个部分不是教工具，而是教姿势。这里面最核心的不是 哪个模型更强，而是几条原则：不要把思考外包给 AI，不要把它当神谕，要把它当副驾、实习生、执行系统；要有工程思维，也就是把问题拆清楚、把输入设计清楚、把流程管理清楚；要有验收意识，知道 AI 给你的不是答案，而是待验收的中间件；要把 AI 拉进真实任务，而不是只在聊天框里空转；要用它扩带宽，而不是用它掩盖空心。这一小节的关键词其实不是 使用 AI，而是 驾驶 AI。
1 姿势摆正
转变对AI的态度
- 你和世界的关系，你和所有APP的关系，变成了你和自己需求的关系，你和自己的关系，每个人都不得不开始思考或者焦虑，是啊，我要用AI来干嘛呢？
- 这个现象是中性的，但对问题的应对是多义的，有人觉得AI在剥夺自己的思考，有人觉得AI在抢自己的饭碗，有人觉得AI是三体的降临派。——Agent是一等公民
- agent是抢我饭碗的码奸
- agent是我的驾驭的下属
- agent是和一起共事员工
- agent是带我起飞的大佬
主动蒸馏自己
- 接手重复和繁琐的琐碎的任务
- 专注于战略和不可量化的地方
放下AI的执念
- 放下AI不回犯错的执念，类比人，人类也会犯错，人类需要10几年学习，需要法律约束，需要道德束缚
- 放下AI会抢饭碗的执念，使用AI增强你，奖励你
2 主动拥抱
不计成本
- 和增加约束不冲突，约束增加的是创造力
- 在实践过程中主动营造创造一个token不缺的成本
- 除了追求一流大模型，主动harness也是有效路径
工程思维
- 不要把思考外包给 AI，让AI逼迫你或者辅助你思考
- 要把 AI 拉进真实任务，而不是只在聊天框里空转
- 主动分离任务的角色，主动拆解任务
- 对人，多做任务切割
- 对AI，多使用子智能体和多智能体
验收意识
- 生产和验证者分离
- 主动设计验收机制
个体在 AI 时代要有一种看似奢侈、其实必要的心态，叫不计成本地创造试验环境。这里说的不计成本，不是无脑烧钱，而是在关键阶段不要被那点 token 成本吓得抠抠搜搜。约束增加的是创造力，不等于你要在探索阶段把自己锁死在成本焦虑里。
3 找到真金
找到自己的创造力
1 找到让你浑身难受的东西
1.1 认知失调：预期与现实出现了误差，改变自己还是改变世界
1.2 多点琢磨，不要将就
2 主动给自己加约束（less is more ）
2.1 AI领域加约束会提高表现
加拿大 UBC（英属哥伦比亚大学）的李霄霄（Xiaoxiao Li）教授团队于 2026年1月 发表的，论文题目叫：《When Single-Agent with Skills Replace Multi-Agent Systems and When They Fail》
2.2 人类也需要给自己加约束
选择越多，行动越低
约束工具，约束时间，约束范围
2.3 塞尔达传说：AI如同这个不倒翁
3 先完成后完美
先让AI入驻进来（种下一颗种子）
4 跨界
创造力的起点，反而不是灵感，而是不舒服。真正能把 AI 用明白的人，往往不是最会玩提示词的人，而是最先意识到哪里不对劲的人。是哪些重复劳动让你烦，是哪些低效流程让你卡，是哪些预期和现实之间的误差让你浑身难受。
找到无法被蒸馏/难以被蒸馏的部份
这一部分仍然是个体在 AI 时代需要主动识别和保留的真金。真正稀缺的，不是更快地产出平均答案，而是那些很难被外包、很难被压缩、很难被复制的人类部分。
反脆弱
与不确定性做朋友，不要只想着别被它打死，AI带来的是混乱，是黑天鹅，是动荡与不确定性。
1 很多人面对不确定性，天然反应是回避、控制、消灭、求稳，不想要被其杀死，这其实只是防守人格。
2 把不确定性看作中性的现实，既然这个世界本来就由不确定性主宰，那为什么不想办法从中捞一笔。
3 别把自己活成白天鹅统计员，要把自己活成黑天鹅受益者。你不用比别人更会预测，你只需要比别人更不怕世界变脸，实事求是，做好应对。
4 脆弱的反义词不是坚固，而是一种在随机过程中会变得更好的东西
5 玻璃杯摔一下就碎，是脆弱；不锈钢杯摔一下不碎，是坚固；但还有第三种东西，是越在随机冲击中越强，这才是反脆弱。
4 其他
现状，中间层要被拷打
- 利好大企业，管理经验/用户/渠道/品牌/合规
- 利好小企业，重构，船小
门槛消融带来的行业转变
- 技能型的学习转变-skil
- 知识储备型职业的转变-沉淀
- 心理咨询师
- 孩子教育，依赖AI导致思考退化-孩子教育，驾驭AI导致无所不能
ADHD，反而成了 AI 时代的版本答案？！
AI 时代带来的那种沉浸式多巴胺快感，正在让我们 ADHD 成为版本最强。
AI 时代信息密度和工作节奏变化极快，能在混乱中持续保持判断力和创造力，这项能力正在变成「AI 时代稀缺的竞争力」。
Anthropic 最新报告：8 万普通人对 AI 的恐惧和期待
Anthropic 最新报告：8 万普通人对 AI 的恐惧和期待
用 AI 辅助学习，却发现自己开始懒得独立思考了；
赞叹 AI 的判断力，又在关键时刻被它一本正经的胡说八道坑过；
从 AI 那里获得深夜的慰藉，转头发现自己已经很久没找真人聊过了；
用 AI 在某些事上省了时间，结果老板的期望值跟着涨了；
靠 AI 开辟了副业收入，同时也在担心 AI 会不会让自己的主业消失。
不同岗位的游戏人，都是怎么用 AI 的？
我会告诉自己真正要写的东西，得在AI给我的内容的标准之上，也就是给自己强制上思想钢印，不把AI当笔或者是代写，而是变成文案赛马的对手，你得写出来它写不出来的东西。
我自己在家的时候则是秉承“能自动化就自动化”的原则做了不少有趣的小工具。比起单纯地用AI完成工作，我更想让AI把自己的工作环境、工作节奏调整得更顺滑。
7 观点
前面讲了感受、背景、学习和落地，到这里可以把一些更明确的判断收束成几条观点。这些观点不一定都是终局答案，但至少可以作为未来几年观察 AI 的坐标系。
7.1 从对话式 AI 到行动式代理，人类会逐渐退到“头”和“尾”
过去很多人理解 AI，还是停留在“它会聊天”“它会回答问题”“它会写点东西”。但真正的变化，不是对话式 AI 更会说了，而是行动式代理开始进入真实工作流了。它不再只停在聊天框里给你建议，而是能接任务、调工具、读上下文、执行步骤、产出结果，甚至在一定边界内自己迭代。
这会让人类在很多任务里逐渐退到两个位置：头和尾。头，是做对的事情，定义目标，决定什么值得做，什么不值得做，先打哪一仗，为什么打这仗；尾，是验收成果，判断做出来的东西到底对不对、好不好、能不能承担后果。中间那一大段 HOW，以后会越来越多地由 AI 代劳。
所以未来一个人真正的稀缺能力，未必只是知道更多知识，而是有更强的想象力、更清楚的目标感，以及更成熟的验收标准。知识当然重要，但知识正在变成越来越容易被调取的库存；而想象力、问题定义、责任承担和 taste，反而在升值。软件也会顺着这个方向演化，从“软件即服务”逐渐走向“结果即服务”，用户购买的不再只是一个界面，而是一个可交付的结果。
7.2 能力越强的系统，越需要精密的外部控制
大模型不是一个传统意义上的确定性函数。你不能指望像调用数学公式那样，输入完全相同的东西，每次都得到完全一致、完全可靠的结果。越是能力强的系统，越像一个高智商但不稳定、能干却也可能跑偏的实习生。它有创造力，也就有偏航风险；它有泛化能力，也就有幻觉和误判。
这意味着工程重点会从“怎么把话说清楚”进一步转向“怎么把模型放进一个能够持续稳定地产出结果的框架里”。Prompt engineering 只是起点，后面更重要的是 context engineering，是 harness，是工具权限，是上下文裁剪，是错误恢复，是多步执行时的状态管理，是人和系统之间的责任分界线。
越强的系统越不能裸奔。真正的竞争力，不只是你接了哪个模型 API，而是你有没有把这个模型包进一层足够好的外围控制系统里，让它在真实世界里既能干活，又不至于惹祸。
7.3 AI 时代的人类价值，会越来越集中到“验收”
如果中间执行过程越来越多地交给 AI，那么“尾”就会变得极其重要。所谓尾，本质上就是验收意识。不是看它做没做，而是看它有没有做对；不是看它给了你一个看起来像答案的东西，而是看这个东西在真实环境里能不能承担责任。
工程思维在这里会比灵感更重要。很多时候，你不需要神乎其神地驯化 AI，你只需要手动多设计一个验收任务，就能让系统稳很多。比如让一个代理生成结果，让另一个代理审查结果；比如输出后自动跑一遍 build、测试、lint；比如在关键节点要求人工确认；比如多一个 GitHub 备份动作，多一个人工兜底动作。很多事故不是因为 AI 太弱，而是因为人类太急，省略了尾部验收。
以后谁最懂验收，谁就更容易驾驭 AI。因为策略制定决定方向，验收能力决定结果，而中间执行正在被快速商品化。
7.4 当 HOW 逐渐由代理完成，GUI 不再是唯一中心
过去几十年的软件世界，基本是围绕 GUI 构建的。因为执行对象是人，人需要看见按钮、表单、导航、菜单，需要一条清晰固定的用户路径。可一旦越来越多的执行对象从人变成 AI，很多为人类设计的软件结构，就会慢慢从“默认答案”变成“历史阶段答案”。
这不意味着 GUI 会消失，而是它不再天然占据中心。更底层、更关键的东西会变成模型原生范式、上下文组织方式、工具调用协议、权限系统和代理到界面的桥梁。MCP 这类协议的重要性会越来越高，因为它们解决的是“代理如何安全稳定地接入世界”的问题。某种意义上，未来的软件不只是给人用，还要给代理用。
CLI 这件事重新变热，也和这个趋势有关。CLI 本质上就是用结构化文本表达意图，并让计算机按规则执行。它天然适合人与机器、机器与机器之间的协作，所以在 AI 时代反而重新显示出生命力。
7.5 AI Agent 爆发，本质上是一场新的基础设施红利
如果把 AI Agent 想成一批突然降临地球的“外星劳动人口”，很多问题会变得非常好理解。它们不是天然就能在地球环境里干活，它们需要装备，需要食物，需要住所，需要交通，需要规则，需要培训。谁能给这批新劳动力提供基础设施，谁就有机会吃到未来十年的红利。
衣，是 harness，是包在模型外面的程序壳、调度层、权限层、输入输出层、错误处理层。食，是算力和数据，是 token、数据主权、知识沉淀、技能 SOP、上下文压缩与持久记忆。住，是物理设备、服务器、边缘节点、人机协作网络。行，是 API、MCP 以及各种让代理能安全连接外部世界的标准接口。
所以未来的巨大机会，不只是“做一个 AI 应用”，而是做一整套让代理能安全、高效、持续劳动的配套系统。
7.6 今天的 AI，很像互联网和移动互联网的早期阶段
今天的 AI 有点像互联网和移动互联网刚开始真正进入大众生活时的状态。大家都知道它厉害，也都能模糊感觉它会改世界，但真正稳定、便宜、标准化、人人离不开的形态，还没长出来。很多体验像早期上网，能力很惊艳，但基础设施不成熟，成本高，波动大，产品形态也还在频繁试错。
早年的智能手机时代，很多人每个月只有一点点流量，看网页还要手动设置“不加载图片”，整个产品世界都围着稀缺资源打转。今天的 token 成本、上下文限制、稳定性问题，有点像那个阶段。未来智能很可能会逐渐向电价一样的基础成本收束，变成像互联网服务一样的底层公用能力，但这中间还要经过一大轮基础设施建设，包括稳定性、边际成本、权限体系、审计能力、数据接入标准和用户习惯沉淀。
真正的变化，不是给旧软件前端塞一个聊天框，而是重构整个软件的交互逻辑、任务流、权限流和组织分工。软件会从“给人用的工具”，变成“人和代理一起完成任务的操作环境”。
7.7 AI 正在变成新的环境，而不只是一个新工具
很多人现在还在问：“你会不会用 AI？”这个问题有点像当年问“你会上网吗？”再往后，它甚至会像问“你会不会用电”一样，逐渐失去提问意义。AI 会慢慢从一个显眼的新工具，变成一种新的底层环境。
1945 年第一颗原子弹爆炸后，连远处丛林都能检测到放射性痕迹。某种意义上，2022 年 ChatGPT 出现之后，AI 味也开始进入自然语言环境。我们现在越来越容易怀疑一段话是不是 AI 写的、一个视频是不是 AI 做的、一个互动是不是 AI 扮演的。它正在从局部产品能力，变成一种弥散在整个社会里的背景辐射。
所以最后的判断其实很朴素：不要神化 AI，也不要轻视 AI。它会犯错，会幻觉，会失控，需要像对待新人一样被训练、被约束、被审计；但与此同时，它正在成为新的基础设施、新的劳动人口和新的社会环境。真正重要的，不是争论它到底是不是万能，而是尽快在这场变化里找到自己的位置，建立自己的判断，开始自己的实践。