AI

从五月中旬到七月初，写了八篇文章，走完了一条递进线。 确定性降临的前夜——为什么一个文科生要关心AI。然后是四个能力：懂诉求、会判断、敢想象、能执行。接着画了一张概念地图，从图灵测试到智能体，七十年的路压缩成一篇文章。再往后，一步一步往前走：提示工程、上下文工程、工具调用、工作流搭建，最后到智能体。 怎么说、怎么记、怎么动手、怎么串、怎么自己决定——这条线可以暂时告一段落了。 随后有一种感觉：概念地图画得再清楚，也只是地图，不是实地。 学东西有一种隐性的仓鼠症。之前写的是信息囤积——收藏了等于读了。学AI也有类似的毛病：概念记住了，框架搭好了，提示词模板攒了不少，但如果没有一个自己真正需要解决的问题在后面推着，这些东西就跟收藏夹里的文章一样——存了等于没存。 不是否认学的价值。那八篇文章对我帮助很大，没有那张地图，面对AI会不知道该往哪走。但"知道了"和"会用了"之间有一道坎，这道坎不是靠再学一个新概念能跨过去的。 靠的是用。而且不是随便找个练习场景来用——是找到自己真正需要解决的场景。 这跟四个能力里第一条是通的：懂诉求。知道自己要什么，才是一切的前提。学AI如果不是因为"有个事想用AI帮我做"，而只是因为"应该学"，那学完之后它就去冷宫待着了。反过来，如果有一个真实的、跟自己有关的需求在前面拉着——那个需求会逼着把提示词写好、把上下文管好、把工具用对。不是为了学而学，是因为用得上。 没有真问题，再好的工具也只是工具箱里的摆设。 所以接下来这个暑假，我暂时不打算"学"新概念了。我会以Agent为基座，从自己真实的需求场景出发，把AI用起来——具体怎么用、踩了什么坑、有什么体会，会写成新的系列。 6月23日，终于获得100关注，一直想认真写一篇感想，或者说心路历程。这周还在外培训，我计划等眼下的琐事告一段落，找一个安安静静的下午或晚上，纯手打完成。或许下周就可以了。 在七月的某个晚上，打开电脑，对话框空着。不再问"AI能做什么"，问自己：我真正需要解决什么。 在那之前，学到的都只是别人的招式。用起来，才是自己的功夫。

工作流那篇的结尾留了一句话—— “再往后——当AI不只是按图纸施工，而是学会了自己画图纸，那就是智能体了。” 这篇，就讲这件事。 智能体：从按图施工到自己画图 工作流是把路线画好，AI照着跑。第一步查天气，第二步写建议，第三步存笔记。每一步都是人定的。AI不看路，只看图纸。 智能体把这个逻辑翻转了。 人只给终点——“帮我了解今天适不适合出门。“路怎么走，AI自己判断。 核心区别只有一个：谁来决定"下一步”。 工作流：人画路线，AI跑腿。 智能体：人定终点，AI自己找路。 智能体怎么运作的：一个四字循环 不需要代码。智能体的运行就是一个循环： 看 → 想 → 做 → 回头再看。 “帮我了解今天适不适合出门”—— 看：收到目标，检查当前状态 想：要出门，得知道天气。用户没说城市，默认成都吧。还需要空气质量吗？先查天气再说。 做：调用天气工具，查到"成都，晴，28°C” 回头再看：天气不错。还需要查别的吗？问一下用户要不要继续。目标基本完成。 每一步之后，智能体把新信息加进上下文，重新判断下一步。智能体每一步的"想"和"回头看"，都依赖上下文里积累了什么。上一步查到的天气、用户之前的偏好、还没完成的子目标——全靠上下文工程撑着。上下文工程是智能体的地基。 工作流 vs 智能体 工作流 智能体 路线 人提前画好的 AI自己规划 决定权 在每个节点人已经定了 AI每一步自己判断 可控性 高，每一步都知道会发生什么 中，可能跑偏 适合场景 流程固定、重复执行 目标明确但路径不确定 举例 每周自动整理AI新闻发邮件 “帮我研究一个选题，写篇文章” 工作流和智能体不是对立的。工作流是智能体的地基——不理解怎么串步骤，就没法理解智能体怎么自己规划步骤。上一篇说的"学工作流恰恰是为了驾驭智能体"，就是这个意思。 用扣子搭过 Bot？给它规则和工具，它自己判断怎么回答——这就是智能体。登录过 WorkBuddy，让它帮忙整理文档、填表格？也是一个智能体在电脑上干活。智能体不是未来概念。是已经在身边的东西。 驾驭工程：能动手，就得有缰绳 为什么对话AI不需要驾驭，智能体需要 跟AI聊天，聊崩了，重新发一条。 智能体不一样。它能读文件、写文件、删文件、发消息、操作软件。它能动手。 能动手，就有改错东西的风险。 这不是"智能体更聪明所以要管住"。是能力边界不同。对话AI的边界停在对话框里，无论如何伤不到桌面上的东西。智能体的手伸出来了——伸得越远，摔东西的概率越大。 自由越大，缰绳越要紧。 驾驭的三层机制 从松到紧，三层叠加： 第一层：规则约束。 在智能体开始干活前，先告诉它什么能做、什么不能做。“不要删除文件"“不确定的事先问"“回复用中文”。这些规则写在上下文的最前端——还记得上下文工程那篇的首因效应吗？放在最前面的东西，智能体最不容易忘。 但规则只是文字建议。智能体可以不遵守。越长的任务，上下文越被推远，规则越容易"沉底”。 第二层：审批关卡。 有些动作，智能体不能自己做——必须等人点头。删文件？弹确认框。发邮件？先预览。花超过1块钱？暂停等人审批。 这层不是依赖智能体听话，是依赖系统拦截。智能体不知道人在看着，它只是在等。 第三层：环境隔离。 最紧的一层。智能体跑在一个笼子里。能读的文件、能访问的网络、能用的工具——全部限定。即使智能体发了疯，破坏范围也是可控的。 三层叠起来：规则说方向，关卡管执行，环境兜底线。 Codex 的三个审批模式就是这三层的现实版——“从不审批"最松，“每一步都审批"最紧，“失败时审批"取中间。同一个智能体，同一个能力，不同的驾驭设置，就是不同的风险偏好。 ...

AI已经有工具了。能搜索、能读文件、能操作软件。 但每次完成一个任务，还是要手动喂好几轮。 想写一篇文章：先让AI查资料，查完了把结果复制下来；再开一轮对话，把资料喂进去让它列大纲；大纲出来了，复制；再开一轮，让它写初稿。三步——三场对话。人坐在中间，复制、粘贴、等待、再复制。 每一步AI都能做。只是不想当胶水。 不是AI做不到。是只给了它工具，没给它图纸。 工作流的三个关键词 工具调用，是给AI一把锤子。 工作流搭建，是给它一张图纸加整套工具，说"按这个顺序，从头做到尾"。 串联。 A步骤的输出，自动变成B步骤的输入。不用人在中间等着复制粘贴。 触发。 可以是手动——点一下"开始"。也可以是自动——每周日晚上九点，自己跑。 分支。 不是一条直线走到底。如果A结果是这样，走B；如果那样，走C。 人做什么？设计流程，判断结果。不再亲自执行每一步。 一个现实的例子：每周日晚九点，AI自动搜索本周AI新闻，整理成简报，存入笔记软件，发邮件到收件箱。五步，人只需要看最后那封邮件。 形成工作流的两股推力 工作流的出现，背后有两股推力。 第一股推力：单轮对话不够用。 真实任务从来不是一步。写文章、做调研、整理信息——每一步AI都能帮，但每一步都要人手动触发。人站在中间当胶水，这是最累也最没价值的环节。 第二股推力：全自动Agent太野。 2023年，AutoGPT横空出世。给一个目标，AI自己拆任务、自己执行。但很快问题暴露——让它调研AI行业动态，它可能先搜五十个网页，再看二十个视频，然后陷入无限循环反复改同一段文字。Token烧完了，产出约等于零。 很多时候不是不知道流程，是想让AI按既定的流程高效执行。不需要AI替人规划，需要AI替人跑。 工作流选了一条中间路线：人定流程，AI跑腿。 在可预测性和自动化之间，选择了可预测性优先。 工作流和Agent：谁说了算 讲到这里，一个疑问自然会冒出来：现在Agent这么火，工作流是不是过时了？ 用过扣子的人都有这种感受：界面让人感觉在搭一个"智能体"——给它工具、给它规则，它自己判断怎么干。但扣子同时也支持拖节点、连线、搭工作流。同一个界面里，两种模式共存。 这不是扣子的问题。这是工作流和Agent的底层关系：不是替代，是两层不同的逻辑。 核心区别只有一个：谁来决定"下一步做什么"。 工作流：人提前画好路线图。第一步查天气，第二步写建议，第三步存笔记。AI跑的时候不看路，只按图纸走。 Agent：人只给目标——“帮我了解今天适不适合出门”。AI自己判断：需要查天气吗？查几个城市？需要看空气质量吗？每做完一步，它自己决定下一步。 工作流 Agent 路线 人画好的 AI自己规划 可控性 高，每一步都知道会发生什么 低，可能跑偏 适合场景 流程固定、重复执行 目标明确但路径不确定 代表工具 n8n、Dify、Make 扣子智能体模式 一个Agent内部，本质上就是在实时生成工作流。它收到目标，自己画路线，自己执行，看结果，修正路线，继续。不理解工作流的逻辑——串联、分支、输入输出匹配——就没办法理解Agent在做什么，更谈不上调教它。 就像学车。手动挡让人理解离合、档位、转速的配合。自动挡把这些封装了。真出了状况，只会开自动挡的人不知道车在干嘛。 话说到这，一个更根本的问题该问了。 AI发展这么快。Agent越来越强。n8n这样的工具，还有必要学吗？ 有句话是这么说的：学的速度如果足够慢，那就不用学了——等学会的时候，它已经过时了。 这句话放在"学某个具体按钮在哪"上，是对的。放在"学工作流的思维"上，不对。 因为工作流不是一个工具，是一种组织任务的方式。串联、分支、触发、输入输出匹配——这些逻辑不会因为工具换代而失效。n8n可能会被取代，但"把复杂任务拆成可串联的步骤"这件事，永远不会过时。 更深一层：学工作流，恰恰是为了驾驭Agent。 Agent之所以跑偏，往往是因为目标给得太模糊、步骤太跳跃、中间缺少检查点。而工作流思维训练的，正是——把一个大目标拆成小步骤，在每个关键节点设置验证，确保上一步的输出能准确喂给下一步。这些能力，在放权给Agent的时候，反而更重要。 不是先学n8n再学Agent。是在学n8n的过程中，长出驾驭Agent的能力。 上手工作流的三个层次 从已经在做的事开始。 第一层：手动串联。 把一个复杂任务拆成几步，每一步写一条提示词，上一步的结果复制给下一步。虽然手动，但思维已经是工作流思维了。写公众号的过程——想选题、和AI对话走完思考、写初稿、改文字、排版、发布——本身就是一条流水线。只是现在每一步之间是人手动衔接的。 第二层：平台内置。 扣子的工作流模式——拖节点、连线、配参数，不写代码就能把AI调用、搜索、条件判断串起来。通义千问的百炼平台也内置了类似能力。不离开正在用的平台，就能体验"按流程跑"。 第三层：专用工作流工具。 n8n——开源、可自部署、四百多个节点，工作流领域最具代表性的工具。Dify——为AI原生设计，每个节点都围绕LLM。扣子——零门槛起步，已经在用了。Make——可视化最强，非AI场景也极强。 工具 定位 适合谁 n8n 通用工作流 + AI 愿意折腾、想要自主权 Dify AI原生应用平台 专注AI场景 扣子 AI Bot搭建 最快上手 Make 通用自动化 非AI场景也强 提示工程回答"怎么说"。 上下文工程回答"怎么管记忆"。 工具调用回答"怎么让AI动手"。 工作流搭建回答"怎么把事串起来"。 ...

“帮我查一下明天的天气。” 对着本地部署的AI对话框敲完这句话，看着回复，才发现它根本做不到。 不是不想做。是没有"查"这个能力。 AI能写诗、能翻译、能讨论哲学——为什么不能查个天气？为什么对话框里那个看似无所不能的东西，连这么简单的事都做不了？ 答案比想象中简单：它没有手。 AI 需要一双手 大语言模型的本质是一台预测引擎。输入一段文字，它预测下一段文字最可能是什么。它没有眼睛、连不上网、打不开文件。它的全部世界，就是塞进对话框的那段文字。 “查天气"这三个字对它来说，跟"写首诗"没有区别——都是在预测下一个token。但它预测出来的天气，可能是去年的，可能是编的。 所以问题变成了：怎么给这台预测引擎装上一双能伸出去的手？ 这就是工具调用。 工具调用就三个动作 不需要理解代码。就三个动作在循环： 动作一：告诉AI有哪些工具可用。 提前写好一份清单，列出AI能调用的资源——比如"网页搜索"“读文件"“发邮件”。每个工具附带一份说明书，写清楚叫什么、能干嘛、需要什么参数。 动作二：AI判断该调哪个、怎么调。 AI收到消息后，扫一眼清单。如果发现聊天解决不了，而清单上有工具能解决——就决定调动那个工具，并填好参数。 动作三：系统执行，把结果喂回来。 AI只负责"说要用哪个工具”，真正去搜索、读文件、跑命令的，是电脑或服务器。执行完把结果塞回对话，AI基于结果继续回答。 工具调用的三种场景 工具调用不是一个"功能开关”，取决于AI"站在哪里"。 网页端。 最常见的形态。ChatGPT网页版能搜索、能画图、能跑代码——这些就是被预设好的工具。但能看到哪些、能调哪些，是平台定好的，没法自己加。 API调用。 开发者通过API接入。工具完全自己定义——想给AI什么能力，就写什么工具。最灵活，但需要写代码。 AI Agent。 跑在本地或服务器上的AI客户端。能调用shell命令、读写文件、操作软件。装什么工具就能调什么，权限边界自己控制。 三种场景一层比一层自由。要彻底搞懂工具调用，本地Agent是最短路径——每一步都看得见。 一个真实的例子。复盘上周微信公众号时，我让AI帮我看一眼我已经记录在本地笔记中的数据，： “查看《上下文工程》的阅读量” AI没有直接回答。它在后台调用了shell命令，在我电脑上执行了文件搜索。拿到搜索结果，再告诉我"23"。看起来是一问一答，背后是一次完整的工具调用循环。 工具调用的四个组件 组件 做什么 谁负责 工具定义 描述工具叫啥、能干嘛、要什么参数 人提前写好 工具选择 AI判断该用哪个工具 AI自己判断 工具执行 真正去搜索、读文件、跑命令 系统执行 结果整合 AI把返回结果消化，继续对话 AI自己 四个组件里，最核心也最容易困惑的是第一个——工具定义。 一个工具，就两部分： ① JSON说明书——给AI看的菜单。告诉AI：我叫什么、我能干什么、我需要什么参数。 主流格式就两种，本质一模一样： OpenAI风格—— { "name": "get_weather", "description": "查询指定城市的当前天气", "parameters": { "city": { "type": "string", "description": "城市名称，例如北京、上海" } } } MCP风格——换个字段名，结构不变： { "name": "get_weather", "description": "查询指定城市的当前天气", "input_schema": { "properties": { "city": { "type": "string", "description": "城市名称" } } } } ② 执行代码——真正干活的。AI不看它，也不执行它： ...

跟AI聊得好好的。第一轮交代了背景、要求、格式，AI按这些规矩生成了好几轮。聊到第十轮，它忽然忘了最开始说过什么——语气变了，方向偏了，连那个费了半天劲才调好的格式也丢了。 不是AI变笨了。 是它的记忆空间被填满了。 提示词写得好不好，决定第一轮。上下文管得好不好，决定第十轮还能不能稳住。这是从"会说"到"会管"的跨越。 两个刚性限制 理解上下文工程，先从理解约束开始。 第一，LLM没有真正的长期记忆。 模型每一轮推理，能"看到"的东西只有当前上下文窗口里的内容——系统提示、对话历史、刚发来的消息。窗口之外的一切，对模型来说等于不存在。说"之前说过"，它只能在对话历史里恰好还没被挤出窗口的那部分里找——一旦超出窗口，这段记忆就彻底丢失了。不是它不想记住，是它没有一个"存档"的地方。 第二，上下文窗口不是无限免费的。 128K、200K、1M token——窗口越来越大，但每塞进去一个token都有代价。计算代价：推理变慢变贵。注意力代价：信息越多，模型对每条信息的关注越稀疏，关键指令可能被淹没在大量无关内容里。机会代价：劣质信息占住位置，好信息就塞不进去了。 两个约束叠加在一起，产生了一个核心问题：怎么让有限的空间装进最有价值的信息，并且排列成让模型最容易理解和使用的结构。 这就是上下文工程。 什么是上下文工程 三层定义，从直觉到精确。 直觉层：管理跟AI之间的记忆空间——决定让它记住什么、忘记什么、先看什么、后看什么。 操作层：在有限token窗口内，通过设计输入的结构、顺序和取舍，最大化输出质量的方法。 工程层：一套系统性的方法论，涵盖容量管理、信息密度、位置效应、上下文污染、信息的生命周期管理和跨会话的上下文复用。 核心的意象是这样——把AI想象成一个人，坐在一张固定大小的书桌前。桌面的面积是有限的，摆满了，再放新的就得把旧的撤下去。上下文工程不是教它怎么干活，而是设计这张桌子上的布局：什么放在手边最顺手的位置，什么叠在旁边备用，什么已经没用了、该直接丢进垃圾桶。 和提示工程的边界 写这个系列以来，一个反复思考的问题是：上下文工程和提示工程，到底是什么关系？ 不是包含，是交汇。 提示工程打磨的是一条消息的质量——措辞、示例、格式、角色设定。上下文工程设计的是整场对话的信息环境。 它们交汇的地方在这里：提示词本身占用token，是上下文的一部分；上下文的结构反过来影响每条提示词的效果。一个写好提示词但管不好上下文的人，聊着聊着AI就忘了；一个精于上下文布局但写不好单条提示的人，每句话都问不到点子上。 一句话区分：提示工程回答"怎么说"，上下文工程回答"给AI看什么、按什么顺序看"。 管理什么：七种对象 进入上下文窗口的全部信息，都是上下文工程要管的东西。 系统提示（System Prompt）。 上下文里最持久的部分，定义角色、行为边界、输出格式。它是上下文工程的地基——写什么、写多长、怎么组织，直接影响整个会话的质量上限。 用户输入（User Message）。 单条提示词是提示工程的产物。上下文工程不重写它，但判断它放在什么位置、密度是否合适、和前面信息有没有冲突。 对话历史（Conversation History）。 体积最大、增长最快的部分。聊得越久，越早的内容越被挤出。关键问题是：什么东西保留，什么东西可以——甚至应该——被主动遗忘。 外部检索结果（Retrieved Context）。 搜索结果和文档片段注入上下文的位置、数量和格式，决定了模型能不能有效利用。塞太多，淹没核心指令；塞太少，信息不足。 工具调用输出（Tool Output）。 Agent调用工具返回的结果会被追加进上下文。如果工具返回了5000行日志全部塞进去，核心任务就被稀释了。需要截断、摘要、结构化，或者判断根本不值得放进去。 少样本示例（Few-Shot Examples）。 提示工程里最有效也最吃token的东西。三四个精心挑选的示例，可能比几十个平庸的示例效果好得多。选几个、选哪些、放在什么位置——这是提示工程和上下文工程的交汇带。 结构化信息（Structured Context）。 项目规则、记忆文件、风格手册——预先写好、长期复用的上下文材料。怎么组织、什么时候更新、在什么时机加载。Skill本质上就是这种思想的产物。 六个核心问题 这才是上下文工程真正的"硬核"部分。 容量管理 上下文窗口的token上限是硬天花板。系统提示占多少？对话历史留多少？工具返回预留多少？ 每个部分不是越大越好。系统提示写得像长篇小说，等于侵占模型"看"真正任务的空间。几百行规则塞进去，模型对每条规则的注意力都被稀释了。容量管理的第一课：不是能塞多少塞多少，而是只塞必要的。 信息密度 同样的1000个token，可以是一段散乱的对话记录，也可以是一组结构化的要点。 上下文工程追求高密度——让每token承载的信息量最大化。格式化的标签、分层结构、紧凑的要点，不是写给人类看的排版，是控制单位token的信息产出比。把信息组织好再塞进去，比随手丢进去再期望AI自己理清楚，要可靠得多。 位置效应 模型对上下文不同位置的关注度不一样。 开头的指令最容易"记住"——首因效应。结尾的内容对当前输出影响最大——近因效应。中间的部分则容易被忽略，这就是"迷失在中间"现象。 上下文工程利用这个规律：核心约束放开头，最新状态放结尾，参考信息放中间但要加结构锚点——小标题、编号、标签——把模型的注意力拉回来。 上下文污染 一条错误、矛盾或过时的信息一旦进入窗口，会持续影响后续所有输出。 更隐蔽的是自我污染：模型自己生成的不准确内容被注入后续上下文，形成错误循环——AI说错了一句话，这句话被当成事实写进下一轮的上下文，然后AI基于这个错误继续推理。很多时候，不是信息不够，是信息不对。 上下文工程的一个重要动作，就是识别和阻断这种污染——在错误信息进入窗口之前拦下来，或者在发现之后主动清除。 记忆的粒度与生命周期 不是所有信息都应该在上下文里活一样久。 有些信息全程保持——任务目标、核心约束、输出格式。有些只在一轮有效——一次搜索的结果、一个临时变量的值。有些需要"降级存储"——把五轮详细对话压缩成三行摘要，保留关键结构但不占用多少空间。 上下文工程要设计这种分层机制：热记忆持续在线，温记忆被压缩存档，冷记忆直接丢弃。 上下文复用 一个精心搭建的上下文环境——系统提示+规则文件+参考文档——能不能被复用？ ...

“知道想要什么，并且能描述出来。” 这是写《AI时代最重要的四个能力》时，给第一个能力起的名字：懂诉求。 描述出来——到底怎么描述？ 这件事有个名字，叫提示工程。不神秘。不需要会写代码。就是把心里模糊的想法，翻译成AI能懂的句子。反复翻译，反复调，直到AI给的东西对得上心里那个模糊的形状。 基础认知 编写提示不需要数据科学或机器学习背景——人人都可以做到。但写好提示并不简单，它涉及模型选择、训练数据、配置参数、措辞、语气、结构和上下文等多个变量，需要持续学习和实践。 LLM的本质 LLM 的本质是预测引擎。它接收一段连续文本作为输入，基于训练数据预测下一个最可能的 token，然后将预测结果追加到文本末尾，如此循环往复，逐步生成完整输出。 提示工程的定义 提示工程是设计高质量提示以引导 LLM 生成准确输出的过程。它适用于文本摘要、信息提取、问答、分类、翻译、代码生成等多种任务，需要针对具体模型优化提示并调整各项输出配置。 迭代过程 提示工程是一个迭代过程。模型选择、配置参数、措辞等多个变量都会影响效果，一次写出完美提示几乎不可能，需要反复尝试和调整才能获得满意的结果。 输出配置 输出长度（Token Limit） 输出长度控制模型生成的最大 token 数量。减少该值不会让输出更简洁，只是到上限即停止预测。短输出需求仍需在提示中明确要求简洁。 采样控制 Temperature（随机性） Temperature 控制模型输出的随机程度。低值（接近 0）输出更确定、保守；高值（接近 1）输出更有创造性、多样。数学或事实类任务建议设为 0。 Top-K（词频筛选） Top-K 限定模型仅从概率最高的 K 个 token 中选取下一个词。K 值越小，可选范围越窄，输出越保守和确定；K 值越大，候选池越宽，输出越多样和不可预测。 Top-P（累积概率筛选） Top-P 限定模型仅从累计概率达到 P 的最小 token 集合中采样，候选数量随概率分布动态调整。设 Top-P 为 0 则退化为仅选最可能 token（Temperature 和 Top-K 失效）；设为 1 则不排除任何 token。 综合应用 通用起点：temperature=0.2，top-P=0.95，top-K=30（连贯、有适度创造性）。 需要创造性：temperature=0.9，top-P=0.99，top-K=40。 需要确定性：temperature=0.1，top-P=0.9，top-K=20。 唯一正确答案：temperature=0。 需注意：自由度过高会降低生成文本的相关性，设置不当还可能引发"重复循环错误"（模型陷入重复输出相同词语或句子的循环）。 基础提示 提示的基本结构 一个设计良好的提示通常由以下要素构成，写作时可将其作为自查清单： 任务指令：明确告诉模型要完成什么任务（分析、总结、分类、生成等） 上下文：提供任务所需的背景信息和约束条件 示例：通过少样本示例帮助模型理解期望的输出模式 输出格式：指定输出的结构（纯文本、列表、JSON、Markdown 表格等） 角色与语气：定义模型以什么身份、什么风格输出 并非每个提示都需要所有要素——简单任务可能只需一句指令，复杂任务则需要充分填充。关键在于根据任务复杂度有意识地组合这些要素。 ...

2022年底，ChatGPT上线。打开网页，一个空白的对话框。 一道墙塌了。 在此之前，AI是代码的领地。在此之后，AI能说人话了。 而说人话——是文科生的主场。 技术该面对的当然要面对，短板该补的还是要补。但主场不在这里。 主场在语言，在表达，在判断力——在那些代码算不出来、但人能感受到的东西。 这是一张地图。是文科生画给文科生的。 AI概念地图 回望过去：从代码到语言 AI不是突然涌现的。它走了七十多年，才从一个哲学问题，变成一个打开就能聊天的对话框。 在这条路上，每一次快要走不通的时候，都有人重新推开了一扇门。 图灵测试 机器能思考吗？ 1950年，图灵没有直接回答这个问题。 他换了一种问法：如果一个人分不清跟自己对谈的是人还是机器，那么能不能说，这台机器在思考？他没有给出技术方案。他给出的是一个命题。 这是AI的起点：不是一段代码，是一个问题。 人工智能 使计算机执行通常需要人类智能才能完成的任务的科学。 1956年，达特茅斯会议正式确立了“人工智能”这门学科。 早期的方法很简单：写规则。人把知识编成一条条“如果……那么……”——如果图片里有胡须和尖耳朵，那么这是猫。机器只是忠实地执行人写的脚本。 世界太复杂了。永远有下一个例外等着人去补充新的规则。 这条路线走了二三十年，两次陷入低谷——史称“AI寒冬”。算力不够、数据不够、方法不够。人们对AI失望了两次，每次都觉得这条路走不通了。 但每次低温之后，又有人重新点燃了火。 机器学习 计算机从数据中自动学习规律、无须显式编程的算法体系。 这是一次翻转。 不再告诉机器猫长什么样。给它看一万张猫的照片，让它自己总结。不再写“如果……那么……”，而是喂数据、跑算法、得规律。 从“人教机器”到“机器自己学”——这个转变，是AI从代码的领地向外迈出的第一步。 机器学习有三种主要类型。监督学习：给数据，也给标签——一万张照片，每张标注”猫”或”不是猫”，模型学会分类。无监督学习：给数据，不给标签，模型自己发现数据里的分组和结构。强化学习：不给数据，给规则——告诉AI”赢了加一分，输了扣一分”，让它反复尝试，自己摸索出最优策略。 深度学习 使用深层神经网络学习数据层次化表征的机器学习方法。 如果说机器学习是”从数据中找规律”，深度学习就是”用更复杂的结构找更深的规律”。三者不是并列关系：深度学习是机器学习的一种方法，机器学习是AI的一个子集。 2006年，辛顿解决了神经网络的训练难题。2012年，AlexNet在图像识别竞赛中碾压传统方法。从此深度学习成为主流。 人脸识别、语音识别、机器翻译——这些以前做不好的事，深度学习做到了。自然语言处理这个原本靠规则和统计的领域，也被深度学习彻底革新了。 此时，AI越来越强。但它仍然是一堆代码——需要程序员来调用，它的输出是数字、分类、概率，不是人能直接看懂的东西。 Transformer 基于自注意力机制、并行处理序列中所有位置关系的神经网络架构。 2017年，Google研究团队发表了一篇叫《Attention Is All You Need》的论文，提出了一种新的架构——Transformer。 以前的AI读句子，一个字一个字顺着来。Transformer不一样——它可以一眼看完整个句子，同时理解每个词跟所有其他词的关系。 “他踢了它一脚，因为它挡路”——Transformer能瞬间锁定“它”指的是谁。 这个能力叫“注意力机制”。它是一切现代大语言模型的地基。没有Transformer，就没有后来的ChatGPT。 到这里，AI还是程序员的AI。 接下来，它开始说话了。 生成式人工智能 学习数据分布、生成新内容（文本、图像、音频等）的AI系统。 Transformer之后，研究者发现了一件惊人的事：把模型做得足够大、喂进去足够多的数据，它会涌现出超出预期的能力。 不仅能分类、判断，还能生成。 给它一个开头，它续写一篇文章。给它一句描述，它画出一张图。给它一段文字，它生成一段视频。 生成文本的主力是大语言模型。生成图像的主力是扩散模型——给它一段文字描述，它从随机噪声开始，一步步”降噪”，最终浮现出清晰的画面。两种模型各司其职，共同撑起了”生成式AI”这个名称。 AI从”分析工具”变成了”创作工具”。 2020年，GPT-3展示了这种能力。2000多亿参数的大模型，能写诗、写代码、做摘要——虽然还不够精准，但已经让人看到了可能性。 然后是2022年底。 OpenAI把生成式人工智能装进了一个对话框，叫它ChatGPT。 不需要安装。不需要写代码。不需要理解任何技术概念。打开网页，打字，回车。然后AI说人话了。 七十多年的技术积累——从图灵的哲学问题，到机器学习的范式翻转，到深度学习的神经网络，到Transformer的注意力机制——所有这一切，被封装进了一个所有人都能用的界面。 墙塌了。 AI从代码的领地，走入了语言的领地。 聚焦眼前：从碎片到框架 回望过去，看到了AI怎么从代码的领地走向语言的领地。现在，站在这里。 打开一个AI对话框——ChatGPT、DeepSeek，都一样。空空荡荡，等着一行字。 跟AI说话的这一刻，真正需要知道的东西并不多。下面这些概念，按接触的顺序排开，都是打开AI之后绕不开的东西。 明白与谁对话 大语言模型（LLM） 基于大规模文本数据训练、具备语言理解与生成能力的深度学习模型。 大语言模型的本质是什么？下一词预测机。 给它上文，它猜下一个最可能的词。猜完一个再猜下一个，一个个词接下去，就接出了一段话。它不是搜索引擎——搜索是从已有的信息里翻东西。它是推理引擎——根据上文，生成最可能的下文。 ...

AI时代，人还剩下什么？ 思考、好奇心、写作——人的价值在于在场。 但“在场”之后呢？ 在场不是站在原地不动。在场是带着人的特质，继续往前走。 那么，需要哪些能力？ 懂诉求 AI像最好的导航软件——算力再强、路线再优，也帮不了一个不知道目的地的人。 这是很多人在AI时代的真实困境：不是工具不够好，是方向没有定。打开对话框不知道问什么，面对眼花缭乱的新工具不知道哪个跟自己有关。焦虑的根源不是AI太强，是不知往哪走。 知道想要什么，是第一道门槛。 但知道目的地，和能把地址输对，是两回事。 心里有一个模糊的方向——“我想学点东西”“我想提高效率”“我想过得更好”——这些太笼统了。笼统的诉求，AI只能给笼统的答案。很多人试了AI之后觉得不过如此，其实是自己没说清楚要什么。 把模糊的方向翻译成清晰的表达，是一种被低估的能力。它不依赖技术背景，也不依赖对AI的理解深度，它就是——知道自己要什么，并且能把它描述出来。在AI时代，这个能力直接决定了能从AI那里得到什么——它也是提示词工程真正的起点。 会判断 有了方向，AI帮人跑起来了。东西产出了一大堆——文章、方案、代码、图片。然后呢？ 然后出现了一种危险：AI说什么，就是什么。 认知外包——把判断权也交出去了。AI生成的文字，看着挺通顺，就用了；AI给的建议，听起来有道理，就信了。脑子在AI面前休眠了。 2024年底刚开始学习AI的时候，我写过一句话：“可以做不好菜，但至少要知道好不好吃。”两年过去，这句话依然适用。AI能做满汉全席，但哪道菜火候刚好、哪道菜盐放多了——这个判断，必须人来做。 会判断，不是不信任AI，是保留独立研判的能力。不是高高在上的审美，是底线的清醒：不把脑子交给任何工具。 敢想象 会判断，是对已经有的东西说“行”还是“不行”。敢想象，是去创造还没有的东西。 大模型的原理是概率预测——给定上文，推算下一个最可能的词。这意味着它只能在已有的世界里重组，不能凭空诞生一个从未有过的东西。它能写漂亮的文章，但不能在深夜睡不着的时候，突然冒出“我想试试这个”的冲动。 我曾以为好奇心只是认识世界的燃料。后来发现，它也是创造的起点。五岁时感受到“我就是我”的那种纯粹的在场——就是想象力最原初的形态。 会判断守住底线，敢想象打开上限。不一定每个人都需要成为创造者，但保留一点“我想试试不一样的”——是人在AI时代的光芒。 能执行 前面三个——知道自己要什么、能判断好坏、敢想象——这些，我多少还能说出点东西。 但执行，是我的短板，长期以来的短板。规划了很多选题，迟迟不动笔。知道健康重要，睡前还是刷手机。想学一样东西，跟着敲了几个例子，没有真实的项目推着，就停了。从“知道”到“做到”之间，有一条巨大的鸿沟。 这个鸿沟，AI填不了。AI能帮人更高效地做事，但不能替人决定开始。开始，永远是人的事。 在AI时代，执行的紧迫性甚至更高。有一个玩笑：只要学得够慢，那就不用学了——因为技术更新太快，旧的还没学会，新的已经来了。玩笑归玩笑，道理反向看：执行力差的人，会被加速甩开。 关于执行，我现在找到的办法，是最小可行动作。 想写一篇文章但不知道从哪下手？先打开文档，写一句话。想运动但没动力？先穿上鞋，走五分钟。想做一件事但觉得还没准备好？先做最小的那一步——哪怕只是跟人说一句“我打算做这件事”。 “还没准备好”是我拖延常用的借口。后来发现，永远不会有准备好的时候。最小可行动作不是妥协，是把“开始”的门槛降到最低。门槛低了，摩擦小了，行动就有可能发生。 这四个能力我自己也还在修炼，尤其是执行——但把它们想清楚、写出来，就是我能迈出的第一步。 AI时代最重要的四个能力：懂诉求、会判断、敢想象、能执行。 你认同吗？ 如果认同，不妨点赞收藏，这也是一个最小可行动作。 写这篇文章本身，对我也是一次最小可行动作。 如果你对AI感兴趣，欢迎一起交流学习。

确定性降临的前夜 2023年我注册过ChatGPT，那是我与AI的初见，但浅尝辄止，因为后来号没了。 直到2024年12月，我决定认真学习AI，我花了两天时间系统梳理了国内外二十多个AI产品，然后从基本概念和提示词开始入门。 2025年初，DeepSeek-R1上线，看上去"真的有思考"。我意识到，AI不只是热点，是变革。 大模型的原理是概率预测——给定上下文，推算下一个最可能的词。但落到使用者身上，感受是确定性的降临：一切忽然有答案了。 这种"有答案了"的感觉正在覆盖越来越多的领域，原来需要人亲自做的事，变得不需要了。 这是机遇。那些像驴拉磨一样的重复劳动——蒙着眼睛，一圈一圈，原地踏步——终于可以放下了。 但这也是挑战。因为"不需要人亲自做"的范围，正在越来越大。当越来越多的领域被AI覆盖，一个以前不存在的问题浮出水面—— 还有什么是人必须亲自做的？ 最后的人 我让AI替我做了很多事。但也有一些事不愿意完全交给他。 例如写公众号文章。 不是做不了。我完全可以让AI生成一篇，我去发。一天一篇，甚至一天两篇，没有任何技术障碍。 但我不愿意。 因为写作这件事，意义不在结果，在过程。我愿意经历思考的卡顿，愿意在对话里一个思路一个思路地走，愿意推翻重来。不是因为享受——很多时候写作是痛苦的。但那个痛苦是我自己的，那个过程我在场。 写作能给我一种通畅的快乐。 如果把写作外包给AI，文章照样发，字照样多，但那个过程里没有我。我从中得不到思考的推进，得不到好奇心的满足，得不到写完之后那个"我想通了"的感觉。 说到底，我缺席了自己的一段人生。 去年跨年夜，我把十几年的文字全部喂给Gemini，让他分析我的人生。三百秒，十六万token，他吐出一份十五年的人生复盘——“清醒的挣扎者”，他这么定义我。那一刻我说，AI赢得了我衷心的尊重。 但尊重AI，和把自己交给AI，是两回事。 AI可以替我回答问题，但不能替我困惑。他没有睡不着的夜晚，没有"我就是想不通"的执念。他的思考是被触发的，没有内驱力。而人的思考，是从活着的重量里长出来的——真的遇到了问题，真的不甘心，真的在乎。 “能思考"和"在思考”，一字之差。能指向结果，在指向主体。AI能给出结果，但不能替人在场。 AI像浪潮，冲刷掉人的杂质——那些重复的、机械的、不需要人亲自做的事。浪潮退去，剩下的，就是人最本质的东西。 这就是最后的人。不是尼采说的那个安于舒适的末人，是被冲刷之后还站着的人——身上没有什么多余的了，但站在那里，就是证明。 论AI时代的人文精神 传统人文精神说：人因为能做某些事而有价值——能思考、能创造、能判断。这些能力让人区别于动物，让人有尊严。 AI时代，这些"能做"不再是人的专属。 AI能推理，能创作，能判断——传统人文精神用来确立人之为人的那些能力，现在AI也在做，有的还做得更好。如果人的价值建立在"能做"上，那当AI也能做，这个地基就松动了。 所以AI时代的人文精神，重心应从"能力"转向"在场"。 不是"我能思考，所以我有价值"，而是"我在思考，所以我有价值"。 在场意味着什么？意味着不缺席自己的思考，不外包自己的感受，不放弃低效的权利。 亲手写一篇文章，可能不如AI生成的好，但选择了走这条路——不是因为效率，是因为这个笨拙的过程本身就是活着的方式。选择低效，是一种尊严。 在深夜的困惑、在写作中的挣扎、在思考里的痛苦——这些脆弱不是缺陷，是人区别于机器的最后证据。脆弱意味着真的在乎，真的在承受选择的后果，真的活在这个世界里。 但最危险的，不是AI来抢事做，是便利的诱惑让人自愿缺席。没有人逼着把思考交给AI，他只是太方便了。自愿退场，而且这退场毫无痛苦——文章照样发，方案照样出，日子照样过。 但那些方便替人省掉的，恰恰是活着最具体的内容。 去年学AI的时候，我给自己写过一句话：面对AI，夯实基础、明确目的、略懂技术、勇于想象、回归人文。 现在回头看，最后那四个字最重。 确定性正在降临。但前夜还没过去。在这个关口，守住那些必须亲自做的事——不是因为AI做不了，而是因为不亲自做，就不在了。 我很喜欢笛卡尔的"我思故我在"。以前是"我思"，现在是"我在"。

前面一段时间写了很多关于生活的话题，算是一次自我梳理，关于健康、关于工作、关于理财，接下来很长一段时间将要聚焦的内容主线是"学AI和用AI"。 作为一个非IT专业背景的人，在深入学习AI之前，有必要先审视一下自己的数字基础设施是否够用，于是我搭建了这样一个个人数字基础设施框架以供参考。 为什么数字基础设施对学AI、用AI很重要？ 本地部署大模型需要显卡和内存，这是硬件层要解决的问题。用好AI工具需要顺畅的网络访问，这是连接层要解决的问题。AI生成的素材、对话的记录、学习的笔记，需要妥善存放和组织，这是数据层要解决的问题。AI时代账号体系越来越重要，注册各种服务、管理API密钥，这是安全层要解决的问题。 基础设施到位了，AI才能用得顺手。 什么是数字基础设施 数字基础设施，就是支撑数字生活的底层系统。 它包括硬件、网络、软件、数据、安全，以及背后的使用理念。这些东西平时不显眼，但一旦出问题，就会直接影响工作和生活。 手机丢了，照片还能找回吗？云服务倒闭了，文件还在吗？账号被盗了，能快速恢复吗？ 这些问题其实并不遥远，每个人都有可能遇到。我曾经因为手机故障损失了好一段时间的照片——那可是我的青春。 我把数字基础设施分成六层，从底层到顶层： 硬件层：物理载体，包括电脑、手机、路由器等。 连接层：数据流动，包括宽带、同步、备份等。 软件层：工具支撑，包括操作系统、浏览器、密码管理器等。 数据层：信息资产，包括文件组织、知识沉淀、账号体系等。 安全层：风险防护，包括密码策略、两步验证、备份验证等。 理念层：使用哲学，包括极简原则、自主原则、演进原则等。 六层从有形的硬件到无形的理念，层层递进。每一层都有必要性，但不是每一层都需要一步到位。 必要性分层 每个子项可以分成四个必要性层级： 刚需：必须有，没有会严重影响正常生活和工作。比如主力设备、手机、宽带、操作系统。 推荐：应该有，能显著提升效率或安全性。比如密码管理器、本地备份、两步验证。 进阶：可以有，适合有特定需求或想深入的人。比如NAS、版本控制、本地加密。 按需：看情况，有需求再考虑。比如云备份、域名邮箱、智能家居。 这个分层可以帮助识别优先级。先把刚需做好，再考虑推荐，进阶和按需可以慢慢来。 框架概览 第一层：硬件层（物理载体） ├─ 主力设备【刚需】台式机/笔记本 ├─ 移动设备【刚需】手机 └─ 外设与配件【推荐】键盘/鼠标/显示器/移动硬盘 第二层：连接层（数据流动） ├─ 网络服务【刚需】家庭宽带/手机流量 ├─ 同步与备份【推荐】云同步/本地备份 └─ 跨设备协同【推荐】文件协同/应用同步 第三层：软件层（工具支撑） ├─ 操作系统【刚需】Windows/macOS/Linux ├─ 浏览器【刚需】Chrome/Edge/Firefox ├─ 输入法【刚需】系统自带/云输入法 └─ 密码管理器【推荐】Bitwarden/1Password 第四层：数据层（信息资产） ├─ 文件组织【推荐】目录结构/文件命名 ├─ 知识沉淀【推荐】笔记库/知识库/参考库 └─ 数字资产【推荐】账号体系/域名邮箱/数据延续 第五层：安全层（风险防护） ├─ 密码策略【推荐】强密码/不重复 ├─ 两步验证【推荐】重要账号开启2FA ├─ 备份验证【推荐】定期检查可恢复 └─ 风险预案【推荐】设备丢失/账号被盗/数据灾难 第六层：理念层（使用哲学） ├─ 极简原则【推荐】工具克制/数据克制/流程克制 ├─ 自主原则【推荐】数据自主/工具自主/身份自主 └─ 演进原则【推荐】渐进升级/定期盘点/适度超前 第一层：硬件层 硬件是数字基础设施的物理基础。没有硬件，一切软件和数据都无法存在。 ...