快刀青衣
订阅
快刀青衣微信公众号二维码
关注该公众号

会员可查看最新的全部文章

^__^ • 5 / 13
昨天面试，一个将近40岁的候选人问我："你怎么看老登这个词？你会不会介意我的年龄？" 我40多，他将近40。两个中年人在面试现场讨论这个，画面本身就很荒诞。说实话，我对这个词没有愤怒，也没有讨厌，就是无感。因为我本来就特别讨厌标签化任何人，包括自己。我们这一代太熟悉这套了——"80后是垮掉的一代""不招河南人""总部驻马店来人""XX后整顿职场""啥都不会才干产品经理"——从地域歧视到代际歧视到现在的年龄歧视，脱离个体去对一个群体打标签，在我看来从来都是一件特别愚蠢的事。我从来不做性格测试，不信MBTI，不给自己贴任何标签。每个人都有自己的特性，不可能被四个字母概括。但我同时去想一想：所谓"老登化"，到底意味着什么？万维钢讲过一个观察特别好：并不是所有中年人都变成了闰土。鲁迅小时候似乎还没有闰土灵，可却是越老越犀利。区别在哪？喂料够不够。 社会在进步，知识在更新，而闰土没有吃到足够多的训练素材。中年人的大脑并不差。计算速度确实在下降，但模式识别、逻辑推理、空间想象都在上升，关键是你还在不在往里面灌新东西。所以"老登化"不是年龄问题，是认知供给断裂的问题。还有一层更隐蔽的：AI时代，昨天的经验越多，今天越危险。这就是知识的诅咒——你知道得越多，越容易被旧经验锁死，越容易说出那句话："这不就是XX嘛。" 我听清华新雅书院的梅赐琪老师说过一句话：保持"业余者"的好奇心，比成为专家更重要。所以我想明白了。拒绝老登化，对我来说就是时刻提醒自己，有两个句式基本上不要说：第一个："这不就是XX吗？"——用旧框架套新事物，本质是拒绝承认世界变了。第二个："我早就知道了。"——用过去的正确感来回避当下的无知。这两句话一出口，学习就停了。不是因为你老了，是因为你关上了门。老登化 = 停止喂料 + 经验变枷锁 + 拒绝承认不懂。反过来也很简单：不停地往脑子里灌新东西，保持业余者的好奇心，敢于推翻自己昨天的结论。共勉。
^__^ • 5 / 10
前天，听了北航计算机学院刘雪峰老师解读《通用人工智能》。当然，说是解读，我看了下，九千字的稿子，两千字是说这本书的精华，剩下七千字刘老师是站在这个月 AI的发展上完全新写的。 但最打动我的，是他初稿里删掉的一段。在上线前，他发给脱不花一个初稿，里面提到的一个概念特别好。删掉的原因大概是字数超了。但我觉得这段话，更值钱。他提了一个概念：最小知识集。什么意思呢？很多人对AI时代学习的理解分两派。一派说："有AI了，边做边学，不懂就问AI。"另一派说："基础还是要打牢，先把课程一门门修完再说。" 刘老师说，两条路都有问题。第一条路的坑在于：如果你对一个领域完全没有基础，AI给你的答案你根本判断不了对错。你不是在学习，你只是一个"提示词输入人"，站在学习循环的外面。第二条路的坑在于：太慢了。一个工程师按传统路径积累出全局视野，往往需要5到10年。他的答案是：先掌握一个领域的"最小知识集"，然后用AI加速深钻。最小知识集 = 一个领域里最核心、最常用、最能支撑你继续学习的那组概念。拿开车打比方：油门、刹车、方向盘、后视镜、交规——这是最小知识集。会了这几个你就能上路。但发动机原理、变速箱齿轮比，你不需要精通。你只需要知道"车出了这类问题该找修车师傅"就够了。拿编程打比方：函数、循环、数据结构、模块化——这是最小知识集。而递归虽然强大但反直觉，大多数场景有更简单的替代，所以不在初学阶段的最小知识集里。检验标准：你能不能用大白话，把这个概念讲给一个完全不懂的人听，让他觉得有意思，还能举出自己的例子？能做到，才算真正理解了。最小知识集之外的东西怎么办？知道它们存在就行。知道它大概解决什么问题，什么时候该用——这叫"边界性掌握"。"听说过但不了解"比"完全不知道"强得多。传统学习是广度优先：一层一层把基础铺完再往下走。逻辑没问题，但太慢。 AI时代更好的方式是深度优先：选一个方向，借助AI快速往下钻，钻到能拿到真实反馈的深度。但前提是——你得先有那个最小知识集。否则AI给你的答案你看不懂，也判断不了对错。 AI时代的学习，不是把自己变成一本更厚的百科全书，而是先搭出一个足够结实的骨架。最小知识集就是这副骨架。你现在就可以试：把"最小知识集"这个概念或者这篇内容扔给你的AI助手，问它——我感兴趣的这个领域，最小知识集是什么？
^__^ • 5 / 08
两个小时前，一个同事找到我，说她装的云端龙虾AI助手解决不了一个看起来并不难的问题。让我看看她的提示词写得有什么问题。我一看，提示词写得非常复杂，上千字，逻辑严谨，像学术论文一样，说自己已经连续研究一个星期了，每天到深夜，但是解决了一个老问题就冒出三个新问题。结果呢？AI还是干不好。然后她的第一反应是：提示词还不够好，得继续优化。我说，你先停一下。你用的是什么模型？一看——某平台的免费龙虾助手。这就是2026年很多人用AI最大的误区：把模型能力的问题，当成提示词技巧的问题。打个比方。你让一个刚学会骑自行车的人去送外卖，然后你给他写了一份超级详细的路线规划——每个路口怎么转、红灯怎么等、下雨天怎么防滑。写了三千字。最后订单还是超时。问题不在路线规划上，问题在于——他骑的是自行车，而这个活儿可能需要一辆电动车。提示词是路线规划，模型能力是交通工具本身。 AI工程已经演进了三代。第一代是Prompt工程——把话讲清楚；第二代是上下文工程——把该给的信息给对；第三代是Harness工程——建立监督、约束和纠偏的机制。大多数人还卡在第一代，拼命打磨"怎么把话说得更好听"。但很多时候问题根本不在你的话术上，是底层工具的能力上限就在那里。当你觉得一个任务AI怎么都做不好的时候，恭喜你，你找到了一个扩展自己AI能力边界的机会。 你该做的不是继续死磕提示词，而是去找更强的工具。但这时，就会发现，有人愿意玩命死磕一个免费工具，也不愿意掏几十块钱尝试一下新工具。说到付费这件事。一个星期喝5杯咖啡，一个月三四百。跟朋友吃顿饭，四五百。这些你不纠结。但花200块/月买一个能真正提升生产力的AI工具，很多人反而犹豫半天。有时候装备党是有好处的。花钱就是省时间。 你省下来的不是200块，是每天死磕提示词的那两小时。最近豆包开始收费了。我特意看了网友评论，大家集中批评的并不是"收费"本身，而是"在某些场景上这么拉胯，居然也敢收费"。这其实是件好事。开始收费之后，一个AI工具马上就知道自己最该攻克的场景是什么——那些用户愿意掏钱的场景。 剩下那些看着炫技但没人付费的功能，优先级自然就降下来了。对用户来说也一样：能做的AI工具，和做得好的AI工具，是完全不一样。