[!success] 以下内容来自【AI 讨论组】中日常感想的积累，这里做一下简单汇总。
001
AI 是非常灵活的东西，它的效果受到许多因素的影响。甚至在同一次聊天中的上下文对它的效果也会产生许多影响。但这些细节常常被人忽视。
有些人认识到 AI 是工具，但是总希望它像传统工具一样，输入输出的效果必然严谨对应。否则就是不好用。显然，这种认识是主观设定了一个结果，并以是否符合这个结果来作为质量评判标准。
许多时候，与 AI 交流很像是与人交流。使用 AI 很像是领导支配员工。所以也需使用 AI 的能力约等于与人交流的能力。
然而，别说与人交流的能力，常常连清晰表达的能力都是欠缺的。
002
一个很有意思的观察——我发现很多人对于 AI 和 AI 工具的认知存在幻觉。他根据自己历史中所使用过的印象，去想当然地推断当前的工具。然后给出一个评价，并深信这个评价是有理有据的。
003
：现在对于 AI 应用的问题，涉及的变量非常多，很难同时关注所有变量的影响。就容易过度夸大某个因素的影响力。所以，分析对方的论点，必须引入对方话题所在的具体场景，尽可能补足相关信息。
但在实践中，这非常难。因为有时候一个对话的上下文，对这个对话的实际效果也会产生影响。所以在小龙虾的使用过程中，我非常不喜欢去清除上下文。
004
由于成本关系，所以感觉小龙虾存在一些悖论。
小龙虾有用吗？当然是有用的。雇一个廉价实习生有用吗？肯定是能做一些活儿的。更何况还廉价呢。从企业角度算这笔账绝对是非常划算的。
但如果我自己就是一个员工，那让我自己掏钱为自己雇一个员工。这件事情就要好好核算一下了。他能替我做多少事情，又需要分走多少钱。换句话说——我可能无法为这位员工提供一个能够让他创造足够价值的岗位。
如果没有需求，会先雇一个员工吗？显然，这是不合理的。
但你会等万事俱备之后再去雇佣员工吗？这也是不合理的，因为员工需要入职培训，并不可能直接上手干活。放在 AI 上，就是我们先要了解如何操作 AI。如何指挥这个员工干活，以及这个 AI 员工的具体能力。
然后现在就卡在了一个非常尴尬的点上——对于许多人，知道未来使用 AI 是必然。所以现在开始练习使用 AI 是非常合理的。但同时又无法用 AI 去创造对应的价值。也就是现在对于 AI 的投入，可能是学习成本，也可能是沉没成本。而且这种成本的投入是难以预估的。而且这个成本投入对于普通用户来说并不低。
005
所有工具的基础终究还是那些模型。甚至只是那几个模型。
相同的任务使用不同的模型去完成时，需要的提示词和操作方法是不同的。
所以，当前跟上时代的核心要点是：了解各个模型的特点，并适当掌握和这些模型沟通的方法。
反正换到不同工具中，换汤不换药，基本还是类似的套路。然后未来模型更新，这些方法和技巧也需要相应地随着更新。
知识换代的速度太快，如果不需要深入的应用，就也没必要对这些技巧深究。
006
归根结底，目前的模型都属于问答类模型。你提出一个问题，他根据这个问题给出一个答案。
从这个角度讲，答案是静态的。理解这一点很重要。
这种一问一答的方式，其实非常死板。现在的各种工具就是对这种工作方式的无限嵌套包装。但无论怎样包装，底层还是一问一答。
所以 AI 并不存在什么主动性，而必然需要被动触发（向 AI 提出问题）。现在各种工具中，一切主观的表现都是内部程序触发的结果。一种伪主动。这导致了他在一些事情上的行为和效果与人类所预期的有所偏差。
如果我们希望他在发生某件事情的时候做相应的操作，模型本身并不会主动地去检查这个条件的达成，并及时地进行对应的操作。需要程序层面的定时器通过定时检查条件是否达成来触发模型进行后续的操作。又或者，当这个条件达成时向程序发出信号，然后向 AI 进行提问，告知条件已达成，然后进行后续的操作。
由此。当我们希望 AI 持续运行，或者做某些主动操作时。要特别检查他对触发条件的检查设定是否已完善。否则可能出现整个流程都设计得非常好。但是在需要的时间并未被正确触发的窘境。
007
很多人错误地以为模型开了思考，会带来很大改变。即思考与不思考的差距明显。
但实际上，模型还是那个模型。思考只是给了模型一张草稿纸，让他能够先写写画画，而不是张口就来。而且这个草稿纸的大小是可以设定的，所以有些工具里虽然允许思考，但是给的草稿纸特别小。
但归根结底，模型还是那个模型。思考只是能够让答案更严谨合理一些。但不会产生质变。
008
基于上述思考，可以做一个简单的验证——打开一个对话，关闭思考模式。提出一个问题，但第一次要求他只收集信息，整理材料，为后续分析解决问题做准备。当他完成这一步之后，再要求他回答此问题。这样得出的效果就比直接提出问题要好一些。有时候甚至好不少。这样就简易地实现了思考模式。
防杠：这是简易的实现。实际的思考模式，必然在内部有更深层一些的优化。
所以换个角度想，这就是用两轮问答来解决一个问题。——即 token 换质量。
Token 换质量这件事情，在许许多多的方面都有体现。当两家的模型拉不开实际差距。但一家肯在一个问题上投入更多的 token，对外的表现常常是解决问题的质量更高。
对于多数用户来说，并不关注内部的实现，对于他们，最直观的就是解决问题的效果。所以，这既可以说是一种取巧的方式，也可以说是勤能补拙。
我觉得国内一些模型都在内部实现了，投入更多 token（这里的 token 作为算力的简易表达）来换取更高的效果。
而许多工具本质做的也是这件事情。投入大量提示词，规范流程。其实就是教给 AI 如何去做，对 AI 进行深度约束，让 AI 一轮一轮地去处理这个问题。也可以理解为给了 AI 草稿纸。并且草稿上已经写好了解题的提纲。
如果理解到这一层。那么大概就知道应该如何去操作 AI 了。其实就是控制它，沿着类似的路径去解决一个问题。
009
昨天恰好看到说千问的小规模模型适合用来对任务进行分配，即分析任务难度，然后分配给对应的模型执行。
道理说得很好听，然后就出现了上面的问题——什么样的问题算简单问题？或者我们更确切一点，如何确定分配给其他模型的规则？
但上面其实也已经把答案给出来了。就是需求的分层。
分配模型这件事情分为简单和复杂，当然可能有更多层。
如果说复杂的情况，交给人类判断，人类尚且判断不准。AI 就能判断吗？我觉得不能，或者不怎么能。因为一个问题的解决过程中，会有一些衍生情况，这又怎么处理？所以，如果这个负责调度的主模型不够强，就很难实现智能调度。在这里，我坚持认为小龙虾中使用的主模型，也就是调度模型，必须足够强。绝对不能按照某些说法所讲的，使用一个普通的模型负责调度。这就好像在公司中，负责安排任务的领导是一个没有什么工作能力的人，那他的安排很可能是不合理并且混乱的。最后的结果也就可想而知。
那为什么说这种小模型可以用来进行调度呢？这不矛盾吗……但如果你把它放到简单场景下去看，结果就变得非常清晰了——
手机里的 AI 助手，如果你和他说帮我做一张图片，于是他就能帮我做一张图片。这里我没有选择工具，同样是文字描述。但显然它问答和生成图片用的模型是不一样的，这里的模型选择是如何做的呢？显然，这个需求用一个小模型进行调度就行了。判断这个需求是生成图片还是问答，然后调用对应的模型。
010
关于 SPEC，我之看法——
开发流程上讲，这肯定是合理的。但如果在一些小的场景上，我说一个需求，AI 做出来，然后改一些细节，最后完成，这也是合理的。
然而实际情况是，如果按照第二种方式操作，常常会陷入修改地狱。AI 老是不能正确领会我的意思，而且随着修改次数的增加，代码的混乱程度也随之增加。在这种体验下，常常会有一种用回第一稿的冲动。因为很多次，越改越不如从前。
所以在某种程度上，使用 SPEC 其实是为了回避后续的修改。也就是尽量让 AI 一次成功。这不一定只是为了提升效率，也应该是回避短板。
011
上面这是一件非常小的事情。十分理所当然，任何人看过我的描述之后，都会觉得索然无味，本当如此。
可是这个问题困扰了我好长时间。因为打开 AI 工具，默认提示我们就是对内容进行总结。但总结得到的效果并不好。这就先入为主地被误导进了一个误区。
从误区中跳出来是一件很难的事情。虽然跳出来之后回头看，会发现如此简单。
有时候分享一些很普通的东西的意义，也许就是启发其他恰好没有想到这一点的人。
012
准确确定自己的需求，并能够向 AI 清晰明确的表达需求的能力是非常重要的。
随着 AI 能力的提升。对上述能力的需求将渐渐超越专业能力的需求。进而在各种行业中产生洗牌现象。
013
核心问题：小龙虾相比于 OpenCode 之类编程工具 ，更像是一个通用型工具。所以小龙虾需要的是 AGI 模型，但目前根本没有。现在这些所谓强大的模型，大多是倾向于编程方向培训优化的 ANI 模型。
014
可能我们很难将一个项目的需求描述得面面俱到。这就意味着，后续的修改是难以避免的。毕竟，总有一些细节恰好是 AI 通过推测来决定的。而他的推测可能恰恰就不符合我们的期望。
如果对细节上追求比较高。让模型一口气做出来，然后一点一点改细节；或者一步一步往前推，每一步都把细节修正到我们期望的状态。我觉得后一种方法并不比前一种差。
但如果一步一步推，用国产模型可能并没有很大的劣势。他们本来就更适合这样的场景。一次做不了太多，但是做一个小步骤的话，大体不会出错。
而且这也很适合新手，更深入地了解如何去掌控模型对细节的执行。如果这样用熟练了，以后切换到更好的模型，稍加适应，就可以如臂使指了。
015
对于小龙虾，只有两个问题：
-
是否能搞到足够强的模型，并且承担起海量 token 的消耗。
-
是否有能力和时间去调教它的每一个工作流程。
016
用相同的模型如何获得更好的效果？很多时候都是用 token 换质量。认真分析以后会发现，许许多多的优化以及工具其实底层都是这个思想。
所以在自己发现效果不如预期的时候，考虑能不能增加请求次数来稳定这个效果。这可能是最有效的方式。
017
SPEC 模式确实是有用的。效果大概是我描述需求，它拆分为子任务，以及相关逻辑链条，并使用更加 AI 友好的语言进行描述。
但仍存在巨大问题——生成的内容太长了，这确实很细致。但是连我都没有耐心把它们都读完，来确认生成的东西符合我的需求。
看到那么长的东西，我只有一个想法，你先做出来我看看吧。（
所以在与 AI 的沟通上，要求的不仅仅是清晰的表述能力。还有长文的阅读能力。
018
SPEC 模式带来的问题很有趣。他迅速地把我的需求扩展成为了非常具体的文档，细化的任务和要求。
但文档太长，让我懒得去读。于是我决定让他先把项目做出来看看。
项目做出来以后……我发现虽然需求是我提出来的，但是我对项目毫无了解。
这种感觉就好像我有一个想法，但我觉得应该有人也有过类似的想法，并实现过。所以我去 github 寻找，找到了一个看名称比较符合我需求的项目。但找到之后要做的不是直接使用，而是应该先对这个项目有所了解。
这种感觉很怪，但又仿佛合理。甲方让乙方做一个需求，乙方交付以后，甲方在使用前还是需要研究说明文档，在不清楚的地方与乙方交流。然后才是使用。
可是道理上这个项目是我自己（指挥 AI）开发的呀。|･ω･｀)
除了感受上的怪。因为对项目没有足够的了解，所以没有办法发现问题，也很难指手划脚。所以我和这个项目之间脱离了。前面一直在思考 AI 对于整个项目的掌控程度。现在我对整个项目没有掌控了。
总结：SPEC 看起来很快，很方便。但感觉跳步骤了。应该逐层构建（以金字塔形逐层扩展），确保细节的完善，也确保自己对项目的了解。
019
AI 时代生存的三大基本能力——
-
清晰描述自己需求的能力。（也包含提问的技巧）
-
长文的阅读能力。（虽然 AI 可以做总结，但依然需要具备长篇内容的接受能力，类似于自身需要有足够长的上下文）
-
独立思考能力。
020
现在 AI 的图片生成在很多场景下，已经足够以假乱真了。或者说，已经完全满足某些场景下的使用了。
但有意思的是——AI 生成图片刚出来的时候，大家喊得可凶了。无论是支持的还是反对的。但随着这项技术越来越成熟，讨论它的声音也越来越小。
前两天我用它来重新生成别人的壁纸（对方只放了一个预览图，希望大家关注评论，向他求分享的），效果相当完美。这已经让人觉得非常可怕了。显然，现在这样应用这个技术的人肯定是很多的。但却已经几乎没人再去讨论了。
021
前面总结过，想用好 AI 应该具备如下三种基本能力：
-
需求描述能力
-
长文阅读能力
-
独立思考能力
换个角度想，这也是一个合格的领导应该具备的三种基本能力。
操控 Agent 和做领导有非常多的共通之处。但要求员工具备合格的领导能力这件事情讲起来似乎总有点儿搞笑。
022
一个很常见的现象——如果用 AI 作图，最开始生成的效果很好，但如果你不断在这张图上修改细节，后面就会越来越崩，逐渐变得面目狰狞。这个问题在作图上因为是视觉体现，会很直观。
那么有没有可能在文字类的生成中，也存在着这样的现象，只是因为文字表达没有那么直观，所以有时候我们并不能很好地注意到。
如果是。那么问题又回归到了如何一次性将要求给足，并保持细节深入完善。
023
在书写提示词时，最开始给 AI 一个身份究竟有多大作用呢？这仿佛成了一个通用的惯例。
假设它是有作用的，则 PUA 就是有作用的。PUA 确实是有作用的，但作用必然是有限的。否则告诉他它是一个顶级 AGI 就行了。所以在 PUA 层面，它是有效的，但效果必然非常有限。
最近在认真思考提示词的书写。我觉得应该开篇明义，在最开始，先告诉他我们要做的是什么，然后再向下拆解，详细描述。假设这个思路是正确的，那么——在最开始给 AI 一个身份，是不是也是类似的目的。先告诉他我们要做的方向是什么，来减少跑偏。降低 AI 对方向性上的猜想，提升答案的集中度。从而表现得质量更高了。
024
互联网上最不缺少的就是二极管。在他们的眼中，世界是简单的，非好即坏，非对即错。也可以描述为速胜论和速败论。
显然，这是不客观的，甚至极端的。并且是非常片面的。
所以对于 AI 模型，一味地说好或者不好，很可能是同理的二极管思维。每一个模型都可能存在它适用的场景和不适用的场景。而非要通过几个简单的问题就强行评判一个模型整体的好坏。喵喵喵啊，怎么会有这么单纯的人？赶紧记下他的联系方式，回头卖保健品给他。
模型是如此，使用方式也是如此。对于不同的模型，会有不同的指令敏感度，也会有不同的细节推理能力。所以给他的要求的描述是应该存在针对性的。而不可能是一套提示词通用于所有模型。所以有时候单拎出一套方法论来听听很有道理，但是放到某个模型下去使用，却又完全不是那么回事儿。脱离模型的方法论就是纸上谈兵。
但只要抛出一个足够惊世骇俗的，简单到不用思考的论点，就可以快速吸引流量。又因为流量等于现金，所以这样的观点到处都是。
025
自己的需求只有自己知道。想让别人满足自己的需求，就要清晰地把自己的需求描述出来。这个道理很简单，但是这个要求确实很高。
如果需求没有向 AI 讲清楚，那么就别怪 AI 做出来的东西细节不符合期望。
但如果深究起来，任何东西都是无限细节的，根本不可能达到极致描述。
去饭店点菜，要一个西红柿炒鸡蛋。这是最简单的家常菜，但是可能每个人对这个菜的认知都不太一样。所以，你期望的和实际得到的可能是存在偏差的。但主要差别不大，基本也能接受。这也算一种“自适应”。因为存在这样的自适应，所以点菜可以变得比较简单，只要说出名称就行了。然后结果基本落在你预期的区间范围内。
如果你预期的区间范围很小。这时候就要增加细节描述了，比如，务必使用蒜片炝锅，最后不要撒葱花，要加糖……否则很容易偏离出预期。
对于常见的需求，AI 大概也有预制的菜谱，无论是训练出来的。还是他根据各种项目“抄”出来的。比如你让 AI 写一个计算器，他写出来的结果大概也是符合大众预期的。这时候，简单的描述得到复杂的结果。
但如果对这个计算器的细节有很多预期，就需要增加描述。
但这里关于细节的描述，究竟应该达到哪种程度，这很难掌握。我觉得这需要对模型本身有足够的了解。一个习惯粤菜口味的人进入一个川菜馆子，点菜的时候就需要额外注意细节上的描述，否则很可能最终的菜品不符合自己的口味。所以要理解模型的思路与你预期之间的偏差大概有多少，然后决定细节的补充程度。以及了解模型容易向哪一个方向发生偏差，比如川菜馆子很容易加辣椒。那就需要在这个方向格外强调，千万不要加辣椒，一丁丁点儿都不要加。
但是有很多人在点菜的时候，觉得厨师应该知道他心里隐藏的那些期许。最终不符合预期的时候，有的在吵架；有的都走出馆子，到处说这个馆子菜做得不好吃。(｢･ω･)｢
026
一个重点：现在的 AI 不是智能，甚至现在的 AI 都算不上工具。
AI 就是抛骰子，就像大家说的抽卡。好的模型中奖的概率更高一点吧？！有时候也未必，但我们内心都这么期许着。
所以不能指望每一次都抽到相同的卡牌，那么，抽到如愿以偿的卡牌要做什么？当然是想办法把它保存好，以后需要的时候拿出来复用。而不是觉得以后需要随时都能再抽出来一张相同的卡牌。
027
AI 带来的改变蛮多的。以前做笔记，我会记录一些自己可能时常会用到，但又记不清的日常数值。比如一马力等于 0.735kW。因为查笔记会比使用搜索引擎更方便一点。我确知笔记中有，也知道它的位置，打开就是。搜索引擎的话，有时候可能需要翻几篇才能找到自己想要的结果。
现在问 AI 不光能够快速获得答案，甚至还能获得延伸。或者直接描述题目，它就计算出结果。
这非常方便，以至于现在有问题就先打开 AI 问一问再说。同时回头看我以前的一些笔记，就变得非常可笑了。或者细想想，现在对于基础知识的摘抄类笔记，存在的意义似乎被降低了。这迫使我进一步思考，我的笔记应该存些什么，它是什么。
如果说 AI 无法替代的，可能就是我自身产生的思想，或者与自己实际情况强相关的内容。
028
我们对于龙虾的底层需求究竟是什么？我觉得也许是简单且自由度极高的定制工作流。
029
让 AI 完成一个任务，可以按照如下几个模块去设计执行要求。
-
理解需求。比如重新复述用户的要求，确保他对这个需求理解的正确。
-
执行规划。根据需求设计具体的执行步骤。大概对应 plan 模式或者 spec 模式，或者随便什么名称。
-
实际执行。去完成规划中的步骤。
-
效果验证。对它生成的内容进行验证。这两个步骤可以不断循环。
-
总结汇报。对产物进行归纳整理，形成汇报，方便用户掌握实际效果。
用 TRAE，使用国产的三个编程模型去做一些任务以后，会比较清晰地感受到模型内部存在这些步骤。然后照猫画虎地学着用就行了。
030
如果想让 AI 以特定格式进行输出，最佳实践就是给出清晰的示例。无论如何严谨地去描述需求，也不如给出示例的效果更加稳定。
一般的把需要填空的位置使用一些标记去说明这里填哪类内容就够用。如果想要更加稳定，除了给出这样的公式之外，还要尽量给出一些输入输出的示例，供参考。
031
如果对每一个步骤都能够让 AI 做到切实落盘，而不是在幻想中虚拟完成。几乎就相当于 AI 对这件事情重新做了一遍，或者做了一遍验证。
和人类希望自身提高正确率的方法一样：先仔细读题，分析已知条件，然后做题，然后检查，确认无误以后写答案。
一件事情做多遍，从多个角度去围猎正确答案——本质还是 token 换质量。
032
最近刷到一种用 AI 的游戏——让他想一个《潜伏》里的人物。然后用户通过提问来猜出这个人。
我以前也做过类似的事情，就是用 AI 玩盲盒。但是我让他在抽到隐藏款之前，不要告诉我隐藏款是什么。
这两种都存在严重的翻车现象。因为 AI 本身不存在记忆，它的记忆只能是通过上下文的提示词传入的。但显然在网页版中想要产生这种临时的记忆，这些信息必然出现在对话中，被用户所看到，这又与不告诉用户的要求矛盾了。
所以实际上在不告诉用户的时候，他自己也不知道那是谁，那是什么。很单纯的是，他和用户一起猜。[捂脸]
033
没有工程化的描述，而渴望获得工程化的结果。感觉可能性不大。
并且我也没能想出如何去解决这个问题。除非自己对这个结果的细节有极大的容忍度（自适应能力）。
034
我懂了。
这是一个规划层面 AI 占比的问题。
-
当人类只有需求，没有具体的规划。规划层面，AI 获得较高的占比。则获得大众化的结果；
-
当人类有极其细致的规划，则规划层面 AI 占比较少，主要负责执行。这样可以获得更加贴近人类预期的结果。
但是按照当前 AI 的水平（偏爱偷懒的习性），第一种状况下，有时候获得的不是大众化的结果，而是非常水的结果。所以如果想获得较高的质量，在策划层面人类需要介入的还是比较多的。
035
终究人类的需求都会指向 AGI。虽然在很多场景下，当前的 ANI 甚至小模型都是足够满足的。但人类永远懒得去仔细适配每一个场景。[捂脸]
036
现在 AI 发展得太快。带动了很多事情也在极快地发展。就没有了缓冲时间和适应时间。并且一切处在快速变化中。所以也无法对未来进行准确预测。
这就好像仓鼠在跑仓鼠轮，他跑得越快，轮子转得越快，轮子转得越快，它就必须跑得越快……只能努力跟上节奏去奔跑，不知道哪一刻自己会被甩下来。
更可怕的是，现在 AI 这颗仓鼠轮是许多人一起在蹬，虽然大家都觉得速度太快了，可是任何一个想要慢一点儿的，都会被甩下来。因为其他人还没有减速。
037
我们希望 AI 达成怎样的结果，这是显性需求。而如何达成这样的结果，则是隐式需求。
我们希望 AI 能够通过显式需求自行分析出隐式需求并满足。
而人类对于需求的描述常常是跳步骤的。所以 AI 需要先补足其中的隐含步骤，然后再分析如何完成。这就意味着从需求到结果之间又增加了一层。而中间层越多，产生偏差的可能性越大。
038
最近的几个讨论话题，先是大厂裁员，然后是让员工培训 AI 进行竞赛，现在到了用 AI 蒸馏员工技能……
就是吧，工作相关的技能在创建的时候还是尽量留一手。执行中一些经验相关的参数不要写进去。把这些参数留在调用时的手动输入。不然真就教会徒弟饿死师傅了。
039
在当前，N8N 这类工具还是要比小龙虾这类更加适合稳定的工作流程。
因为 AI 本身的效果并不够稳定。这时候就需要用更加稳定的工具去进行流程约束。并尽量减少 AI 的占比。
040
想到一个比喻。学习传统软件的使用和学习 AI 的使用，就有点儿类似于抄作业。
如果是传统软件呢，使用说明大概会给出一个操作步骤，一步一步照着做就可以了。这就有点类似于抄作业时抄选择和判断题，不需要动脑，只要能一模一样地抄过来，就能达到同样的效果。
但是现在 AI 呢。就不能只是把提示词背下来。因为 AI 是一个灵活的工具，所以也需要相对灵活的提示词。场景变化，需求变化，提示词也要相应的变化。这时候就考验用户对于提示词本身的理解了。这就好像抄作业的时候抄简答题，嗯，你不能抄得一模一样，需要想办法去变一变。但是如果不理解这道题，做出来的变化可能就似是而非的。如果能够理解题目和答案，那参照着别人的答案去写自己的答案还是会更轻松的。
上学的时候，经常有人抄我的作业。有的人抄完以后，老师一眼就能看出来是抄的，反正老师也明白怎么回事儿，就不言声。但有些人他本身是会的，就是懒得写，所以抄我的作业，我写错的地方，他还能给改正过来，结果他的分数比我高。[捂脸]
过去教别人如何使用一个软件，我只要把操作步骤写详细，对方能够遵照步骤去逐步操作这就算学会了，以后可以一直这么使用。但对于 AI，显然这套方法是行不通的。它的灵活性要求操作者必须具备相应的基本能力。如果操作者很死板，就很难让 AI 发挥出足够的灵活性。
当然，还会有许多 skills，就相当于预制的公式。可面对的题目依然有许多变化。至少也要有准确套用公式的能力。
041
对于小龙虾的许多调教操作，其实挺底层的。不止涉及到了工作方法，还涉及到了方法论。
这样复杂和底层的操作，按道理不应该是用户去做的。
但是 AI 具有很大的灵活性。所以对于智能体，给出一个初始的空白智能体，然后按需培养又是合理的。
即便厂商给出很多预设模式，但依然不可能完美匹配各种用户需求。所以 AI 的灵活性决定了它与传统工具的使用差异。
因为存在这样的矛盾，所以，代培训小龙虾也许真的是有市场的。
那么接着往下推演，就像一些网站定制的行业，其实并不是真正的定制，只是它内部有许多模板或者许多模块，然后根据用户的需求进行一下简单的排列组合，然后按照定制去收费。那么，代培训小龙虾自然也可以走类似的套路。
但是时代不同了，这样的排列组合完全可以由 AI 去完成。诶，这个问题又转回去了。大概小龙虾应该内置的不是多种模式，而是一个 AI 引导的预设置。通过回答 AI 的一些问题，然后 AI 根据实际情况去排列组合出最佳的配置。
果然，一个还没正经出现的行业，就已经被 AI 预定取代了。
042
现在这些免费的养虾，真指望他干活不太可能。但是养虾的过程等于是学习与 AI 交流的过程。毕竟总不能等一切都发展成熟了再去学。那样要学的东西就太多了。
043
感觉现在 AI 处于一个非常尴尬的时期——你不能否认它有用，但你也很难指望他做什么。
044
小龙虾热退烧了。但是对于小龙虾，真的可以简单的用一句，它非常有用，或者它毫无用途去描述吗？
我一直在表达的一个观点——小龙虾非常不成熟，如果作为工具，它肯定是不合格的。比如安全性，比如生成效果的稳定性……但它是一个窗口，让我们看到了未来。当然这只是管中窥豹，但即便管中窥豹，也能看到未来的光和隐约的路。
现在它凉下来，是不是就没有养虾的必要了？在回答这个问题之前，我想再提出一个问题：我们当初是为什么养虾呢？单纯的为了缓解自己跟不上时代的焦虑吗。如果是，那么随波逐流就是我们的目的吗？
AI 是什么呢，一种新型的工具，实习生，私人助理，员工……但无论是哪一种，有真的“开箱即用”的吗，都存在潜在的学习、交流、沟通的成本。想达到用的顺手的状态，总是需要经历一个磨合期的。那么如何进行磨合，这个磨合期又要发生在什么时间？我想总不会是等到我需要的时候，再开始去进行磨合吧。
就像软件开发，一个新兴的平台，并不会等真正平台发布的时候，再招募第三方开发者。他会在自己还未发布的时候先提供出开发者平台，让开发者可以去了解，去适配。当然，此时的一切还不成熟，不稳定。但这不也可以看作是开发者与平台之间的磨合期吗。
我觉得用小龙虾去练习与 AI 的交流和控制能力是比较合理的。他终归是能做一些事情的，而且还能做一些反馈。而且可以进行比网页版复杂的多的工作流。所以别等待了，还是多用用吧。
045
关于无限细节的思考。
一个相对复杂的项目，就意味着有非常多的细节。如果交代别人（或者 AI）去完成这个项目。就必须将自己关注的所有细节都交代清楚，否则最终的成果可能和你的预期不一致。这应该算是写项目需求吧。
这是合理的，但我们是懒惰的。但如果丢失细节，等到项目完成之后再补充修改，结果是十分灾难的。
一方面，这里需要有一个平衡。但是另一方面，为了尽可能确保最终的结果不与预期产生过大偏差，我们的描述可以冗余，但不能缺失。
综合下来，必然会产生预制说明。就像编程中的函数/类/库。把常用的内容抽象出来，做成一个尽可能通用的描述，在使用的时候直接引用。这其实也就类似于当前常见的 skills。但这样会导致一个结果：用起来仿佛拼乐高，难度不大，考验的主要是想象力和组织能力。但最终成果总是具有一定的相似性，毕竟使用的都是那些积木，即基础模块是一致的。就好像现在许多使用框架制作的网页，看起来总是那么相似。开发过程是很快的，但效果上是缺乏个性的。
不过可见这种积木搭建的方式，在未来会非常流行，因为上手难度足够低，而出来的效果应该远大于能跑这个要求。这个感觉有点像方便面，不仅仅能吃，甚至从某种意义上还有点好吃，而且有许多口味可以选择，甚至你还可以选择搭配各种配料。但终究每天吃方便面，还是有点腻吧。
