玩了半年了，来个AI使用“心态”总结

今天备课结束的早些，想着试试总结下AI的使用体会，最近AI用的还是挺开心的，但是目前笔者的探索别说写书了，写个课程都难，因为实验过程还是比较“放飞”的，所以，还是从“心态”的角度多写写吧。

一、注意应用的开放性

昨天发朋友圈的时候，笔者提到在播客“热水频道”上听到了对一位74岁，还患有阿尔茨海默症的陆奶奶，陆蓉之女士的访谈，她从上个世纪70年代开始策展，已经有半个世纪了，如今虽然不再活跃于策展的一线，但依然从事着节目制作工作，也是满世界跑，并且是位非常拥抱新生事物的“老人”。她平时热衷各类AI，尤其是跟ChatGPT深度聊天，给ChatGPT助手起了中文名字，还让ChatGPT基于聊天记录进行绘画创作，以前要通过midjourny出图，现在也不需要了，ChatGPT能直出了。

她很享受这种创作过程，作为一个高水平绘画者、艺术作品策展人，她却对AI的版权问题有着非常开放的态度，因为从艺术的角度来看，创作本身就有着极大的“借鉴”性。不过，笔者感觉最受触动的，还是陆奶奶对AI的使用理念，她就是探讨式、开放式用法，不是让AI严格按照需求出什么东西，而是根据聊天的情况自己画去，这也许跟艺术类工作的开放性、创造性有一定关系，但也的确是使用AI的好方式，用AI本就是为了用它比人类强的地方，或者说，就是为了让AI的优势发挥出来，而不是为了禁锢AI的行为。

笔者自打 Claude 4 拯救了之前 3.X 系列几乎搞砸了的系统之后，与AI的合作顺畅多了，而且，本就是实验性项目，要验证的是架构设计思路，要探索的是人机协作方式，所以，笔者还是很信任AI的，代码必须100%采用，不存在采用率问题，合作上是必须信任、只能信任。笔者自己的逻辑就是先设计数据，数据必须稳定，不许乱改，避免一改塌一片；然后数据决定后端，后端决定前端，一路向上生长。至于功能实现上，笔者很“开放”，只从界面使用上提出想要啥，不是严格的需求管理模式，更像是原型开发法。聊天也挺随意，以至于根本不适合总结为课程，估计很多人要是真看到笔者的聊天记录可能都会质疑怎么能堆这么个系统来，但就是堆出来了，传统服务、MCP、智能体平台、架构平台，都堆在一起了，6万多行代码了，估计架构部分全做完应该在7-8万行左右了。

企业架构如何与AI编程实现结合在一起，是笔者的终极目标，从架构模式验证走到架构设计能力、设计方法、设计工具的验证上，这部分需要更强的开放性，之前在公众号文章的回复上，笔者也曾答复过一位读者，笔者并不认为会需要把人怎么做架构照搬到AI上来，打算跟AI共同讨论下，开放式地往前走。

“开放性”是笔者从三月份跟AI玩自然语言编程到现在的一个较大的变化。笔者是做企业架构的，架构设计其实挺繁琐，有很多细节，需要很多对齐，很多人也认为这里边跟需求管理似的，要说的很清楚、很细致，其实不完全是这样。架构跟需求不是一回事儿，架构定的是结构、关系、原则，具体实现层面的事情还要下探一级，站在这个企业的视角，企业架构首先维护的是“秩序”，然后才是“实现”。所以，笔者觉得如何给AI传递“企业架构上下文”，然后让AI主导“实现”是比较高效的，这也符合笔者的工作逻辑。

但是很多时候大家会觉得，AI实现不精确能行吗？这里边一来是需要跟AI进行分层讨论，从架构定位到实现方案，再到方案分解，让AI能够导航式记住上下文，提高实现精度；二来是需要逐渐转移需求主导权，目前企业端软件开发的需求常常是两个极端，要么是含混不清，要么是过度的、浪费式的精确，前者很适合原型式开发，后者需要更好地回炉下软件开发价值观。而在两者之间的，本就适合探讨式地进行开发，笔者是隐隐感觉，具有一定“开放性”的“原型开发法”有可能随着AI编程、自然语言编程的兴起逐渐成为主流，按照之前的软件工程理论，“原型”本就是可抛可不抛的，做好了就不用抛了，做不好，快速重来，总比砸了半天需求，最后需求方却说系统做出来的不是想要的，总比这强吧。

笔者关于AI使用要注意“开放性”的观点，虽然是从自身宽松实践中得出的，但是总感觉，这个终归会有一定“幻觉”的合作伙伴，更擅长的是创造，需要用这样的“心态”去合作。

二、习惯于抛弃经验

与之前的人类工作模式不同的是，在与AI的协作过程中，要习惯于抛弃经验。

笔者春节时开始实践，在电脑记事本上写了大量提示词，还琢磨了不少该怎么表达、怎么要求，然后，这些东西很快就没有什么大用了，什么角色啊之类的，在系统提示词里也许还能用用，但是在用户提示词方面几乎早就没什么价值了。全局规则的作用，之前笔者也讲过，有时候规则是“干不过”引用的信息的，引用反倒会压过规则，而命令多了，AI根本就不记得了，AI只会把他训练期间学会的东西当成“知识”，而不会把我们指定给他的知识库真当作知识，那只不过是一次计算的输入，而不是计算中的参数。提示词工程、上下文工程是有助于提升AI的“记忆”，但不是最终的解决方式，因为这两个东西都存在不大又不行、大了也不行、多大都不够的问题。

真正解决问题的还是基础模型和真正“原配”给基础模型的记忆体系。不过这里边有趣又无奈的是，一旦基础模型进步了，你之前的经验也就没用了，新同事来了，又得重新处，但是好在新同事真的会比旧同事强，人工智能方面喜新厌旧不是问题，而是答案。所以，不同于之前的成长，使用人工智能必须要习惯抛弃经验，这也决定了，不用太关注别人讲的东西，专注于跟你自己的AI交朋友，别人交的是别人的朋友，不是你的，AI真的会“千人千面”。

三、培养耐心

最近刚看了一篇反差挺大的文章，据说经过分析，AI编程导致效率下降了19%，感兴趣的朋友可以去看看原文。对于笔者这种不会写代码的人来讲，生产效率提升可以说是无穷大，因为之前根本写不了。但是，玩的过程中也多次跟AI“发过火”，尤其是在E2E测试方面，总喜欢重写测试案例，而且一写必错，但是对自然语言编程来讲，E2E测试对于形成开发闭环又是非常重要，所以，这方面的确会有烦恼。这方面在资深开发者看来，无疑是在浪费生命。但是笔者只能这样做，所以要培养耐心，笔者不止一次发现，只要有足够的耐心，AI最后都能解决问题，这方面，感谢 3.X 对笔者的磨练，以至于到了 4 的时候，幸福感大幅度上升。

一切都需要时间，自然也需要耐心，但是时间和耐心又都是“奢侈品”，需要自己安排、自己培养。对笔者来讲，跟AI在一起就像打电子游戏，通关太平淡，你也不会有啥兴趣玩；没有点儿隐藏关卡（探索式开发），你也不会一直玩；不被Boss虐一虐，你也不会感觉到成就感，总之，没有“好玩”这个心态，最终还是不如容易“玩好”的，也不容易“玩久”。