AI时代,人,何去何从?

LLM 的智力已经给到了“清华级别”，但我能榨出了它几成智力？Agent 已经能全天候狂奔，但在我手里又跑出了多少极限？难道每天打开对话框提出需求，就算会用 AI 了吗？

戳破“每天都在用”的幻觉——我根本不会用 AI。

我们现在的处境，特别像过去“摩尔定律”黄金期的计算机行业。那时候，程序员哪怕什么都不做，每过 12 到 18 个月，硬件性能也会自动翻倍；现在也一样，哪怕一个人什么都不做，只需要坐等底层模型升级，自己手头的“能力”也会跟着被动提升。

但摩尔定律时期的优秀程序员并没有因此停下来摆烂，他们真正死磕的，是怎么把当下这一颗 CPU 的性能彻底榨干。

同理，现在的我们也绝不能只等着模型迭代，而是要去研究：在模型能力还没有提升的情况下，怎么把现有模型的能力榨干。

当模型能力变成人人都有的基础设施，个人到底靠什么去榨干它的上限、达到不一样的效率？

我的答案是：相比个人智力的差异，真正关键的是工作流的并行化与 Agent 编排。就像高考中大部分人还没到拼天赋的程度，现在的工作产出效率也没到比拼个人智力与天赋的程度，光是在“对 AI 的使用”上，就已经差出一大截了。

先说并行。我觉得这个时代，一个人必须习惯以并行的方式工作。如果还是排着队跟一个 Agent 甚至网页端 AI 一问一答地做事，肯定是不行的——你手上不可能只有一件事；就算真的只有一件事，那件事也必然能拆成几件互不牵制的子任务。所以，必然得让多个 Agent 在各自的线上同时跑、同时推进。

但一旦多 Agent 跑起来，怎么组织和编排它们，就成了决定效率和结果的关键。

伯克利在《Why Do Multi-Agent LLM Systems Fail?》这篇论文里，分析了七个主流多智能体框架的两百多条执行轨迹，得出的结论是：Agent 产出结果的质量，“高度取决于它们是如何被组织的”。同一批模型，换个编排方式，交出来的东西完全不一样。

播客里那位用 Agent 写了几十万行代码的英伟达工程师也提到，一开始他的组织方式是模仿一家公司的架构，让很多个 Agent 互相沟通——谁负责写，谁负责审，谁负责协调。

听着挺合理，但实际效果并不好。因为 AI 之间传递上下文是有损耗的，信息传下去越来越少，最后整个工作区乱成一团。他也试过让几个小模型组个“审查委员会”，效果同样不好。

最后，他发现效果最好的反而是：Claude Code 写、Codex 审，来回循环。

极其朴素。

他还分享了一个让我印象很深的数字：最早写一个 kernel，得连着跑一天以上；现在用同一套模型，换了这套朴素的方法，六个小时左右就能收敛到不错的结果。同一个问题、同样的模型，差别全在流程编排上。

我开始反观自己现在的实践。我目前的科研课题，基本完全交给 AI 在推进。我搭了一套层级简单、挺像一个小团队的架构（两个小组，两个leader，一个Chcker）：策略小组负责探索可行方向，核验小组负责核验策略小组的实验结果；两个小组各有一个 Leader，向顶层的 Checker Agent 汇报；Checker 再跟我对接，我给它下指令，它把指令往下派。

跑起来之后我发现，这套看似高效的架构，经常会在一个单目标指令上跑偏。AI 最麻烦的地方不是不会做，而是会“一本正经地胡做”——我下的目标它表面上都会尽力达成，但跑偏的地方根本不会写在明面上。往往是我跟顶层的 Checker 聊着聊着，才发现底下方向歪了，然后再去调整指令。

为什么那位工程师最初模仿公司架构失败了，我搭的这套“团队层级”也老是跑偏？

我意识到：管理多 Agent 的思路，跟管理人类团队的思路，底层逻辑完全不是一回事。

我们可以借鉴组织管理的框架，但绝不能照搬管人的那套方法。

表面上看，两者都需要定目标、拆任务、分角色、盯进度；但本质上，管人是在经营一个“社会系统”。

而多 Agent 协作，本质上是在设计一个“可编排的计算系统”。Agent 的优势是规模、速度和可重复性，它可以低成本地无限并行、复制、随时回滚重来。但如果你方向把控不好，它就敢顺着错的方向一路狂奔。

如果照搬人类公司的科层制去管 AI，不仅发挥不出它的算力优势，反而会白白增加上下文传递的损耗。

管理人类团队靠的是领导力，而管理多 Agent 靠的是系统设计与编排工程。人类需要的是激励和共识，而 Agent 需要的是极度清晰的指令、明确的边界，以及硬性的验证与护栏机制。

搞清楚了人与 Agent 的本质区别，两者之间的最佳分工其实也就出来了：

让 Agent 负责执行、探索和规模化的重复工作；而人，必须死死把住目标、判断力和关键决策。

顺着这个分工往下想，我们使用 AI 所需要死磕和练习的核心能力其实就一个：

如何让 Agent 在长期任务上一直朝着目标方向走。

要想纠偏、当好这个“把关人”，得有个大前提：你得先看得出它哪儿没做好，还得想明白该往哪个方向改。

比如让 AI 写文章、做 PPT、做视频，得先看出哪一段是虚的、哪一页的逻辑断了、哪个镜头放错了地方，才能告诉它具体换成什么样；让它改代码、写论文、干别的活也一样，得能指到具体是哪里出了问题、具体要怎么改，它才更有可能改得动。要是连自己都看不出问题在哪儿，那所谓的“让它改”，就只剩下一句苍白的“你再改改”，它也只能跟着瞎猜。

所以，不是 AI 能干活了，人就可以什么都不会了。它在前面跑，人在后面得跟得上。

与Agent紧密结合的工作模式极大改变了我对“学习”意义的看法——我之前悲观地认为，AI 大人太强了，无论学什么最终也都会被 AI 大人碾死，那我现在学习这些无论知识或者技能还有什么意义……

但现在我认为，AI 再强，人学东西依然是必要的，只是学它的目的变了——不再是为了在知识储备上超过 AI，那基本已经没什么胜算，也没多大必要；现在学习，是为了更好地与 AI 并肩作战。至于“驾驭 AI”，那是更高阶的能力要求了，现在我觉得自己能尽量不拖 AI 大人的后腿，就已经谢天谢地了。

学知识是手段，让自己能更充分利用 AI才是目的。

因为在这个时代，懂得高效地组织和调度 AI 来完成目标，本质上是在撬动一个巨大的能力杠杆。我们可以把生产力看作这样一个公式：

假设你的基础能力只有 2，但你对 AI 的使用能力是 100，那你能迸发出 200 的生产力；反过来，假设一个人的基础能力是 10，但他对 AI 的使用能力只有 10，那他最后只有 100 的生产力。

举个最直观的例子：现在解决高难度数学问题最强的，往往不是单打独斗的最顶尖数学家，而是 OpenAI。当然，OpenAI 团队里的人数学功底也很强，但他们大概率不是全球数学天赋最高的那一小撮人；可他们能通过 AI极度放大自己的生产力，在短短几年内以前所未有的速度产出数学成果（以至于人只需要负责瘫坐眩晕仿佛受到二向箔打击~）。

顺着这个公式，我给“一个知识或者技术值不值得学”定了一条新的判断标准：

这个东西我学了之后，能不能让我更高效地使用 AI？

如果能帮我提升调度 AI 的能力、看懂 AI 的产出，那学它就值；如果对用 AI 提效没什么帮助，那性价比就很低，至少是有待商榷的。

所以我的建议是：

先去学习能更高效使用 AI 的知识和技能，把自己的杠杆率和生产力提上去；等哪天发现是自己的基础技能或知识储备拖了后腿、没法撬动更高生产力的 AI 时，再去针对性地补这些基础知识。

总之，那些能帮自己更充分利用 AI 这个新质生产力 的知识，才是当下这个时代最具学习价值的事。

以前计算机行业提升个人价值的路径很清晰：把某项知识、技能学到手，然后拿它去换钱、换位置，技术装得越多越稳。现在我认为这条路已经靠不住了，至少大部分靠不住了——纯知识性的技能，是最容易被 AI 超过的那一类，拿它当自己的护城河，守不了多久。

现在更该想的是，我怎么用 AI 给更多人提供服务？怎么结合 AI 替别人创造价值？

说到这儿，我想先提一个思维上的转变：

在 AI 时代，我们应该跳出“打工思维”，去想更大的事。

很多人习惯了把自己局限在打工人的视角里，默认自己只能做一颗螺丝钉，靠创造那点微不足道的局部价值去换取一份薪水。

但在 AI 时代，算力和智力杠杆就在你手边，一个人完全可以通过 AI 去为更广阔的群体提供服务——很多事情不是做不到，只不过是你从来没往那儿想过。放开自己的想象力，去想怎么为更多人创造价值。

但紧接着，这又会引出另一道更扎心的追问：如果大家用的 AI 都是同一个，那凭什么别人要选“我 + AI”提供的服务，而不是选“别人 + AI”、甚至直接选“AI + AI”提供的东西？

把这一问摆在台面上，差异化和核心价值就成了躲不开的事——

我跟别人、跟 AI 的差别到底在哪儿？我的独特价值又在哪儿？

前面说的“编排能力”可能只是这道题的一半答案，另一半答案，我觉得藏在“个性化”这三个字里。

在这里我想先分享一个我的预测：未来的软件服务一定是高度定制化的。 AI 让极低成本的定制化软件成为了可能——在安全范围内，你想要什么功能，说一句话就能长出对应的功能，想要啥就能有啥。就像 dsh 一样，万物皆插件，每个人都可以定制属于自己的 dsh 来满足自己的需求。

软件如此，人也一样。在 AI 时代，我们应该去做更个性化的事，通过 AI 让自己变得“特殊”。

就像《赛博朋克》里给自己改装义体一样，这个时代，人也应该通过 AI 给自己加装各种“能力插件”。通用的那套大模型谁都能拿到，但你可以照着自己的想法和业务，用 AI 给自己打磨出一套专属的“义体”和工具集。当你通过加装这些能力插件，能提供极具个人色彩的定制化服务、能更精准地满足别人细分需求的时候，这份价值就变成了“只有你能提供”的独一份。

写完这些，还是深感自己对 AI 的使用能力太弱了。要加快自己学习的进度才行。但同时也多了些希望，感觉找到了努力的方向，不再感觉个人的努力毫无意义。

最后想给自己、也给大家留两个建议：

第一，多用 AI，别舍不得花钱 不要心疼买 Token 的钱。就像大模型到了一定规模会产生“涌现能力”一样，人对 AI 的理解也是靠“量”喂出来的。只有用得足够多、折腾得足够多，你对 AI 的体感和理解才能真正加深

第二，拥抱时代，拥抱AI 像孙割和 Alan 对话里分享过的那个观点——孙割在 iPhone 刚出现的时候，第一时间去用 iPhone。在 AI 时代也一样，我们未必能一下子把所有新工具都用透，但一定要对最前沿的技术保持紧密关注。当新技术出现时，第一时间去了解它、接触它，这是我们拥抱这个时代的第一步。

共勉。