AI 越强,越要会判断

从堆知识，到用经验

最近，我用 AI 做一个设计插件，前后调整了几次知识库和框架。

最开始，我主要关注功能能不能实现。后来遇到内容相互干扰的问题，才开始重新看结构、入库审核，以及经验应该怎样被调用。

在这个过程中，我也逐渐明确了自己在意的事情：除了把工具做出来，我还希望知道它为什么这样工作，以及这些经历能给下一次选择留下什么。

这篇文章，记录的就是这个过程。

01｜最初的框架，也反映了我最初的理解

开发初期，我先搭建了一个比较简单的框架，希望解决眼前的问题，让功能能够运行，再根据使用情况继续增加内容。

从简单版本开始，本身没有什么问题。但当时，我对已有功能怎么继续使用考虑得比较多，对未来需求变化之后，结构怎么扩展，考虑得不够。

我曾经把它理解为“只做到了向下兼容，没有做到向上兼容”。更准确地说，是当时的结构比较贴近眼前需求，没有为后续变化预留足够的空间。

随着使用场景增加，我发现，一些新需求并不适合直接放进原来的结构。继续补功能也能推进，但各个部分之间的关系开始变得复杂。

后来学习了其他人的方法，我才看到，有些边界如果提前理顺，既能支持后续扩展，也更容易容纳原来的简单需求。

这并不意味着一开始就应该搭建一个庞大的系统。只是回头看，最初的框架，确实反映了我当时对问题的理解。

当理解发生变化，结构也需要跟着调整。

02｜知识库的问题，有结构的原因，也有我的原因

我最初采用的是比较常见的 RAG 思路：先从知识库中检索相关内容，再交给模型参考生成。

在我的使用中，知识少的时候，提供的支持不够充分；随着内容增加，又开始出现一些相互干扰。原本服务于不同场景的内容，有时会混在一起，影响结果。

最开始，我把注意力放在了框架上。后来继续复盘，才发现还有一个更具体的问题：我没有认真审核准备入库的内容。

这些资料是否准确，是否与已有内容重复，适用于什么场景，与其他规则冲突时应该怎样处理，我当时没有充分检查，就让它们进入了知识库。也就是我把判断给了AI，我丢失了我的自主判断。

说直接一点，我在这个环节偷懒了。

我期待资料积累之后，系统能够自动把它们组织好、使用好，却没有完成前面的筛选。

资料被存进去，只能说明系统收下了它，并不代表它已经适合被调用。

所以，我现在会把两个问题分开看：框架怎样组织和调用内容，进入框架的内容本身是否可靠。

审核也不一定意味着所有资料都要人工逐字检查。重复内容和一些基础问题，可以借助工具发现。但经验是否适用、规则是否冲突、哪些内容值得保留，这些关键选择，需要有人负责。

这次经历里，我在本该判断的地方，省掉了判断。

03｜一组三张图，不能简单说明哪个方法更好

除了开发插件，我在使用 AI 生成设计图片时，也遇到了需要重新判断的情况。

下面这组三张图，第一张是参考图，第二张和第三张是 AI 生成的结果。我在生成过程中使用了不同模型，也对输入要求作了调整。

左：参考图。中、右：使用不同模型生成的结果。

把它们放在一起看，第二张和第三张的整体视觉差距，其实没有想象中那么大。

两张都有偏暖的色调、木质环境、植物投影，以及位于画面下半部分的饮品主体。区别更多体现在标题组织、文字比例、杯型、主体大小和留白关系上。

中间一张把标题集中放在上方，饮品使用玻璃杯呈现，主体在画面中的占比更大。右边一张采用了更分散的竖向文字组织，产品与周边信息之间的关系也不同。

这些变化会影响我的选择，但我不能把它们全部解释为“补充了专业知识，所以效果就更好”。

模型本身也是变量。

不同模型在构图、字体、材质和光影处理上，会表现出不同倾向。我补充的要求，也可能参与了结果的形成。仅凭这组图片，很难把这些因素各自的作用分开。

所以，这组图对我更有价值的地方，是记录一次比较过程。

我能从中看见具体差异，再结合用途决定采用什么。如果需要一张完整海报，我会关注信息层级和图文关系；如果只需要产品氛围图，我关注的重点又会变化。

同样一张图片，放进不同任务里，我的评价也可能不同。

04｜专业知识，让我更清楚问题在哪里

这也是我认为专业积累仍然重要的原因。

AI 的能力建立在人类长期积累的知识、经验和表达之上。从这个意义上说，它站在巨人的肩膀上。

但当这些广泛知识进入我的具体工作时，仍然需要经过选择。

以设计为例，有时候我能感觉到一张图不合适，但如果没有相关知识，就很难继续说明：究竟是标题太重，字距不合适，信息层级混乱，还是产品和背景之间的关系出了问题。

不知道这些概念，也不了解可能的实现方式，沟通就容易停留在“再好看一点”“再高级一点”。

普通语言和参考图当然也能帮助表达。专业知识对我的价值，是让我有更多办法拆解需求，也更容易判断修改是否回应了问题。

而且，我脑子里的想法，并不会自动、完整地进入 AI 的上下文。

当我说“精致一点”，心里可能包含了字体的分寸、信息的密度、画面的节奏，以及过去看过的某些作品。但真正传递出去的，可能只有“精致一点”这几个字。

几次尝试之后，我发现，自己以为已经说清楚的东西，实际上还留着很多没有表达出来的前提。

把这些前提逐步说清楚，本身也需要经验。

05｜有些回答很好，但没有放回我的语境

之前，我有很多问题会直接问 AI。它给出的回答常常很完整，逻辑也很顺，有时甚至会让我觉得，它已经把事情解释清楚了。

但后来，我发现，其中一些判断并不符合我当时的情况。

因为我说出一句话，往往有具体的原因。背后可能有一段经历、一个现实限制，或者一种当时没有展开说明的考虑。

这些信息，我知道，但未必都说了出来。

AI 根据已经获得的内容作出推断，推断也许很合理，却可能从一开始就偏离了我的处境语境。多轮交流中，一些要求还可能被遗漏或弱化。

如果我只是因为回答完整、表达流畅，就直接接受它的判断，错误可能要等到实际使用时才暴露出来。

而后果发生在我的工作里，需要由我处理。

我从这类经历中得到的一个体会，是有时候不能对 AI 过于相信。

这里的“不能过于相信”，并不意味着它没有价值，也不意味着它的回答都需要被推翻。我仍然觉得它很好用，能力也很强。

只是当答案涉及我的具体情况时，我需要把它重新放回现场，看看它依据了什么，又漏掉了什么。

一段回答可以写得很好，同时没有理解我这次为什么会这样问。这两件事，在我的使用中确实可能同时发生。

06｜我希望自己留下处理问题的经验

我之所以在意自主判断，很大一部分原因，是希望经历能够转化为自己的经验。

一个决定由我作出，无论后来证明正确还是错误，都是我自身经历的一部分。我知道当时为什么这样想，也有机会在结果出现之后，重新理解自己的选择。

判断错了，当然可能付出代价。但如果我能看清错在哪里，这次经历就可能帮助我处理下一次类似的问题。

而有些时候，AI 给出方案，我直接采用；结果不好，再让它改。几轮之后，事情完成了，但我并没有理解每一次为什么修改。

下一次遇到类似问题，我仍然可能需要从头开始问。

这种情况下，我获得了一次任务的结果，却未必积累了多少处理这类问题的经验。

还有一种情况，是我盲目信任了一个不适合的答案，承担后果之后，记住了“以后不能这样相信 AI”。

这也是经验。但它可能还停留在工具使用这一层：我知道需要谨慎，却仍然不知道原来的专业问题究竟该怎样解决。

对我来说，这两层经验都值得区分。

我希望自己不仅记住“要检查”，也能逐渐知道检查什么、为什么检查，以及出现偏差之后怎样调整。

因此，我并不要求每一步都由自己完成。方案可以由 AI 提出，执行也可以交给它。我希望保留的是参与比较、作出选择和回看结果的过程。

这也是我不太认同“有了 AI，很多东西就不必学了”的原因。

学习方式可以变化，一些机械操作和记忆负担也可以减少。但如果我希望下一次遇到问题时有更多办法，就仍然需要把这次经历消化成自己的理解。

07｜后来，我改成了“轻工具，重经验”

回到那个设计插件。

发现原有结构的限制之后，我开始学习一些有经验的开发者和研究者提出的知识组织方式。

学习让我看到，原来还有其他办法。但这些方法能不能直接用在我的项目里，仍然需要判断。

有些设计解决的是别人面对的问题；有些机制能够改善效果，同时也会增加维护成本。我需要先理解它为什么这样设计，再决定采用多少、调整多少。

在这个过程中，我逐渐把原来的“重知识库”思路，改成了“轻工具、重经验”，也更改了经验的调用方式。

之前，我比较容易通过增加资料和规则来补充工具，希望知识越完整，结果就越稳定。

后来，我更关注已有内容能否在合适的场景下被调用，以及其中是否保留了足够清楚的使用依据。

以设计经验为例，如果只保存“要简洁”“要高级”，对具体任务的帮助可能有限。

如果能够说明当时面对什么问题，为什么采用某种处理方式，结果如何，又有哪些适用条件，下一次调用时，我就更容易判断它是否适合。

我说的“重经验”，主要指向这种可以被理解、被比较，也可以继续修正的内容。

这些经验本身也需要审核。把未经核对的资料改名为“经验”，并不能解决原来的问题。

这次调整也不意味着一定要抛弃 RAG。检索仍然可以发挥作用，只是我重新考虑了检索什么、怎样组织，以及何时调用。

经过这些学习和修改，我在自己的使用中获得了更好的效果。与此同时，我对这个工具为什么这样工作，也有了更清楚的认识。

08｜框架会调整，经历留在自己这里

现在，我不会把某一个框架当成所有场景的答案。

随着资料规模、任务类型和调用方式变化，原来不明显的问题，可能逐渐暴露出来。有时需要调整结构，有时需要修改调用逻辑，也有时只是应该先清理内容、补上审核。

模型也是如此。

某个模型这次生成的图片更符合我的需要，并不意味着它在所有设计任务里都更合适。任务变化之后，我关注的东西会变化，选择也可能变化。

学习其他人的方法，让我拥有了更多可以比较的方案。最后采用什么，还是需要回到自己的工作和实际结果。

属于自己的方案，也不要求每个部分都由自己原创。它可以借鉴成熟框架，可以由 AI 协助实现，但其中的取舍，我希望自己能够解释。

回头看，这次做插件，我经历了几次认识上的变化：

从关注功能实现，到重新考虑结构能否扩展。

从直接积累资料，到补上入库审核。

从不断增加知识，到调整经验的组织和调用方式。

从接受一个看起来完整的答案，到检查它是否符合我的具体语境。

这些变化没有让我停止使用 AI。相反，我开始更清楚，哪些地方可以借助它，哪些地方需要自己继续理解。

对我而言，这次留下来的，不只是一个修改后的工具，也包括下一次遇到类似问题时，可以带走的经验。

我还会继续使用新的模型，学习新的框架，也会继续作出可能正确、也可能错误的判断。

我希望的是，在这个过程中，事情能够被完成，经验也能逐渐留在自己这里。

————————————

本文记录我的实践与观点，AI 辅助整理补充。我拥抱 AI，也坚持自主判断。