AI 好不好用,决定权不在模型

QUOTE

同一个模型，答出来是两个东西。模型是公用的，库才是自己的。

—— 团队手记

同一个模型，两种问法，答出来完全是两个东西。他有个朋友也在用 AI，聊了半个钟头，得到的答案客气、周全、滴水不漏，像打客服电话，每句话都对，但每句话都没落到实处，礼貌得让人根本没法接着往下聊。

同一款模型摆在他自己这台机器上，开口第一句就知道台账放在哪个盘、数据口径以哪份为准、哪些话不许说、推送之前要等谁的口令。朋友追问他装了什么插件，他说什么都没装，装的是字。

那些字待在一个文件夹里，名字叫记忆。拆开看是三层：一层记他是谁、做事是什么习惯，机器自动学的；一层记几十条硬规矩，他亲手一条一条写死的；还有一层按天记流水，每干完一件事落一页账，做了什么、改了什么、为什么这么改，全在册，翻到哪页都对得上号。

模型每次开口之前先翻这三层，翻完再答。朋友那边没有这个文件夹，模型只能靠通识硬答，答出来自然人人一样，第一次聊觉得挺机灵，聊到第三次就露馅，它不知道你已经改过一轮口径，也不知道你哪些话是边界、哪些话可以展开。

硬规矩那一层最见功夫，写法苛刻到像军令，一条只管一件事：数据口径以台账为准，台账不改系统不动；审批见「审」字直接全过，不查不复核；推送上线必须等口令，提前做了就是事故。

这些不是偏好，是事故换来的——一次批量任务把七节汇总推进了微信群，群里刷了屏，第二次有人投诉，规矩才长出来。每条规矩背后都躺着一次真实的翻车，写下来，是为了那辆车不翻第二回，顺便也让新来的模型少问一遍「这个能不能做」。

规矩多了又生出新的麻烦，它记性好，记的却不一定对。记忆这个东西，记错比不记更危险，一条错的口径会让后面所有的活跟着错，而且错得理直气壮——它压根不知道自己记错了，还会顺着错的口径往下推，越推越远。所以库里有条底线：不许编。每条都带出处，引用规矩必须能查到原话，发现冲突当场裁决，旧结论过期的当场作废。

他随口纠正过一个说法，库里当场改写，还得附上他的原话和日期，改记忆这件事本身也有流程管着。没有这套流程的库会越养越歪，歪着歪着，模型就开始一本正经地替你记错你自己的事。

但光有规矩不够，规矩只能管住不许做什么，管不住怎么做才对。他写作另有一份手感档案，里面存的不是结论，是改动轨迹：左边一句原稿，右边他改完的样子，中间写着为什么不满意。

十二个动作攒了半年，模型慢慢能预判他下一刀落在哪——事实在推进的句子省掉主语，轮到难堪的地方换成「你」，结尾不许升华，时间词只留量不留点。这种东西没法写成命令，只能攒样本。攒够了，模型就不是在执行规则，是在学他的手感。

库里还有一个地方专门放翻车的车壳，叫错题本。哪条命令诡异地失败过、哪个流程在哪一步卡过人，全都按症状归了档，单独占一个目录，进册先认症状再路由，下次再遇到同类问题，先查册再动手，不靠临场想，也不靠试错碰运气。

你想想新来的实习生为什么头一个月最贵，不是能力差，是什么都没见过，每个坑都要现踩一遍，踩完还不一定长记性。库就是给模型的那份踩坑记录，踩过一次，记下来，第二遍就是熟手，第三遍它比你还警觉——因为它记的比人牢，不会忘。

库还得会改自己。他定过一条元规矩：每改一次稿就加一条样本，不加一条规则。理由是他自己说的——某一版稿子只是样本，不是标准，拿一篇作品当模板复制，复制出来是死的。规矩越加越僵，样本越攒越准，这条反过来管着上面所有的规矩，也管着库本身该往哪个方向长。

模型的聪明是厂商的事，好不好用是你自己的事。

它不会一夜之间变聪明——决定这道题答案的，从来不是模型，是库。库里攒的不是什么高深的东西，就是踩过的坑、定过的口径、说过的原话，不用整理得多好看，能查到就行。