AI 没有变笨,是你把它推进了失效区间

AI 没有变笨，是你把它推进了失效区间

一开始，它真的很好用
之前我在做一个隐私工具应用 FaceBlur，功能是给照片里的人脸打码。上架前需要做 App Store 的五张截图，我把需求丢给 stitch ：尺寸 1242×2688，深色背景，界面居中，文案突出隐私保护。
第一张出来的效果，我当时有点惊讶。构图干净，配色合理，文案也够准。我连续做了五张，基本可以直接用。
那段时间我对 AI 生成 UI 这件事非常有信心。
后来我又开始做 VIXA——一个双摄相机应用，前后摄同时录制，有画中画模式。App Store 截图同样交给 AI 来生成。这次我想进一步优化，开始在同一个会话里反复迭代：调颜色、改文案、换布局。
第十几轮的时候，事情开始变味。
AI 生成的截图里，突然出现了一个不存在的 TabBar。我的应用根本没有 TabBar，但它就那么画上去了。我在 Prompt 里加了”严禁出现 TabBar”，没用。我又加了”必须严格遵守原始界面结构”，还是没用。
然后是尺寸。1242×2688 这个硬性要求，从某一轮开始它就开始”漂移”——输出的比例不对，或者内容布局按一个完全不同的屏幕尺寸来排。我把尺寸要求加粗、加感叹号、写在最前面。没有任何区别。
我当时的第一反应是：这个模型是不是更新了？变笨了？
后来我意识到，我问错了问题。

它没有变笨，你进入了它的失效区间
大模型不是一个规则执行器，它是一个概率预测系统。
每次生成内容，它做的事情是：根据所有输入，预测下一个最合理的输出。它不是在”执行你的命令”，它是在”推测你最可能想要什么”。
这两件事听起来很像，实际上有本质区别。
一个规则执行器：你说不能有 TabBar，它就物理上不会输出 TabBar。
一个概率系统：你说不能有 TabBar，它把这条信息和上下文里几十个其他信号混合计算，如果历史对话里反复出现过带 TabBar 的界面设计，那”有 TabBar”这个模式的权重依然很高。
你写的”必须”、“严格”、“禁止”，在它眼里不是约束，而是参考。

长对话是怎么把 AI 拖垮的
有一个概念叫 Context Drift，上下文漂移。
当你和 AI 的对话超过一定轮次，早期的指令会被后期大量内容稀释。模型的注意力机制是有限的，它不会平等地关注所有内容——越早的 Prompt，在长对话末尾被”关注”到的概率越低。
你以为你的系统指令一直有效，其实它已经被二十轮迭代里的各种变体慢慢覆盖掉了。
更麻烦的是指令漂移（Instruction Drift）。你在迭代过程中不断修改要求——先说”背景要深色”，后来说”试试浅色”，再后来说”还是回到深色”——这些相互矛盾的指令全部留在上下文里。模型不知道哪条是真正的权威，它只能在所有信号之间找到一个”平均答案”。平均答案往往不是你想要的任何一个版本。
用工程类比来说：这就像你的状态机一直在接收新的状态更新，却从来没有 reset。最后它跑在一个没有人能预测的中间状态上。

多模态对”精确”本来就是弱项
还有一个被低估的问题：多模态模型对精确数值约束的控制能力，天生就弱。
文字生成可以有很强的规则遵循能力，但图像生成是一个完全不同的任务。1242×2688 这个像素尺寸，对语言模型来说只是一串数字——它理解这串数字的语义，但它并不是在”绘图软件里设置画布尺寸”，它是在通过扩散模型或类似机制生成内容，像素级精度根本不在它的控制范围内。
这是生成模型和约束系统之间的本质矛盾：生成模型的目标是”产生合理内容”，约束系统的目标是”保证规格正确”。这两件事的优化方向不同。把精确约束的任务交给生成模型，你是在用一把锤子拧螺丝。

为什么”用久了感觉变笨”
原因其实有几层叠加：
第一层，你的任务变难了。早期你拿 AI 做简单任务，它表现优秀。后来你用它做更复杂、更精确、更有约束的任务，它开始暴露边界。不是它退步，是你的要求升级了。
第二层，你的使用方式出了问题。长对话、反复迭代、没有清理上下文，这些操作把 AI 推进了最容易出错的状态。
第三层，错误被放大了。AI 犯了一个小错，你在这个错误的基础上继续迭代，新的内容反过来强化了错误模式，形成一个正反馈的失控循环。

可执行的解决方案
说完问题，说方法。这些都是我在实际项目里测试过的做法。
让 AI 负责结构，不负责精确结果。 AI 非常适合出概念、定布局、写文案初稿。但如果你要精确尺寸的截图，最终必须进 Figma 或者用代码生成。不要幻想 AI 一步到位。
任务要拆小。 不要在一个会话里解决所有问题。一个会话做一件事。做完，输出结果，关闭会话。下一个任务重开一个干净的上下文。每一次重开，都是一次 reset，你把一个跑乱了的状态机重置成初始状态。
定期清理上下文，或者直接新建会话。 长对话是 AI 失效的温床。我现在的习惯是：迭代超过八轮，强制重开。把核心需求重新整理成一段干净的 Prompt，重新开始。
使用结构化 Prompt，而不是自然语言命令。 与其写”必须严格遵守 1242×2688”，不如用 JSON 或固定模板把约束显式结构化，放在 Prompt 的最前面，作为独立的”约束块”。这样上下文漂移时，约束部分的信号权重相对更稳定。
区分”生成任务”和”执行任务”。 生成任务给 AI（文案、结构、方案），执行任务给工具（Figma、Sketch、代码）。这两类任务混在一起，你会两头都做不好。

结尾
AI 不会变笨，但它有失效区间。
你进入失效区间的方式通常是：任务太复杂、对话太长、约束太精确、迭代次数太多。
更深的认知是：你以为你在给它写规则，其实你在给它提供参考。大模型没有执行引擎，只有概率分布。规则在它那里，只是一种信号。
独立开发者使用 AI 的核心方法论，不是”如何让 AI 做得更精确”，而是**“如何设计工作流，让每个环节只做它擅长的事”**。
AI 擅长生成，不擅长约束。擅长模糊，不擅长精确。擅长起点，不擅长终点。
把它放在对的位置，它就是加速器。放错了位置，它就是一台会产生幻觉的复杂噪声机器。