夜雨聆风
—点击上方卡片关注我—
添加微信：AWangTalk
- 这是阿王的第5 篇文章 -
刚经历完4月末的AI届「诸神混战」，当下的主流大模型无论从语言交互还是多模态层面，都已经愈发对齐了人类思维的颗粒度。
但AI发展越快，我就越好奇——
如此聪明的AI，为什么仍然在与人类的配合上无法如臂使指？
很多AI的生成物，不是说不能用，而是总缺少一点点「灵魂」。
如今的AI可以做视频、做网站，甚至帮你搭一个完整的工作流。但很多时候，它给你的东西看起来很完整，却不一定是你真正想要的。
如果大家平常关注AI圈子，那么2月份由OpenAI发布的一篇名为《Harness engineering: leveraging Codex in an agent-first world》的Blog，想必并不陌生。
正是这篇Blog的发布，让Harness-Engineering正式成为引爆AI圈的又一新概念。
总结一下，在Harness-Engineering的概念中，我们当前所使用的大模型可以被看作一个拥有强大动力的引擎，而这个引擎发出的动力该如何使用，就需要Harness这个车架来决定。
再说简单一些：AI是水，决定这摊水的形状的，便是Harness。
这也引申出了一个如何使用AI的技巧——给它一些限制。
虽然当前各大模型的厂商都发布了很多配套的AI技能，但这些技能始终与我们自己的日常工作经验有所差异。
于是就有了我的一些思考——
当我们通过Prompt-Engineering、Harness-Engineering等约束措施来让AI更加明确我们要什么，不要什么之后，好像只是让这辆小车可以正确的前进、后退、加速、刹车，但想必每个汽车爱好者的追求不止于此。
吸引一个人买下一辆车的关键因素，一个是外观，另一个就是操作系统。
这个操作系统是整台车的灵魂，它决定了一辆车在驾驶过程中能否为驾驶员带来超凡的体验。
那AI的操作系统，或者说灵魂是什么呢？
我用一个词来概括——Model
此Model并非LLM（Large Language Model）里的Model。
它是一个人做事情的经验，以及根据他生活、工作的积累所形成的判断系统。
举一个例子，我们日常在写文章时，总有一套潜意识的主观经验系统在发挥作用。文章开头是平铺直叙还是疑问句来吸引读者；结尾是一个总结句让读者若有所思，还是一个留白让大家自由想象。
这些决策的瞬间通常就是由一个人的审美、经验、逻辑等主观意识来决定的。
而这些很难形成通用方法论的思考过程，其实就是我们作品的灵魂所在。
所以有了完整的Harness，只能决定你的文章有一个正确的结构，正常的表达。但真正能体现出「你」这个存在的，就是你内在形成的Model。
而让AI不只是机械化按框架执行任务的关键就是：你有没有把自己的目标、判断和经验，变成一套AI能理解、能执行的结构。
于是我整理出了一个模型：OMA。
Objective，目标。
Model，模型。
Agent，执行系统。
简单说，OMA解决的是一个问题：当AI越来越强之后，我们到底该如何让它能成为我们的一部分，如同一个虚拟器官，可以像控制自己的手脚般灵活控制它。
要讲清楚OMA，我得先从一个更老的管理学框架说起：OKR（目标与关键成果法）。
传统的OKR框架通常会运用在企业工作中，通过自上而下的任务拆解，将一个模糊的方向逐渐拆解为可落地可执行的步骤。
其中O是Objective，也就是目标；KR是Key Result，也就是关键结果。
举个简单的例子：你的目标是「学会AI」。
这个目标本身其实很模糊。什么叫学会？会聊天算不算？会写Prompt算不算？能做一个自动化流程算不算？
这种目标因为无法量化，也被称之为一个定性描述。光有定性描述无法让我们得到如何去实现的路径。所以OKR会继续往下拆。
你可以给自己设几个KR：
掌握10个AI领域的核心概念。
熟悉3款主流AI工具。
完成5次真实工作场景里的AI实践。
当这些KR被完成之后，你就可以说，自己离「学会AI」这个目标更近了一步。
OKR的本质，就是把一个定性的目标，拆成可以判断、可以推进、可以执行的结果。
过去，这套流程拆解主要靠人来完成。
你要自己判断目标是什么，自己拆KR，自己拆任务，然后自己执行。
但AI出现后，事情开始变了——执行层面的很多工作，正在被AI接管。
过去你要花几个小时整理资料，现在AI可以先帮你打底；过去你要自己写一版方案，现在AI可以先生成框架；过去你要手动做很多重复工作，现在可以交给Agent去跑。
所以我产生了一个想法：
既然AI能执行任务，那我能不能通过制定一个Objective（目标），剩下的交由AI拆解，然后执行？
答案是当然可以。
这也是很多人现在在做的事情：把Objective交给AI，再让Agent去执行。
我一开始也觉得这条路很顺，但后来在尝试中我发现——
中间其实有一个很关键的断点：
AI可以帮你拆解、执行任务，但它不知道你心里「好结果」的标准是什么。
就拿「做一个小红书爆款账号」举例。
同样是做账号，背后因为不同的账号属性可能会产生完全不同运营的路径。
一种是内容驱动：你相信内容的价值，所以会关注选题、表达、结构、长期复利。
一种是流量驱动：你更关心短期数据，所以会追热点、改标题、堆频率、测试爆点。
一种是人设驱动：你想建立一个长期被记住的人，所以更在意定位、叙事、价值观和持续表达。
这三条路都可以叫「做小红书账号」，也都能通往爆款的方向，但它们对「好」的定义完全不一样。
如果你不告诉AI你要走的是哪条路，它就只能根据通用答案来给你方案。
通常这个方案大概率没错，但也大概率不属于你。只是一个没有灵魂的数据壳子。
这就是我后来意识到的关键：Objective和Agent之间，不能直接相连。中间必须有一个东西，负责定义这件事到底应该怎么运转。
这个东西，就是前面我们介绍过的Model。
所谓Model，不是什么很玄的技术词。你可以把它理解成：你对一件事运行逻辑的理解。
它可能来自你的经验、行业判断、审美、价值观，也可能来自你长期观察后形成的一套方法论。
比如你做内容，你的Model可能是：
好内容不是追热点，而是把一个普通人说不清的问题讲清楚。
比如你做品牌，你的Model可能是：
品牌不是先做传播，而是先建立用户对你的稳定认知。
比如你学习AI，你的Model可能是：
不追最新工具，而是理解 AI 能接管哪些任务，不能替代哪些判断。
Model决定的不是「下一步做什么」，而是「这件事本质上怎么运作」。
这也是它和Prompt最大的区别。
Prompt是你对AI下的一次指令，Model是你对一类问题的长期理解。
没有Model的时候，你每次用AI都像是在临时问路。AI给你一个答案，你觉得好像有道理；再问一次，它又给你另一套答案，你也觉得有道理。
最后你会发现，不是AI没有答案，而是你自己没有筛选答案的标准。
有了Model之后，AI的位置就变了——它不再是一个随机给建议的工具，而是融入了你的思考系统。
这时候，Objective-Model-Agent（OMA模型）就完整了。
第一步是Objective：先说清楚你的目标。
比如，我还是想做一个爆款小红书账号，而且我通过学习和实践有一套自己的方法论：
爆款内容 = 情绪共鸣 × 可传播结构 × 明确价值点 × 低理解成本
第二步是Model：你要定义这件事的运行逻辑。
情绪：焦虑、共鸣、反思、对比
结构：钩子-冲突-反转-输出观点
价值：用户能得到什么（认知、方法、情绪释放）
成本：3秒内能否理解核心
第三步才是Agent：让AI根据这个Model去执行。
它可以通过大数据为我筛选最适合的搭配，整理素材，提出结构，检查逻辑，甚至生成文案初稿。
但它不是凭空发挥，而是在我的Model里工作。这样一来，AI的能力才真正被接进了我的系统，被赋予了我的灵魂。
当然，这么看下来Model和Harness其实很像是同一个东西。但其中有个区别就是：
Model是一个脱离了AI系统也能产生效果的模型，它可以被迁移到手动工作、公司流程里，也同样成立——它不依赖AI存在。
而Harness是让AI按照你的方式工作的一整套「控制系统」，它是AI的调度层。
举一个直观的例子：
Model = 菜谱
Harness = 厨房系统
它告诉我们炉灶怎么开；顺序怎么执行；谁负责切菜、谁负责炒；做错了怎么纠正。它的作用是“让菜被稳定做出来”。
没有菜谱（Model），我们就是在乱做；没有厨房（Harness），你知道怎么做，但没地方给你做，或者说做出来是不稳定的。
这也是我觉得OMA比单纯研究工具更重要的地方——因为AI工具会一直变，新的概念也层出不穷。今天大家讨论Prompt，明天讨论Agent，后天又会有新的Workflow、新的模型、新的平台。
如果我们只追工具，很容易永远处在追赶状态。
但如果我们能沉淀自己的Model，情况就不一样了。
工具变了，执行方式可以变，但你对事情的理解，会成为那个稳定的锚点。
你知道自己要什么，也知道这件事应该按什么逻辑推进。AI越强，它反而越能放大你的判断，而不是替代你的判断。
所以我现在越来越觉得，AI时代真正重要的能力，不只是「会不会用AI」。
更重要的是，你能不能把自己的经验变成Model，再把Model交给AI去执行。
这听起来有点抽象，但落到日常工作里，其实可以很简单。
当你下次想让AI帮你做一件事时，不要只说：
帮我写一篇文章。
你可以先问自己三个问题：
我的Objective是什么？我到底想完成什么？
我的Model是什么？我认为这件事真正重要的运行逻辑是什么？
我希望Agent做什么？哪些执行动作可以交给AI？
比如你不是说“帮我写一篇演讲稿”。
而是说：
我的目标是：写一篇让普通人也能共鸣的演讲稿。
我的模型是：先从自己的真实困惑切入，再通过故事拉平我与听众的认知，最后引出我的发现。
你要帮我做的是：根据这个模型整理结构，并写出一版普通人能听懂的初稿。
你会发现，这时候AI给出的结果，通常会稳定很多。因为你不是把思考完全外包给AI，你是在用AI执行你的思考。
这可能才是人与AI更健康的关系。
AI可以帮我们更快地完成任务，但它不应该替我们定义什么是重要的。
AI可以给我们更多方案，但它不应该替我们决定哪一种方案更符合自己。
AI可以成为Agent，但Model仍然应该长在我们自己身上。
这也是我写OMA的原因。
我不是想再发明一个新名词，而是想给自己一个提醒：
在AI愈发聪明的当下，它再一次拓展了人类的认知范围，给予了我们更强大的能力。但这些益处的背面，盲目信任AI的种子也被悄然种下。
当生活中，越来越多的人拿着AI的回答招摇过市，不假思索地把AI当作真理时，我们反而需要警惕——我们是否正在亲手把人类的认知判断交给AI？
我的建议是：面对AI，得先找到「我」，只有这个「我」这个主体足够坚定的时候，我们才不会被AI生成的答案牵着走。
而这个「我」，就像文中所说的Model，它决定了我们是谁，我们要去哪里。
它就是我们的灵魂。
-END-
很荣幸这篇文章陪你度过了漫长的几分钟。
欢迎随手点个赞、在看，转发给同样在思考这些问题的朋友。
也可以给我一个星标⭐，你会获得第一时间收到推送的待遇😄
欢迎扫码添加阿王的个人微信号
