（能认真读4000字的你一定很牛）

两个极端之间，藏着真正的认知

前段时间，一个计算机专业的大三学生找我聊天。

他说：老师，我用AI写代码，有时候觉得它太神了，什么问题都能解决；有时候又觉得很废，生成的代码全是bug，还不如自己写。

我问他：那你觉得问题出在哪里？是AI不行，还是你用法不对？

他愣了一下。

这个问题，我想也是很多同学的困惑。今天这篇文章，我想和你聊聊AI编程的底层逻辑——不是告诉你怎么写提示词，而是帮你理解这个工具的本质。

什么意思呢？

就像你学开车，教练不会只教你哪个是油门、哪个是刹车，而是会让你理解车的惯性、轮胎的抓地力、刹车的距离。理解了底层原理，你才能真正驾驭它，而不是被它驾驭。

AI编程助手既不是魔法，也不是废物。它是一个有明确能力边界的工具，而你的使用方式，决定了它能帮你到什么程度。

好，我们从头说起。

一、AI不是在思考，它是在续写

我们先来理解一件最基本的事：当你问AI一个问题时，它到底在做什么？

很多人以为，AI先在心里想好了完整的答案，然后才输出给你。就像一个人写作文，先在脑子里构思大纲，再动笔。

但事实完全不是这样。

大语言模型的核心机制极其简单——它在玩一个猜下一个词的游戏。你给它一段话，它基于训练中学到的统计规律，猜最可能出现的下一个词是什么。猜完一个，把它加进去，再猜下一个。如此循环往复。

说白了，它不是在思考，而是在续写。

这带来了三个关键特征

1. 没有独立的思考过程

它只能边说边想，不能先想好再说。所以你会发现，当你让它一步步思考时，效果往往更好——因为你实际上是在强迫它给每个推理步骤留出空间，而不是一步到位地猜测答案。

2. 上下文就是全部记忆

对话窗口之外的内容，对它来说不存在。不像人脑有长期记忆，AI不会记得上次我们聊过什么。如果你新开了对话，它就是一张白纸。

3. 输出有随机性

同样的提问，可能得到不同的回答。这不是bug，是设计上的特性，就像抛硬币，每次都是独立事件。

不要期望AI一次就能给出完美的完整方案，把它当作一个边想边说的合作者，而不是全知全能的专家，让它一步步来，每一步你都可以检查和调整方向。

二、跑偏效应：错误会自我强化

理解了续写的机制，你就能理解一个更深层的问题：AI为什么会跑偏？

答案很简单，也很残酷——因为它一旦开头写错了，不会自己纠正，反而会在错误的方向上越写越自洽。

举个例子，你写论文，开头第一段偏了题，后面整篇都会围绕这个偏题的方向展开论证，而且论证得越来越严密，AI也是一样。

编程场景中的跑偏特别常见

它生成了一个不存在的函数名，后续代码会越来越相信这个函数存在，甚至还会补充调用参数

它一开始误解了你的需求，后面每一步都基于错误的理解来自圆其说

对话越长，它越容易写成了另一个项目——因为上下文太长，它渐渐忘了你最初的要求

应对策略

1. 把大任务拆成小任务

不要让它一次实现整个系统。一个对话只做一件事，做完验证，再开新对话做下一步。就像工厂流水线，每个工位只负责一道工序。

2. 及时纠偏

发现方向不对，立刻指出或者干脆重开对话。不要指望它能自己拐回来——它没有自我意识，不会反思。

3. 给出明确的验收标准

不要只说修好这个bug，要说修好后运行测试应该全部通过，且不修改现有API。越具体，越不容易跑偏。

三、上下文窗口：AI的短期记忆

现在我们来聊一个很多人忽视的问题：AI到底能记住多少东西？

目前主流的AI模型，上下文窗口大约是12万到20万token。这个数字听起来很大，但这里有一个关键的认知误区：窗口大不等于记得牢。

什么意思呢？

想象一下，AI的注意力就像一个聚光灯。当舞台上只有一个人的时候，灯光打得很集中，看得很清楚。但当舞台上站了几十个人，灯光就必须分散，每个人得到的光就少了，细节也就模糊了。

研究表明，当上下文用到40%-60%的时候，AI就进入了一个研究者称之为Dumb Zone的区域——开始遗忘指令、产生幻觉、重复自己。

给你的建议

1. 短对话优于长对话

每个对话只做一件事，保持专注。对话超过一定长度后，AI的表现就像喝醉了——开始犯错、跑偏、甚至胡言乱语。这不是它变笨了，而是它的聚光灯不够用了。

2. 不要把整个项目都丢给它

只提供与当前任务相关的文件和信息。信噪比比信息量更重要。就像你跟同事交接工作，不会把公司十年的档案全搬出来，而是只给相关的部分。

3. 学会重启

当AI开始表现异常时，果断开新对话。把开始新对话当作正常工作流的一部分，而不是失败了才重来。这是使用AI的一种高级认知。

四、对话链：把工作拆成流水线

与其在一个对话里试图完成所有事，不如把一个功能拆成一组短对话，每个对话只做一件事。

举个例子。你要做一个用户登录页面，可以这样组织：

【对话1】调研：了解项目现有的用户模型和API

【对话2】实现：写登录页面的核心逻辑

【对话3】完善：添加错误处理和边界情况

【对话4】测试：编写单元测试

【对话5】审查：检查代码质量和规范性

对话之间如何传递信息？

开头简要说明上一步的结论

让AI看看git diff或最近的提交

把重要决策写在项目文档里（比如AGENTS.md），AI每次都会自动读取

直接@引用相关文件

好的工作流不是一次性搞定，而是分步骤推进、每步验证。这不是效率低下，而是对AI能力边界的尊重。

五、项目配置：ROI最高的投资

大多数AI编程工具都支持在项目根目录放一个配置文件（比如AGENTS.md），它会自动注入到每次对话中。

这是你能影响AI行为的杠杆支点——花半小时写好配置，接下来每次对话都能受益。

但很多人犯了一个错误：往里面塞太多东西。

研究表明，前沿模型大约只能可靠遵循150到200条指令，而系统本身可能已占了一半。你塞进去500条规则，AI能真正记住的可能不到50条。

好的配置文件应该回答三个问题

WHAT：这是什么项目？

技术栈、项目结构、各模块职责。让AI在30秒内理解它在面对什么。

WHY：为什么这样设计？

哪些代码看起来不合理但有历史原因？这些坑你不说，AI就会踩。

HOW：怎么运行和验证？

怎么运行、怎么测试、怎么验证改动。明确的验收标准能大幅减少返工。

原则：少即是多，控制在300行以内。配置文件是导航图，不是百科全书。

六、复利工程：让经验自动沉淀

很多人用AI的方式是这样的：给prompt，拿代码，发布，下次从头来。

这很可惜。因为你每次都在交学费，但从来没有把学到的东西存下来。

更聪明的做法是构建一个有记忆的系统——让经验产生复利。

具体怎么做

每次修bug时，把踩过的坑记到AGENTS.md里，AI下次自动避开

每次代码审查的建议，提炼成可复用的规范

找到有效的工作模式，写成文档化的工作流

第一周你可能只记了几条规则。一个月后，你就有了一套项目知识库。三个月后，AI会开始自动应用你从未明确教过它的模式——因为它从你的历史决策中学到了你的偏好。

做课程项目或毕设时，从第一天起就维护一个AGENTS.md。你会发现越到后期，AI越懂你的项目。效率提升不是线性的，是指数级的。

七、对人难的，对AI也难

这是一个很多人没意识到的底层逻辑：如果一个任务让你头疼，AI大概率也一样头疼。

文档缺失、架构混乱、测试跑半天——这些对人痛苦的事，对AI同样痛苦。反过来，所有能提升你开发体验的优化，对AI同样有效。

给你的建议

在课程项目中养成写文档、写测试、保持代码整洁的习惯。这些不仅是为了拿分，更是在给未来的自己和AI搭好脚手架。

好的代码就像好的写作——不是写给机器的，是写给人看的。AI也是读者之一。

八、刻意练习：像学乐器一样学AI

有人用AI事半功倍，有人觉得AI啥也不行。差距往往不在工具本身，而在是否进行了刻意练习。

AI工具就像一件乐器——每个人都知道钢琴是什么，但只有投入时间和精力去练习的人，才能真正弹出曲子。

那些从AI中获益最多的人，不是最聪明的人，而是最愿意实验、最善于从失败中总结的人。

具体怎么做

1. 创造干净的实验环境

别只在课程的大项目里试AI。开一个没有历史包袱的个人项目，专注学习与AI的协作方式。就像练琴要有一个安静的房间。

2. 从失败中提取教训

AI给了错误结果，不要只说它不行就放弃。问自己：我的描述够清晰吗？上下文够吗？是不是一个对话塞了太多任务？每一次失败都是调整认知的机会。

3. 观察和模仿高手

关注公开分享AI工作流的开发者，看看他们怎么拆解任务、怎么写prompt、怎么管理上下文。模仿是最好的学习方式。

4. 建立肌肉记忆

什么时候该开新对话？怎么组织复杂任务的prompt？遇到某类问题用什么策略？这些直觉只能通过大量练习获得。

5. 坚持投入时间

不是偶尔试一下，而是每天花30分钟刻意练习，坚持几个月。没有捷径。

学习AI工具的过程，和学习任何一门手艺一样：一开始很笨拙，然后渐入佳境，最后得心应手。区别在于，你是否愿意走过那段笨拙期。

九、未来人才画像：专家型通才

最后，我们来聊聊更长远的视角。

AI时代最值钱的能力，不是精通某一门语言，而是一个听起来有点矛盾的词——专家型通才（Expert Generalist）。

什么意思呢？就是既广又深。

这种人有四个特征

跨领域发现模式：能看到不同技术领域底层的共同规律，举一反三是本能

第一性原理思维：遇到陌生问题能快速抓住本质，不被表象迷惑

全局视野：当系统出问题时，能看到完整图景，而不是只见树木不见森林

善用AI填补空白：不要求自己什么都懂，但要知道怎么用AI快速补齐知识短板

大语言模型让专家型通才的价值倍增。就像钢铁侠的Jarvis外骨骼，让一个本就具有广泛知识和判断力的人，在各个领域都能表现得像超级英雄。

大学是最好的广的阶段，不要只盯着某一门课、某一种语言，多接触不同领域，培养跨学科的思维模式，同时打好基础——数据结构、算法、操作系统、网络——这些第一性原理知识永远不过时。

写在最后

AI编程不是魔法，是工程学。理解它的底层逻辑，在限制中寻找最佳实践，这本身就是一种能力。

而这个AI还有很多限制的阶段，恰恰是你最大的机会窗口。

什么意思呢？

当AI完美无缺的时候，所有人都能零门槛使用，你的优势在哪里？恰恰是在AI还不够完美的时候，那些愿意深入理解它、积极实践的人，才能积累起真正的认知壁垒。

等到AI能力进一步释放的时候，这些人会获得最大的杠杆效应。

所以，去实验，去失败，去学习。像学乐器一样学习AI。

这个过程本身，就是价值所在。