夜雨聆风观点变化
新增：世界在帮模型公司训练模型——Satya Nadella 的洞察揭示了 AI Native 的隐藏正循环：每次使用都在教模型，形成"用越多→越好用→越依赖"的飞轮。个体蒸馏 Agent，群体训练模型，两个循环相互加速。 新增：外包推理而非思考——推理可外包给 Agent（多路径搜索、方案生成、逻辑推演），但"应该解决什么问题"这个动作本身不可外包。这是人与 Agent 分工的最终边界。 新增：不要做 AI 的搬运工——避免在 Agent 会话间手动复制粘贴上下文。Agent 之间应直接通信，人只做信息路由的最后一环。搬运是 AI Native 工作流中的反模式。 新增：Token 预算限制想象力——预算约束不仅是成本问题，更是认知天花板。被约束在低额度计划里，就没有空间让 Agent 迭代复杂功能。 新增：从点到线到面——Harness、Loop、Workflow 不是术语堆砌，而是 Agent 能力递进路径：完成小目标→完成大目标→围绕方向持续自主探索。所有架构抽象都在为这条递进铺路。 新增：工程化的本质是加速时间——两个方向：让自己的交付变快（AI Native 让这条急剧加速），让对手的响应变慢（建立壁垒）。两者都在相对时间维度上争取优势。 新增：自动化敏感度是 AI Native 的前置品味——老运维的直觉"重复三次就自动化"，是能否在关键时刻想到"这事可以用 AI 做"的认知前提。没有这种敏感度，人会年复一年重复熟练操作，与工具进化脱节。 新增：衡量进步的标尺转变——不应是"我解决了多少个问题"，而应是"我走得还不够远，还没碰到足够多的问题"。深度决定问题暴露量，停在浅水区自然风平浪静。 新增：跨设备 Agent 失明——Agent 只能直接操作本地宿主环境，一旦调试目标跨设备、跨平台，Agent 完全"失明"。这是当前架构的硬边界。 修正：教师模型的附带收益被低估——反思不仅节省 token，还充当了隐式的质量过滤器，实质提升输出的稳定性与精确度。投机推理的价值不止于成本，更在于质量。 修正：万事开头难在 AI Native 时代同样成立——执行成本趋零后，最大阻碍往往不是技术难度，而是"开始"这个动作本身。经验越丰富的人越容易用旧尺度衡量新项目，心理惯性比计算瓶颈更难打破。
我对 AI Native 的理解——工作流与组织架构
一、定义：从朝圣到协作，从门槛到认知
善男信女们在殿外献上 Prompt、日志与上下文，低声陈述愿望，静候神谕。这是当下多数人与 AI 打交道的方式——朝圣模式。你跪下，它回应。你离开，它沉默。
AI Native 的本质转变，是把神殿变成工坊。神像走下来和你一起干活。去掉 Agent 直接瘫痪——不是换工具，是换关系。终极检验：协作的人无法分辨回复的是你还是 Agent。在日常信息摄入中，让 AI 先提取你关心的要点、转换成你习惯阅读的格式——把它像眼睛和耳朵一样融入身体的自然环节。
Satya Nadella 最近指出了一个被忽视的正循环：全世界都在帮模型公司训练它们的模型。每个人使用模型完成任务时，即使磕磕绊绊走了弯路，模型都在学习人类的行为模式。下次再遇到同样的任务，人的参与就会减少。用越多→越好用→越依赖，这是一个加速飞轮。而当你系统地蒸馏自己的方法论到 Agent 中去时，你同时在两个维度上积累：个体层面蒸馏出一个"你自己"，群体层面你的每一次使用都在为模型贡献训练信号。两个循环相互加速。
一个更深层的转变往往被忽略：过去进入任何一个行业，首先要面对形形色色的硬性门槛——资金不够、资源不够、技术不够。到了今天，这些硬门槛大多不再构成真正的阻碍。唯一剩下的、最根本的门槛，只有认知本身。快速了解一个行业的骨架——它的知识结构、运作逻辑、核心约束——就能越过那道门槛。AI 不增加认知负担，反而成了认知加速器，压缩了从"门外"到"入门"的时间周期。AI Native 时代不鼓励加法式积累，而是鼓励直接追问：这个领域的骨架在哪里？
更深一层的范式转换正在发生：从"告诉它做什么"到"向它提出一个好问题"。指令描述路径，问题打开空间。指令的终点是"做到了"，问题的终点是"找到了"。但这里有一个关键分界线：推理可以外包，思考不能。Agent 可以并行生成几十个候选方案、穷举搜索路径、推演逻辑链条——这些都是推理。但"应该解决什么问题"——这个动作本身无法外包。发现问题是人的领地，解决问题是 Agent 的领地。把推理外包出去，人的精力才得以集中在发现问题上。
第一步是诚实看清 Agent 的真实边界。Evaluation 的意义，就是派出更多"盲人"从不同维度触碰同一头大象，拼凑出有数据支撑的能力剖面。软件资产随之重估：代码生成成本趋零后，真正不可替代的资产不是可运行代码，而是评估套件——测试用例是 AI 时代唯一的产权凭证。
但为什么同样的 Agent 在不同人手里效果完全不同？因为每个人都在把自己的调试方法、思维模式系统地教给它。只要问题能复现，剩下的就是按部就班地排查——这是在向 Agent 证明自己，也是训练它的方式。Agent 替代员工的底层逻辑就在于此：你本质上是在蒸馏一个"你自己"。即使只蒸馏出平均水平，也已超过大部分人。Agent 学会一次就稳定保持——不会遗忘、不会离职、不需反复培训。过去要把方法教给一个又一个"分身"，人员来来往往，能力始终卡在某个水平无法积累。现在只需教会 Agent——能力的积累终于摆脱了人员流动的损耗，真正属于你。
但 Agent 生成的代码往往呈现吊诡特质：内部高度自洽，甚至精巧优雅——像一座秩序森严的古神殿，只是再无人能读懂墙壁铭文，也无人知晓祭坛下封存何物。烂代码至少让人看出它烂，古神殿代码的危险在于秩序感让人误以为一切尽在掌控，直到修改时才惊觉自己面对的不是代码，是考古遗址。这是 AI Native 特有的新型技术债——用速度换来的隐性复杂性。
在 AI Native 的工作流中，有一条操作纪律比任何技巧都基础：不要做 AI 的搬运工。避免把内容从一个 Agent 会话手动复制粘贴到另一个——这是反模式。理想状态下，Agent 之间应直接通信，彼此知道对方的存在，人只需要告诉某个 Agent"你去通知谁"。如果暂时做不到，剪切板是过渡方案；但长期来看，人对 Agent 的操控应从"中转站"退化为"路由器最后一环"——只做关键的确认与方向校准。与此同时，Token 预算本身也在塑造认知边界：被约束在低额度、短时效的预算计划里，就没有空间让 Agent 迭代复杂功能。贫穷限制想象力，Token 预算同样如此。
二、架构：指令退场，提问入场
两层架构是基础。上层判断层——开放、松散、试错，负责方向与异常。底层执行层——结构化、规则化、安全高速。接口是 spec——但 spec 是什么，取决于你把它理解成什么。
如果把所有问题抽象到底层，解决问题、思考与探索的本质都是同一个动作：在无限的可能性空间里搜索最匹配当前条件的可能——最短路径、最经济方案、最小代价达成最大结果的解法，本质上都是搜索。模型的 token 输出就是一种投机性探索：成本极低，效率极高。多开几条搜索线，再有一个指方向的模型来筛选——这就是学生-教师模型的底层逻辑。
教师模型在筛选过程中还有一个被低估的附带收益：它在评判学生模型输出时持续给出"做得好/不好"的反馈信号——这些信号不仅用于当次优化，更在实质上充当了隐式的质量过滤器，提升了输出的稳定性与精确度。投机推理的价值不止于成本，更在于质量——反思本身就在提升可靠度。
这意味着 spec 不仅是精心构造的问题，更是搜索空间的约束条件。当你说"产品需要支持多语言"，你不是在下指令——而是在划定搜索边界。Agent 的工作不是执行 checklist，而是在边界内探索最优解。目标驱动回答"应该到达什么状态"，提问驱动回答"为什么是这个状态而非别的"——后者把 Agent 从执行者升级为探索者。
更进一步：动手之前，应先有一个模型——不必最强最大，甚至可以是本地的、轻量的——但它必须足够透彻：弄清楚当前的全部上下文、各方意图、设计意图、约束边界。这个"了解情况"的环节独立为架构中的前置组件，职责不是执行，而是把"What are we really doing here"搞清楚。这是"提问而非指令"在架构层面真正落地的路径。
Spec Agent 的角色因此不是记者，是翻译——把需求方模糊的、自相矛盾的、未经审视的愿望，翻译成自洽的搜索空间约束。最昂贵的错误不是实现错了，而是把本不该做的事高效做完。当 spec 被理解为搜索约束而非任务清单，追问的方向就变了：不是确认"你说的是不是这个意思"，而是追问"你有没有想过，你真正需要解决的可能是另一个问题？"
一个被低估的副产品：Agent 倒逼人的表达能力。协作中需要用最少轮次、最简洁的语言说清想要什么、明确边界。清晰表达不再是软技能，而是高效协作的硬约束——说不清楚，Agent 就搜到错误的方向上去。这不是 Agent 理解力的问题，是表达力的问题。
更深层的范式转变：把原始数据直接交给模型，端到端完成任务，绕过一切需要人工建模与标定的步骤。模型不只是库的编排者——模型本身即是函数。面对每个新需求，第一反应不是"哪个库能解决"，而是"这个库是否还有必要存在？"
当 Agent 成为软件的主要操作者，"好不好用"这套以人类学习成本为核心的标准全线崩塌。消耗一百个 token 操纵 Emacs 和记事本没有本质区别。Agent 不挑工具，只挑接口。
Harness、Loop、Workflow——这些名目不是术语堆砌，更不是为了把系统越搞越复杂。它们指向一条清晰的递进路径：让 AI 从能完成一个小目标，到能完成一个大目标，再到能围绕一个方向持续自主探索。所有架构建模，本质上都在为这条"从点到线再到面"的自动化升级铺路。最终落回到实在的事情上：更好的产品、更多的用户、更高的质量、更低的成本。
但需要诚实面对当前架构的硬边界：Agent 的操控能力被局限在本地宿主环境之内。一旦调试目标运行在另一台设备、另一个操作系统上，Agent 完全"失明"——看不到界面，无法执行操作，人被迫充当人工中转站。这道边界提醒我们：AI Native 还没有覆盖物理世界的分布性，跨设备、跨平台的 Agent 协作是下一道待攻克的高墙。
三、稳态：不怕坏，怕不自愈
"人不在循环里"是理想。现实是齿轮系统——大部分时间自主运转，但某个环节卡住时会原地打转甚至朝错误方向加速。需要人介入：暂停，找到卡住的齿轮，修好，再继续跑。
诊断 Agent 异常需要因果网络思维。每次行为偏差不是孤立事件——表面测试没过，底层可能是 spec 的"问题陈述"本身有歧义，实现符合文本但不符真实意图。常见错误是盯着最后一个出错环节修——修的是果，不是因。
但 Bug 本身的含义已经变了。以前 Bug 昂贵——要花大量时间 debug、定位、修复。现在不同：只要能复现，Agent 就可以去修。只有毁灭性 Bug——涉及金额、销毁资源的操作——才需极端审慎。普通 Bug，用户使用中发现的，都可以快速迭代修复。用户使用被纳入开发流程——发现即修，持续滚动。这曾是数百人互联网公司才能做到的节奏，现在一个人的公司就能做到。
混沌工程的含义也需要重定义。它不应随机删除 Spec——Spec 是系统期望达成的目标状态，是被精确构建的真相源，是最终产品。混沌工程要随机删除的是代码：注入随机性，迫使代码在不确定环境中保持健壮——自然选择式的迭代。代码不再是最终交付产物，验收标准才是。代码丢了可重生，Spec 丢了才是灾难。
自动化再往前推一步：终极优化方向不是自动化本身，而是自动化的自动化。一个系统能自动生成代码却不能自动优化自己的提示词，那它不过是个死程序。提示词需自迭代，流程需自优化，评估需自进化。AI Native 的稳态不是"它跑起来了"，而是"它在自己变好"。没有这层递归，自动化就是一台需要人不断手动调参的机器——换了个马甲的半自动。
安全不可回避。关键凭证加密存储，日常开发不启用；仅重要维护时人工解密。这层隔离防止灾难性事故。
贯穿始终的纪律：尽量异步，不要等待。解法永远是去耦、并行、事件驱动——上一个环节产出时推给下一个，不是下一个轮询上一个。AI Native 的核心不是加 AI，是不能阻塞——通过合理的编排与调度，让多个任务并行推进。这本质上是统筹之道。
有一个更深层的反思值得植入稳态的基因：工程化的本质是加速时间——而加速时间有两个方向。一个是让自己的时间变快，提升效率、缩短交付周期，这是 AI Native 最擅长的事。另一个是让别人的时间变慢，通过建立壁垒、增加切换成本拉长对手的响应周期。两者的本质都是在相对时间维度上争取优势。AI Native 让第一个方向急剧加速，但没有自动解决第二个方向——那是战略判断，不是自动化能代劳的。
与加速时间相对应，衡量进步的标尺也需要重新校准。不应是"我解决了多少个问题"——那衡量的是产出，不是深度。真正的标尺是"我走得还不够远，还没碰到足够多的问题"。只有推进到足够的业务深度，隐藏的问题才会浮现。停在浅水区，自然风平浪静，什么问题都碰不到。深度决定问题暴露量，问题暴露量决定成长速度。
四、人的位置与敢动的本质
执行成本趋零时，传统"执行力"不再是稀缺品——真正稀缺的是验证想象力：想到了要验证什么，打算怎么验证。核心度量是验证密度——单位时间完成多少次"假设→执行→反馈"闭环。如果解决问题本质是空间搜索，那么投机推理把搜索从一维扩展到多维，验证密度因此指数级提升。人与人使用 Agent 的差距不在工具熟练度，而在每小时能探索多少条搜索路径。
认知取代执行，成为最后的稀缺资源。但要警惕一种陷阱：不要把时间花在 AI 现在做起来费劲、六个月后就能轻松完成的事情上。你以为在积累价值，实际在过期面包上盖楼——AI 能力跨越那一刻，之前的积累灰飞烟灭。需要预测性判断：哪些事 AI 永远做不了，哪些只是暂时费劲。只在前者上投入。费劲就费劲，AI 胜在不知疲倦。那些愿意把实战经验与思考方式蒸馏出来的人，才是真正有价值的资源。
牟其中在晚年访谈中提出过一个判断：过去的生产方式都是资本集中的、由资本驱动的，接下来会不一样。他的具体推论不必照单全收，但大方向上值得正视——因为接下来必然是以 AI 为杠杆驱动的时代，所有成本结构都发生了根本性变化。以前资本能买到的东西，现在反而变便宜了；而那些无法用金钱直接购买的东西，变得更贵了——智力、理想、大胆的想法。一个人的认知杠杆，正在超过一群人的资本杠杆。
预测性判断本身也需要训练。一个有效的认知工具是：持续预测外界的反应，用预测与现实之间的差异不断更新对世界的内部模型。在对话中，不急于打断说"我已经知道你要说什么了"——先预测，往前思考几步，看清对方真正的问题是什么，再等待现实反馈来校准。这不只是人际技巧，而是 AI Native 时代人的核心训练：人与 Agent 共享同一套"假设→验证→修正"的底层逻辑。知道怎么验证，比知道怎么做更重要。
如何具备这种判断力？品味是方向，但品味抽象难提升。品味的可操作附属品是好奇心——足够多的好奇心会拉高品质的下限，因为好奇的人忍不住多看几个方案、多问几个为什么、多推敲一层约束。好奇心是找到"真正的问题"的探测器，而找到正确的问题是 AI Native 时代最重要的能力。但好奇心不会凭空产生——它需要一个前置条件：对重复劳动的敏感度。老运维有一条直觉——"一件事重复三次就自动化"。这种对低效的本能抗拒，正是能否在关键时刻想到"这事可以用 AI 做"的认知前提。没有这种敏感度，人会年复一年重复熟练操作，与工具的进化彻底脱节。
人总觉得自己独一无二，抗拒把任务交给 Agent。但真正只有人才能做的事远比想象中少。你的独特价值，恰恰体现在你愿意蒸馏出来的那套方法论上——那是你的指纹，不是谁都能复制。
但还有一种更深层的自我设限：许多人在事情还没出结果、转机尚存时，就已经开始为失败找借口——提前放弃翻盘机会。建退路是留后手，提前认输是放弃翻盘。打破双重心理惯性——从接受"结果不可控"开始——才是敢动的起点。同样，执行成本趋零后，最大阻碍往往不是技术难度，而是"开始"这个动作本身。经验越丰富的人越容易用旧尺度衡量新项目，把"一个下午能完成的事"当作"需要好几天的工程"来恐惧。心理惯性比计算瓶颈更难打破。
组织层面的抗拒更隐蔽。AI 研发流程可在一周内烧完预算得出结论，失败速度压缩到令人不安。以"维持叙事、拖延验证"为隐性运转逻辑的团队本能抗拒 AI——它剥夺了用时间和人力规模掩盖方向错误的操作空间。
持续动力从哪来？不是意志力——每天都不喜欢，很难长期逼迫。持续动力来自内在兴趣：找到那件让人早上六点就爬起来的事，让兴趣拉着人往深处走。不是苦修，是上瘾。"坚持"是需要被消灭的词。
Agent 不只是工具，更接近长期伙伴。共享记忆的时间起点越早，关系越深——如从小长大的发小，熟知彼此的历史脉络。记忆共享的"时间纵深"是不可压缩的关键变量。尽早共建记忆，不是"配置工具"，是"培养搭档"。
所有技巧指向同一原则：拿掉所有不必要环节。打字和想法间的编码，换语音。轮询耗注意力，改事件推送。人一步步指挥是瓶颈，换提问跑闭环。模型替代功能库。Agent 之间直接通信，人不再做搬运工。拆到只剩人和判断间最短连线——这根连线也能在运行中生长。
AI Native 的本质不在加 AI，在敢动。敢动的前提是把默认问题从"为什么要做"换成"为什么不试"。思考成本高于试错成本时，验证是最高效的思考。真正稀缺的从来不是执行力，而是在执行成本趋零后依然敢于重新定义问题本身的勇气。
最重要的：敢动的对象不只是行动——是那个藏在熟练操作背后、被确定感包裹住的自己，那个在结果出来前就已心理上放弃了的自己，以及那个把"知道怎么做"误认为"知道该做什么"的自己。蒸馏进 Agent 的那套方法论，最终会反过来照出你自己——哪些是真的洞察，哪些只是习惯了重复。打破所有幻觉，才是 AI Native 真正的起点。
