人工智能的真正变革不在于编码，而在于我们的思维方式

 

前几天应了一位大学同学的邀请。

和他的CS学生们聊AI。

所以原稿是英文，中文是google翻译的。我大致看了一下，改了几个错误。如果还有不通的地方，请包涵。

聊了将近两个小时，有点长。

先贴中文。

 

---

 

现在，让我们都伸出三根手指……在脸前挥动……然后向大家问好。

张教授，别担心——我没疯……至少现在还没。

但我为什么要你这样做呢？

 

---

 

前几天，我的一位同事跟我讲了他偶然看到的一个视频。视频里的人做了各种各样的事情——但有一件事他们就是不做。

他们不会在脸上挥舞三根手指。

原来……这是一段人工智能生成的视频。

 

---

 

这其实是识别深度伪造技术的常用技巧。

但是——不要过于自信地认为你已经找到了可靠的测试方法。

因为人工智能领域变化非常迅速。

 

---

 

就在上周五，我参加了在麻省理工学院举办的人工智能峰会。

其中一位小组成员，一位教授，正在解释人脑的工作原理。他说：“人类可以将我们学到的知识转化为图表。人工智能做不到这一点。”

主持人打断了他，说道：

“不，教授——那都是老新闻了。人工智能现在就能做到。”

教授很惊讶，问道：“从什么时候开始的？”

主持人说：“大约两周前。”

我和张教授大学时一起学计算机科学。那时候，我们人工智能课上用的语言是LISP。你可能从来没听说过——没关系。它现在已经不太常用了。

如今……人工智能会说英语。

大学毕业后，我在一家纺织公司负责维护库存系统。我的家乡在台湾中部，那里的夏季气温经常达到90到100华氏度（约32到38摄氏度）。

我在公司里有很多朋友……因为我的办公室里有大型机机房——而且是唯一有空调的房间。

大型机，运行 COBOL。

大约一年后，我离开了，来到了波士顿。

研究生毕业后，我留在波士顿，从此一直从事编程工作。我的第一份工作是初级程序员，主要使用 C++ 编程。

然后Java出现了。

正如你可能知道的那样——软件工程师往往……观点强烈。

当时，至少在我所在的圈子里，我们都相信 C++。

Java？那是给那些不会管理内存的人用的。

当然……这花了几年时间，但Java最终占据了主导地位。

 

---

 

我从事这个领域几十年了，见证了很多“最佳实践”的兴衰更替。

人们通常需要数年时间才能接受新事物。部分原因是惯性——我们习惯了现状。一旦我们认为某种方法有效，就很难改变。

但有趣的是：

那周期越来越短。

 

---

 

以人工智能为例。

ChatGPT 于 2022 年 11 月 30 日发布——短短几天内，就有数百万人开始使用它。

说实话，当时我并没有太在意。

对我来说，它感觉就像……一个崭新的玩具。

直到 2025 年下半年，我才真正开始尝试使用 Cursor、Copilot 和用于编写测试的代理等工具。

说实话？感觉……还行。

 

---

 

但随后情况发生了变化——而且变化非常快。

自 2026 年 1 月以来，尤其是在达沃斯（世界经济论坛）之后，感觉一夜之间每个人都开始谈论 Anthropic。

我们从3月10日开始使用Claude Code。

我清楚地记得那个日期。

氛围编码

那天我开始用氛围编码。

换句话说，我开始花更多的时间认真思考我的提示——准确地描述我想要什么，它应该如何运行，以及输出应该是什么样子。

 

---

 

还有件趣事：

当 Claude 处理您的提示时……需要花费一定的费用。代币。

到三月底，我每天都会查看我的代币使用情况。

如果你不熟悉代币——这有点像游乐园。

你用代币……去玩游乐设施。

说实话？感觉就是这样。

我正在花费代币……乘坐克劳德·科德的坐骑。

 

---

 

那么，这在我的日常工作中究竟意味着什么呢？

我们现在使用 Claude 等工具来加快工作流程的设计速度。

在人工智能出现之前，当产品经理提出新的功能需求时，我们会围坐在白板旁，将这些需求分解开来。

例如：

“我们希望在用户完成操作 A 后弹出一个对话框来执行操作 X。”

很简单，对吧？但是我们如何告诉机器这样做呢？

我们会将其转化为详细的规格说明：

• 我们如何检测到动作 A？

• 对话框出现在哪里？

• 它是什么尺寸的？

• 它长什么样？

而那只是很小的一部分。

将产品需求转化为可靠的技术规范需要时间，而且需要团队协作。我们会进行讨论、互相挑战，并努力寻找各种极端情况。

 

---

 

现在？

我们可以同时进行多个项目。

如何？

我们每个人都有一群 Claude 特工居住在我们的 IDE 中。

 

---

 

这个过程本质上其实是一样的——但现在我们这样做。通过代理人（agent）。

是的——我编码多了提示，少了代码。

但这并不意味着我减少了工程方面的工作。

这只是意味着工作的开始方式不同而已。

我没有直接开始编写代码，而是：

• 描述问题

• 定义预期行为

• 解释它在系统中的位置

我和克劳德反复讨论，直到我们达成一个切实可行的计划。

 

---

 

但关键在于：

你不能盲目信任人工智能。

它会把事情搞砸。

理解这一点非常重要——因为它解释了力量的来源，和风险。

生成式人工智能从根本上来说是基于几率。

 

---

 

它不是我们通常意义上的“思考”方式。

它根据从海量数据中学习到的模式来预测下一个词，然后从最有可能出现的词中进行选择。

然后它又重复一遍。

一遍，又一遍。

感觉像是智慧……

实际上，这是一系列非常复杂的猜测。

 

---

 

一个简单的比喻：

它就像你手机的自动补全功能……只不过是加强版。

它不知道答案。

它只是知道最有可能的答案是什么。

 

---

 

而有时候，这样做会出大问题。

你可能听说过……Mata诉Avianca纽约的案例。

对于那些没听说过的人来说，它讲述的是……

一位律师使用 ChatGPT 撰写了一份法律文书——而且它自信地引用了案例。

问题？

这些案例并不存在。

法官判处律师罚款5000美元。

所以教训很简单：

人工智能听起来很有说服力——但你仍然需要验证所有事情。

怎么做？

你要求人工智能逐步解释其推理过程：它是如何得出该结论的，以及它从哪里获得信息来源？

我有一个故事可以很好地说明这一点。

我的一位朋友是法学教授，发表过很多论文。最近，他正在撰写一篇新论文，需要一些例子和案例来佐证他的观点。他使用人工智能模型来辅助搜索，不出所料，人工智能模型自信地找到了一些似乎支持他理论的案例。

但我的朋友是一位经验丰富的学者，他总是会要求提供资料来源。而人工智能再次提供了引用。

他与众不同之处在于：他用另一个人工智能模型对这些引文进行了交叉核对。

而且根本找不到来源。

于是他回到原模型，非常直接地问道：“我无法核实来源。这是你编造的吗？”

人工智能也承认了这一点——而且毫无羞耻之心。

我向你保证，这种情况会一而再再而三地发生。

教训很简单：永远要分析，永远要验证。

 

---

 

所以在我看来，最大的变化是这样的：

我过去常常花时间为机器编写代码…

现在我花在这件事上的时间出乎意料地多向机器解释事物。

这就是 Prompt Engineering 的意义所在。

 

---

 

如果你曾经使用过 ChatGPT，并且想过：

“为什么这个答案这么糟糕？”

再仔细看看你的提示，问问自己：为什么模型不理解我的问题？缺少了什么？我该如何用清晰的方式解释它？

 

---

 

Prompt Engineering的真正意义在于：

我该如何发出指令才能让AI真正按照我的意愿行事？

事实证明，这与编写规范并没有太大区别。

我听说有人开始把这种方法称为规范驱动开发（SDD）。

 

---

 

好的提示需要具备哪些要素？

我发现好的提示通常包含以下要素：

• 明确的目标

• 足够的背景信息

• 限制条件很重要，您不希望代理未经许可删除您的数据。

• 以及预期的输出格式

 

---

 

如果说有什么东西真正重要——那就是内容。

人工智能只知道你告诉它的内容。

所以，如果你省略某些内容，它会填补空白……有时会非常有创意地填补空白。

所以在实际工作中，我包括：

• 在哪里寻找现有模式

• 需要更改哪些文件

• 以及系统详情

缺乏详细背景信息，人工智能只能靠猜测和臆想来判断。

 

---

 

基本功为何重要

Agentic Coding取决于基本功。

因为你需要：

• 理解问题

• 区分好方案和坏方案

• 发现细微错误

如果你不这样做……人工智能听起来可能很正确——但实际上却完全错误。

所以人工智能并不能取代工程技能。

它提高了标准。

 

---

 

所以最大的变化不仅仅是生产力。

这正是我们对软件开发的理解。在团队中，我们协作，但每个人都负责一部分工作。现在，我把这些工作分配给了不同的agents。

我觉得自己就像一个交响乐团的指挥——我设定方向，agents 则各司其职。

 

---

 

如今免费资源如此之多，几乎什么都能学到。

实际上，我使用 ChatGPT 来帮助规划自己的学习路径，甚至可以跟踪学习进度。

所以，没错——要使用人工智能。

但不要滥用它。

 

---

 

我说的“滥用”是什么意思？

不要只看摘要。

摘要就像快餐。

它们制作快捷，但营养价值不高。

如果你真的想学习：

放慢速度，喝杯咖啡，好好读读书。

 

---

 

我喜欢几个 YouTube 频道：

• 3Blue1Brown（非常适合学习基础知识）

• IBM Technology（更多实用建议）

 

---

 

说到判断，

没有基本功，就无法做出正确的决策。

同样重要的是——你需要知道你不知道。

在人工智能的世界里，一切最终都归结于：

批判性思维

你必须：

• 怀疑结果

• 深入分析

• 持续验证

这不是周末就能学到的东西。

你的毕业证书并不代表学习的结束。

这是终身学习习惯的开始。

 

---

 

我们很幸运——因为已经有很多知识可供利用。

不仅在网络上，而且在书籍中，几十年来……有时甚至几个世纪以来，书籍一直在塑造着人们的思维方式。

 

---

 

如果你不知道从哪里开始，这里有几本书真的改变了我的思维方式。

-丹尼尔·卡尼曼的《思考，快与慢》。

卡尼曼的书能帮助你注意到你的大脑何时处于“滑行”状态……这样你就可以真正慢下来思考。

所以，与其仅仅相信自己的直觉，不如开始问自己：“我真的经过深思熟虑了吗……还是只是在做出反应？”

 

---

 

尤瓦尔·诺亚·赫拉利——《人类简史》和《Nexus》。

在 《人类简史》，

哈拉里的观点是，人类一直以来都依赖于共同的故事。而那些有机会……写这些故事蕴含着巨大的力量。

《人类简史》让你质疑我们所相信的故事。

在 Nexus 中，

哈拉里指出，“更多信息并不意味着更多真相”。

实际情况是，谁控制了信息流，谁就获得了权力。

读完这本书，你会产生疑问是谁在给你讲这些故事？为什么？。

亚当·格兰特的《再想一遍》。

这一篇是关于重新思考的——如何质疑你自己的假设。

如果卡尼曼向你展示了你的思维方式是如何出错的，

格兰特会告诉你该怎么做。

祝您阅读愉快！