关于提示词、氛围编程

前两年，AI 领域有一个很常见的“骗局”——逻辑误区：

Prompt 提示词/指令词。

尤其2022年 AIGC 生成图片、视频与生成文本的 NLP 自然语言模型、大语言模型还是分离的，

那时候“提示词”简直成了“魔法般的技术”。很多以次赚钱的立即推出各种“提示词课程”、“提示词工程师培训”。

为何不能让AI帮助生成“提示词”呢？

很简单的一个道理：AI/AGI 的进化之路，一定是让“AI越来越能理解人类”——从“自然交互”开始。

最自然的交互，就是直接理解文字（中间可以插入“语音转文字”）。

甚至进一步，人对需求的描述越来越简单。

这就是我常说的：AI 兼容人——聪明人兼容傻子。

（初学者、孩子们，不要依赖AI而放弃实践、成长的机会，最后被兼容成傻子）

很无奈？但这是必然的方向。

随着23/24年以来，越来越强调多模态的组合甚至从底层的融合——生成视频的模型，先经过语言模型，甚至本身就是多模态大模型，不再需要特别具体的各种指令，除了画面比例、风格等需要参数化的内容，最近SeeDance2.0就是典型的例子。

显而易见，必要的情况下，你的要求越具体、越明确，AIGC 的效果越满足你的需要。

——废话，你给人类安排工作不够具体，能满足你的期望是运气，不能满足才合理。

同理，

编程领域，所谓的“模糊的说出需求”然后去展开相对容易，因为它与生成图像、视频、音乐和小说不同

——“艺术是在一定的约束下发散”。

——产品设计和系统开发是“对笼统的需求，不断细化、明确，消除歧义后执行”。

解决这一问题的思路也很简单，我在23年写过一个 python 小工具做实验，

让AI模型在内置提示词的要求下让它一遍一遍的反复“思考”需求，尽可能“广度优先”，然后可能经过一个人类的确认，甚至讨论环节，然后再往下去分解任务，又展开去执行的过程。

模拟人类，让多个不同的“性格特点”的AI角色（提示词、RAG）互相挑战、争吵，甚至是多个不同的 AI 模型（MCP），以达到充分论证的目的。

——最后到什么程度可以进入下一步呢？

——交给人来审核、决定。

相当于是在应用层面模拟思维链，甚至“精分”。

但我很清楚的感受到：天花板永远在那里——AI不是真正理解，永远是根据统计计算的最优解。

当然，即便如此，在很长一段时间内、在大部分领域，它能带来的效率提、正收益，是显而易见的。

尤其，在产品设计尤其讨论、快速搭建原型、文档编写、测试用例的草稿等环节，往往只需简单修改，甚至是可以直接使用的。

在这个阶段，结果一定是我举的那个例子：

1个程序员只需要处理AI搞不定的问题，无论AI能力提升到什么程度，只要还需要“人”的干预：审核和决策、讨论提出意见、修正错误、在AI幻觉或者陷入死循环的时候打破僵局，那么就一定离不开人。

无非是效率高低问题：1 guy support 1000 AI NPC，还是 1 vs 100000000。

——过了那个阶段，就不需要人了。

——到时候不知道，是幸运，还是不幸。

简单分享一下25年使用 VibeCoding 的感受

很多人使用OpenCode，明显感觉接近年底的V3有了较大的效果提升（不过bug不少）

——AI没之前那么“偷懒”了，

——同时，明显体会到 token 爆炸。

显然，在“那条路上”，一步步迭代，“未来可期”。

然而，在我而言，依然是 AI 能力不足的问题——这很正常，因为我设计的是通用框架，对设计能力要求很高。

——AI 是相当不错的搭档，能够跟上我的设计思路，在很多细节上能帮我节约大量精力，而且很细心。传统情况下，要把这部分工作量分解给一般程序员是搞不定的，没个十年八年的团队经验和架构设计经验，很难跟上。
（在有的评论区会遇到设计模式、企业架构模式都不理解，没接触过的”编程爱好者“争论，都懒得理）

我一般的方法是不停引导AI深入讨论，直到基本没有明显的问题，先形成设计文档，我仔细检查、敲定，才让AI去生成代码。

但，已经不知道发生过多少次：对AI的代码，一眼发现问题，提出新的疑问，问 AI ——这样设计岂不是如何如何？如果这样是不是更好？

——AI化身马屁精，又觉得你说的有道理，应该如此，然后虚心接受。
——当然，也有钻牛角尖，死不悔改的情况：要么，它是真的遇到无法理解的部分，“来到了知识的荒漠”；要么，它甚至无法理解自己的行为是错误的，左右脑互搏。

其中有个最好笑的案例：26年以前的 Grok 的模型调优，推测是按阿三程序员性格调优的，说什么都是“你说得对，这里面的确有问题，按照这样如何如何解决。相信我，这次一定 100% 成功，你只要改了这一行，马上得到一个完美的、工业级的解决方案！”

——重复一百遍，脸皮非常厚。

偶尔，AI会陷入死循环，或者钻牛角尖，怎么都调不出来。

——只能亲自动手解决问题，然后让它对修改后的方案、代码继续讨论，跳过之前的问题。

最后，我向 AI 提了一个问题：

按照我设计的开发框架、最佳实践和约束，除了前端，80%的代码可以用模板生成。

那么，我是继续用 源代码生成器 + 模板生成，还是把这部分工作设计成 Skill（含模板）交给 AI 生成？

——不同 AI 答复：对，前者更优，稳定、可靠。

我继续问：这部分工作里，AI 的优势是“帮我写模板”？

——不同 AI 答复：没错，这正是 AI 的优势。

其实，这样的模板，一旦设计好，几乎不会变。

这就是现实。AI 擅长的部分，是那些“开放式”、“可以模糊”甚至“要求不高”的环节。

——能帮助人节约很多工作量。

至于具体的、确定的，需要可靠的部分，用传统代码生成，效率更高。

于是：优秀的开发框架、最佳实践，不需要 AI 出手，已经“淘汰”了大量程序员，吗？

——不，他们可以去做那些无法自动化的工作，扩大产出。

——除非，你所在的企业的产能过剩了。

二十年前如此，现在亦如此。

心有所感

PS：最近几个月，出于手痒，试试看在 AI 帮助下，把二十多年前的“最佳实践”+ 领域开发框架 + 分布式系统，重新设计、封装了一遍。

并用大量现有的成熟的开源项目，代替了当年手搓的一个个独立模块。

说实在的，挺爽。

只是对那些过分夸大AI能力、夸大对人尤其程序员的威胁的论调，有感而发，分享一点自己的感受。

近几年，一定会从AI辅助程序员，逐步变成少数程序员辅助大量AI开发。

要么需要人工介入调试、解决问题、低级确认和审核的工作；要么高级的引导、驱动AI去做的工作，还需要人。

——这个市场的需求如何满足？难道是某种新的岗位，如何培训有经验的程序员转岗？如何培训更低薪水的新手接替？

这也是实际的市场需求。

重点，从教育孩子的角度，尤其要注意：

• 在使用AI与依赖AI之间平衡，不要被“兼容成傻子”；

• 如何从AI手里争得成长的机会。