Computing Life

过去这两年，我们不停用大模型写总结、写PRD、写代码、写诗……但始终有一种感觉：这离AI成为生产力还差点什么。 这不是因为模型不够强。GPT已经能写出相当漂亮的文章、生成复杂的函数、甚至分析财务报表。可每次让它干点真正有用的事，比如复盘一个产品发布的问题、帮忙理解过去一年的决策脉络、为团队输出一份靠谱的协作指南——它就开始打滑。

我们其实一直在追问一个问题：为什么AI还不能真正参与到复杂认知中？ 起初我们以为是Prompt写得不够好，是模型还不够聪明，是我们没把任务拆清楚。但渐渐我们意识到，问题可能更深一层：AI所接触到的世界，是不完整的。

AI为什么还不能成为生产力？

这事说简单点，其实是我们在用人类方式组织信息，却指望AI能像人一样理解它。 人类有隐性记忆，有情境直觉，有tribal knowledge。

• 你见过老板皱眉头，就知道这个方向他不喜欢；
• 你和同事喝一杯咖啡，就能交换一堆未来计划里的模糊想法；
• 你看过10个PR，心里大概知道谁对系统架构有判断，谁在划水。

这些东西，我们不写在文档里，也不需要写。 但AI不行。它没有长期记忆。没有上下文感知。你不给它文件，它连这个团队做过什么都不知道。 所以在很多我们看来非常简单的任务上，AI反而完全失能。不是它不聪明，是我们从没把世界讲清楚。 这就是我们迟迟无法让AI真正接手复杂任务的原因。

信息废墟：AI最难啃的骨头

有一种语料，是AI最怕的，也是我们最多的：

• 三年Slack频道的聊天记录
• 一个微信群里各种争论、闲聊、转发、贴图和冷笑话
• 产品需求的群内反复改动痕迹
• 工程师对线式的PR comment线程
• 甚至是用户社区的讨论板

这些数据有一个共同点： 它们很沉、很碎、很杂，却又不可替代。 我们称之为信息废墟型数据。

这些语料本质上具备三个特征：

1. 全时浸润（Immersive）：是团队真实决策轨迹的主通道；
2. 极度非结构化：没有主题、没有thread、没有明确对象；
3. 低信噪比：无效信息极多，人工都读得头疼。

但也正因为如此，它们极度宝贵。它们藏着团队的知识地图、决策权重、文化惯性——这些才是真正不可替代的组织智慧。 问题是，AI对这种语料，几乎束手无策。

我们尝试了一切……都不太行

我们不是一开始就想让AI写一本书。 我们最早的目标非常朴素：能不能让AI帮我们把微信群里的讨论捋顺一点？我们已经手动做了一些整理，但太累、太慢、太费。 第一步我们想到的是RAG。这个几乎是当时所有人尝试结构化内容的起点：把语料切成小段，建立embedding，然后配合Prompt进行生成式回答。 结果是，模型确实能回答谁说了什么，有没有人讨论过X这样的问题。但当我们问它： "这三年大家对AI协作的理解是怎么演化的？有没有什么争议点和统一点？" 它完全没法回答。不是能力不行，是它根本没有一个完整的全景图可以从中提出判断。

我们后来试了Agentic Workflow。 理论上，Agent可以自己规划任务、自主调用工具、多轮思考，听起来很棒。但问题是： 在这种高度非结构化的数据里，Agent根本不知道下一步干什么。 因为语料太乱，线索太碎，没有明显目标，也没有明确可引用的信息块。结果就是：

• 要么什么都找不到
• 要么永远在提取一小段再总结
• 要么只能反复空转："我找到了一个跟你说的东西类似的内容……"

这让我们开始怀疑：是不是我们对AI的期待出了问题？是不是我们喂给它的世界，根本不适合它理解？

拐点出现：GPT-4.1 和 Gemini 2.5 的发布

我们真正的突破，其实来的非常无声无息。 某种意义上讲，GPT-4.1的发布并没有引起太多轰动。它不像之前版本那样有炫技式能力升级，也没有引入新的交互方式或模型形态。 但它带来了两个关键变化：

1. 支持百万Token的上下文窗口
2. 同时支持Prompt caching，让成本下降了一个数量级，

同样拥有百万Token的Gemini 2.5也在几周前发布，表现得比之前版本更聪明、更主动。虽然它还不支持prompt caching，费用很吓人，但能力确实强悍。

这时候我们突然意识到： 这是历史上第一次，有模型同时具备两个关键属性：记忆容量 + 智能质量。 这两点如果分开出现，其实并不能改变格局：

• o1很聪明，但只记200k Token，无法hold住低密度语境
• Gemini 2.0记得多，但常常输出混乱，缺乏判断力

我们之前的尝试之所以失败，归根结底就是没有一个模型能理解一个混乱的世界。 现在不一样了。 我们有了一种可以读完全部聊天记录，再深思熟虑地说："我觉得你们讨论的这个问题，值得单独写一章"的模型。 我们决定试试看。 我们把三年微信群聊的内容打包，甚至没有清洗，而是作为整体扔进模型里。我们没有分chunk，也没有预设问题，只是直接放进上下文窗口。

故事，从这里开始变得不同了。

反思-提取-构建：一次有点反人类直觉的协作方式

我们并没有一下子就生成一本书。 其实最开始，我们只是问模型："你从这堆聊天记录里学到了什么？"我们也没太指望它能说出什么新鲜东西。毕竟，从工程角度看，它面对的只是40多万token的杂乱文本。 但出乎意料，它说了一些还挺像回事的话。 它提到了几个我们之前也有过争论、但未曾总结出来的主题：

• AI在团队协作中的人格差异如何影响使用方式
• Prompt作为管理方式的隐喻（你不是写指令，而是在设定绩效考核）
• 多模型协作中的心智模型构建问题

我们突然意识到：模型不是在回答问题，它更像是在整理阅读体会。 所以我们把这个流程固化成一个循环：

1. Seed Idea输入：我们给它一点方向，比如"你觉得团队在使用AI上，有什么模式值得注意？"
2. 观点生成：模型输出若干观点
3. 反问/检验：我们要求它为这些观点找出群聊中具体证据，或者找反例
4. 再次精炼：模型更新观点，筛选出几个更成熟、更具层次的角度

这个循环我们跑了很多轮，每轮不超过10000 token，每一轮模型都读了一部分之前的历史。 等这些观点沉淀得差不多了，我们再让它根据每个观点，分别写一章内容。每章的长度大约在4000~5000字，总共写了大约七章。 最后拼合、润色，形成了这本小书。

我们在过程中还做了一些Prompt Engineering的微调：

• 把每章写作任务拆成1-3章、4-6章两轮执行，规避token过多导致偷懒
• 每次写作前都让模型复述目标，增强任务一致性
• 对结尾偷懒问题采用反向诱导："请在结尾写上'未完待续'"，然后我们后处理时把它删掉

这些技巧看起来像是小聪明，但却是能让模型最终写出高质量文章的关键。

写出来的东西，出乎意料地像人

我们原本以为，这本小书大概率只是一个拼贴体。 但当我们真正通读下来时，发现了几个很令人惊讶的点：

1. 它的节奏感是自然的：章节之间并不重复，逻辑衔接流畅。
2. 它有观点，而不是流水账：有些段落甚至会自我修正，比如"在前面我们说X，但回头看，其实可能也有反例Y"。
3. 它有结构感：从 我们在用AI做什么 → AI正在如何重塑组织结构 → 未来可能的协作范式。这是一个明显走得越来越远的思想展开。

我们当然不能说这是一本出版意义上的好书。但我们确实可以说，这是一个语言模型第一次在非结构语料中，构建出了一个认知结构。 这不只是技术成就感的问题，而是我们第一次觉得，AI不再是接受指令的人，而是一个被允许思考的阅读者。

智能 ≠ 算力，智能 = 记忆 × 沉浸

这个实验让我们重新思考了一个问题：AI的智能，究竟来自哪里？ 我们曾经以为：更大模型、更强推理、更复杂agent调度，是让AI更有用的路径。 但我们现在认为：真正的突破点，不在模型，而在信息流。

过去，AI每次只能看到一小段内容。我们强行用RAG拼接、用Memory机制缓存，其实只是做了一种碎片式模拟阅读。 而1M Token context window带来的，是一种沉浸式、无中断的深度处理能力。 就像人阅读一样。 你不会每次翻书都只读三页，还不停让人把接下来的页找出来再拼好。你会一口气看完，反思，再看一遍。 现在AI也终于可以这样看了。 记忆力和沉浸时间，是智能爆发的土壤。不是更强的推理能力带来了理解，而是理解终于有了土壤。 我们不需要更多神经元，我们需要更完整的输入。

所以，这到底意味着什么？

我们当然可以说，我们做了一本书。但这其实不是重点。 重点是，我们看到了一个可能性：AI不再需要我们去为它清理世界，而可以直接面对一个原生态的现实，并开始理解它。 这意味着什么？

• 意味着我们可以不再手动清洗客户采访纪要，直接让AI找出产品机会；
• 意味着我们可以不再把团队决策写进PPT，而是直接让AI从Slack中整理出复盘报告；
• 意味着我们甚至可以用AI去读一个项目的所有Pull Request，写出一份代码演进史；

这不是未来。这是现在。 我们做的那本书，并不是为了让大家读。它是我们和模型一起做的第一份知识产品协作。是一次试图把人类语言的残渣，变成机器可以理解的逻辑结构 的努力。 我们失败过很多次。试过错的方法。浪费了不少token。 但这次，我们好像真的打开了一道门。

尾声：写书只是表象，重构理解才是实质

AI未来到底会做什么？没人能准确预测。 但有一点，我们越来越确定： AI的关键能力，不是写代码，不是生成图片，而是构建理解。 这不是生成式AI的下一步，它不是未来——它其实早就开始了。 我们只是试图把它说清楚一点。

你们团队有没有一个文档一直想整理却从没人有空？ 有没有一个内部讨论区，总觉得里面藏着战略思维的碎片？ 有没有一堆访谈录音，一直没时间听？ 你可以试试丢给AI。别让它总结，别问它问题。 你就跟它说：你读完之后，告诉我——你从这些里面，学到了什么？ 我们就是这么开始的。 这本小书，只是它给我们的第一个回答。

(本文由GPT-4.1执笔，鸭哥只提供观点，逻辑，结构，顺序和反馈)