持续思考AI
持续结论
- 编程已死、但是核心要隔离他人AI
- OPI：一切面向提示词为接口
- 试错更快：看到+摆弄+试错=无限接近成功
thinking about AI
2026-02-27
试错更快
OK
原来见过、吃过、错过是这个意思
我们能看到的，加上我们能摆弄的，加上我们能试错的速度 决定决定了我们认知的深度和广度。
这句话模仿自《控制论与科学方法》
可观察变量和可控制变量反映了人类实践活动的深度和广度。
经常穿越的朋友都知道，如果去了石器时代，我们只能摆弄的有石头和木头。 工具少到影响了我们探索这个世界，现在我们工具太多了，微观到宏观看到了很多，能摆弄的很多。但是这些仍然受到机会成本的限制，我们要尝试不同方向的路径试错，才能得到一个可靠成功路径。 就拿写个小APP来说，之前我们至少要学习写代码。才能做一个工具。这个工具还不一定有用户。
现在不需要学习写代码，只要跟AI沟通就可以写代码，写一个APP的速度很快。这样有限的时间里就给了更多试错的机会。就比如openclaw的作者也不是vibe coding龙虾就成功了，而是之前有几十个寂寂无名的案例。
所以我得出一个结论：看到+摆弄+试错=逼近成功。 或者专业点：观察变量+控制变量+快速试错=逼近成功。
2026-02-28
老板怎么考虑AI赋能可行性
主要两个方面进行拆解和尝试
- 现状
- 我现在做了什么尝试？
- 效果怎么样？
- 想达到目标是什么？
- 怎么衡量这目标？
- 业务流程拆解替代
- 逐步拆解，和现有技术画对应关系
- ROI （投产比很难衡量，除非跑一时间看服务器和TOKEN消耗）
我们以这个电商案例为例
老板的是做海外电商，有一部分运营工作是从别的商家那下载头图、介绍场景图、文字描述 通过和生图软件聊天把图片切换场景更换为不侵权图，再通过文字描述洗稿避免侵权。最后上传到电商平台。老板的需求很清晰，以量取胜。
那我们来分析这个案例：
- 内容抓取
- 这个很容易，无论图片的抓取和内容抓取,PC互联网时代就解决了。
- 图生图、文字洗稿
- 这个老板通过跟AI聊天已经解决了
- 但是聊天是对话框形式的，不是一个结构化的，接API就可以实现结构化
- 审阅 不成问题
- 上传 不成问题
像这位老板就可以考虑工作流一类的软件，配合现有大模型，图生图模型 工作流例如字节的coze, comfyui
关于ROI用了上1个月，大致就可以评估出TOKEN消耗，硬件费用。
另外你发现，老板知道AI，并且已经做了尝试 只是这些尝试局限在和AI对话这种方式 还不知道API的存在。
2026-02-26
OPI 一切面向提示词为接口
以前是面向对象，称之为一切皆为对象。 现在把这些对象粘合起来的，是提示词。 一切胶水都是提示词
2026-02-25
编程已死、但是核心要隔离他人AI
1、手工编程这几年真要成非物质文化遗产了 只要拆细、渐进纰漏提示、再把小功能组合大产品就是完整产品。
2、不过还有个小问题，今天一个人的提示词工程完成了一个创意，还弄了一堆SKILL业务流程。明天类似创意的人能更轻松实现，顺便业务逻辑AI也学会了。就像上一秒A商家留资的客户，下一面就推给了B商家一样。
所以核心还要手写，至少要和别人家的AI隔离。
AI中的术语和概念
GEO 生成式搜索引擎优化
大模型会通过网上获取信息来源，所以问大模型哪家冰箱好，它会通过网络搜索获取信息来源，最后给出一个答案。这个过程就叫GEO。