碎碎念
距离上一次写详细的内容，不知不觉已经过去了一个月。本人的工作也发生了很多的变动，可能是由于我本人适应能力比较强的缘故，把我从几个平台来回换，在三个月的时间内，我负责的业务发生了2次重大改变。在内部分享“故事会”后，我自己反思的问题在于，AI时代这样的改变也许会更多，我脑子里萦绕的命题是，知识的专业性和经验的通用性，这二者的张力。这样的一个命题在本篇的开头也给予大家，在文章前面的环节我会不断的做出这样的发问，希望我的思考激发佬友们自己的思考。
7月4号，我第一次组织了线下小的AI茶话会，我写下了以下宣传语：
1950年，图灵在Mind上发表了著名的Computing Machinery and Intelligence。在文章开头，他提出这样一个问题：“Can machines think?”。而现如今，我们又好像落入了相同的困惑。“AI会不会替代人？”“AI到底是什么？”或者是下出这样的判断“虚拟世界不重要，现实生活才重要”。然而问题在于，正如《技术与文明》中揭示的钟表重塑了时间秩序、劳动节奏和社会组织。宏大的追问没有办法直了解决我们的困境，在轰鸣声中现实已然剧变，不去涉水，只是观潮如何能够理解潮水本身呢？
而图灵的回答便是，先抛开这会循环后退没有止境的问题，他的追问是，在什么交互条件下，机器表现出的能力会迫使我们改变对智能的语言和判断。因而拉回到问题的领域在，人工智能的边界在哪里？乃至于对于“人会不会被取代”也可以回落到“取代的是哪类任务、在什么输入条件下、以什么标准判断、需要人提供什么上下文、失败在哪里”的实践领域。
这次小范围茶话会，想和大家聊聊：如何理解现在 AI 的基本逻辑与边界，如何真正开始使用它，以及普通人如何凭借自己的问题意识，进入这个正在变化的技术现场。
本篇文章将是对这次茶话会内容的复盘，内容是偏非常基础的但我本人觉得比较核心的思想，同时也补一下上次后面未完待续的内容。
我们真的知道自己要什么吗？
第一个问题是：我们真的知道自己要什么吗？
很多人说：我想学 AI。我想提高效率。我想做一个分享。我想做一个项目。我想系统性学习。我想跟上时代。这些话很多其实出自于一种朴素的FOMO情绪，或者一种向往，它们更像是一种模糊愿望，但这种愿望没有办法真正推进落地一个事情。当然，这也不否定愿望本身，只是可能接下来的问题就在于，我们有没有方法把它变清楚。
杜威在《How We Think》里讲反思性思维时说，起点不是一个已经定义好的问题，而是一种模糊的困难、困惑、不确定。人先是感到哪里不对、哪里卡住、哪里有压力，然后才逐步去定位问题、定义问题、提出可能方案，再通过观察和实验来修正。
这个逻辑其实非常适合去理解 AI 的使用和学习。很多人用不好 AI，不是因为不会写 prompt，而是因为他自己还没有把问题说清楚。
他说：“我想系统学 AI。”
但这里面至少有很多隐藏问题：你为什么想学 AI？你是想理解概念，还是想完成具体工作？你是想成为工程师，还是想让工作效率更高？你现在最卡的是工具安装、资料理解、写作、编程，还是判断结果？你学完以后，希望自己能做什么？
如果这些问题不清楚，AI 给你的方案就很可能是通用课程表：Python、机器学习、深度学习、Prompt、Agent、RAG。看起来很系统，但未必适合你。
我自己准备这场茶话会，也是从一个模糊念头开始的。一开始我只是觉得：身边很多人对 AI 有兴趣，也有一些很基础的需求，但他们还没有入口。有人想知道 Claude Code 怎么安装。有人想知道 Codex 怎么用。有人想知道国产模型能不能接进去。有人想知道怎么用 AI 完成一个具体工作。也有人会问：我想系统性学习 AI，应该怎么学？
但我后来发现，“我想分享 AI”这句话太粗了。它还不能直接变成一场活动。
于是我开始反问自己：这场茶话会给谁听？他们现在真正卡在哪里？他们是缺技术原理，还是缺一个入口？我希望他们听完以后能做到什么？我不希望这场活动变成什么？如果时间很短，我最想留下的一个东西是什么？
问到后面，我才慢慢明晰我的目标：这场茶话会不是为了让大家变成 AI 工程师，也不是为了讲很多模型名词，而是希望大家知道，普通人可以从一个真实小任务开始，理解 AI 的逻辑、边界和使用方式。
这里可以给大家一个很简单的方法：反问、改写、定边界。
第一步，反问。
当你有一个模糊目标时，不要急着让 AI 给答案。先让它帮你反问。
比如：
我想做一个 AI 茶话会。
这时可以问：
这个茶话会给谁听？他们对 AI 的真实问题是什么？他们听完以后应该能做哪一件事？这场活动不是为了什么？什么样的内容会让他们觉得太远？什么样的内容会让他们觉得有用？
反问的作用，是把隐藏条件挖出来。
第二步，改写。
反问之后，把原来的模糊愿望改写成更清楚的问题。
原来是：
我想做一个 AI 茶话会。
第一轮改写：
我想给 10 人以内、对 AI 好奇但不熟悉的朋友，做一场轻松的小分享。
第二轮改写：
我希望他们离开时，不只是知道 AI 很火，而是知道如何从一个真实任务开始使用 AI。
第三轮改写：
我想用我准备这场茶话会的过程做案例，展示一个模糊目标如何借助 AI 变成宣传语、资料、讲稿、展示页和现场演示。
到第三轮，这个目标就已经可以行动了。
第三步，定边界。
清晰化不只是说“我要什么”，也要说“我不要什么”。
比如这场茶话会：
不是正式演讲。不是工具培训课。不是模型名词科普大会。不是 AI 鸡血会。不是让大家从零成为程序员。不是告诉大家必须焦虑。
它更像是：用一个真实案例，聊普通人如何理解 AI、使用 AI，并从一个小任务开始建立行动闭环。
总结来说，一个可以复用的小框架是：
模糊愿望 → 反问澄清 → 改写问题 → 划定边界 → 形成可行动目标。
一个目标如何变成路径？
第二个问题是：一个目标如何变成路径？
很多人目标稍微清楚以后，还是会卡住。因为目标和行动之间还有距离。比如：我要准备一场 AI 茶话会。这已经比“我想聊聊 AI”清楚一些，但它仍然不能直接执行。因为你还不知道它要经过哪些阶段。它需要宣传语吗？需要参考资料吗？需要讲稿吗？需要 PPT 吗？需要现场演示吗？需要给大家一个回去以后能做的小任务吗？
所以第二步不是做，而是拆路径。
设计领域有一个词叫：Double Diamond。它的核心很简单：做事情不要一上来就进入解决方案。先发散理解问题，再收敛定义问题；然后再发散寻找方案，最后收敛成交付物。我们可以沿用这个思路。很多人一上来就让 AI “给我一个方案”，但如果问题空间还没有打开，AI 给出的方案往往只是最常见、最平庸的方案。
所以我们要先问：问题到底是什么？谁受影响？有哪些限制？有哪些可能路径？哪条路径最适合当下？然后再进入执行。
拿这次茶话会来说。
宏观目标是：做一场 10 人以内的小型 AI 茶话会，让普通人理解 AI 的逻辑、边界，并知道如何从一个真实任务开始使用 AI。
但这个目标要拆成几个阶段。
第一阶段：确定主题。
不是“AI 很厉害”，而是“普通人如何从一个模糊目标开始，用 AI 完成一个小任务”。
第二阶段：写宣传语。
宣传语要有思想感，但不能像正式讲座。它要告诉别人：这不是技术课，而是一场小范围讨论。
第三阶段：整理参考资料。
图灵、杜威、信息论、控制论、技术与文明、人机共生，透过这些资料，去发散对AI的理解，来帮我们明白：AI 不是一个凭空出现的名词，要去理解它，其实可以从人本身如何定义问题、如何反馈、如何使用工具来去理解。
第四阶段：形成内容结构。
也就是我们现在正在做的事：把茶话会分成几个单元，每个单元回答一个问题。
第五阶段：做现场演示。
选择 Codex App，展示如何把这场茶话会的材料生成一个展示页。
第六阶段：交付材料。
比如一份简短清单：普通人如何从一个小任务开始使用 AI。
这样一拆，目标就不再是一团东西，而是一条路径。
这里可以给一个通用框架：
宏观目标 → 阶段目标 → 具体交付物 → 验收标准 → 实现路径。
比如这次茶话会：
宏观目标：让普通人知道如何从一个真实小任务开始进入 AI。
阶段目标：写宣传语、找资料、定结构、做演示、整理清单。
具体交付物：宣传语、参考资料、讲稿、展示页、Codex App 演示、入门清单。
验收标准：非技术背景的人能听懂；听完以后能说出一个自己想尝试的小任务；知道 AI 不是一次性答案机器；知道结果需要人工审查。
实现路径：先和 AI 讨论目标；再让 AI 帮忙找资料；再人工判断结构；再用 Codex App 做展示页；最后人工审查和修改。
这个框架可以套到很多普通任务里。非常通用。（其实我个人觉得，这个就是所谓的老板思惟）
执行为什么不是一次完成？
第三个问题是：为什么执行不是一次完成？
很多人对 AI 的期待是：我输入一句话，它给我一个最终答案。
但真实工作不是这样。
真实工作通常是：先做出一个粗糙版本。看哪里不对。指出偏差。补充信息。重新修改。再看。再修。最后才交付。
所以 AI 使用也不是一次提问，而是一个循环。
这里可以补充两个思想，一个是PDSA，另一个是控制论有关的内容。（我觉得后续去学习去做Agent，其实学习了解控制论的思想非常重要。）
PDSA的意思是 Plan、Do、Study、Act。先计划，再执行，再研究结果，最后调整行动。这不是一次性流程，而是持续改进。而控制论关心的是系统如何通过信息和反馈进行调节。不是发出一个命令就结束，而是看结果和目标之间有没有偏差，再根据偏差调整。对于AI来说，一次输出只是一次行动结果，不是最终答案。真正关键的是：你如何观察它、判断它、反馈它。
比如我们用 Codex App 来生成一个茶话会展示页。如果我直接说：帮我做一个 AI 茶话会网页。它大概率会做出一个看起来完整，但不一定符合我想法的页面。可能太像技术发布会。可能太像课程培训。可能标题很大，语言很空。可能没有茶话会的松弛感。可能图灵、杜威、控制论这些内容被写得太学术。也可能页面好看，但没有我的问题意识。这时不能说“AI 不行”。因为这只是第一轮输出。
我需要继续反馈：这个版本太像正式培训课。请减少口号感。保留思想深度，但语言要让非技术背景的人听懂。把“工具介绍”改成“我如何用 AI 准备这场茶话会”的真实案例。引用部分不要装饰化，必须说明它和实践有什么关系。这样它才会往正确方向靠近。
这里可以给出一个更适合日常使用的执行框架：规划 → 执行 → 审查 → 修正 → 交付。（很像模型训练的理论了，其实你就是模型的外部奖惩反馈机制）
规划：先让 AI 复述目标、拆步骤、说明它准备怎么做。不要一上来就让它开干。
执行：让它生成初稿、页面、代码、表格、资料结构，或者其他可见结果。
审查：看它有没有偏离目标。看事实是否准确。看语气是否合适。看结果是否能用。
修正：把偏差说清楚，让它重新调整。
交付：最后由人来决定能不能交付。不是 AI 输出了，就算完成。
问题的再思考
在茶话会后续的一些内容，和实践的部分我就没有再放上来了。这边和大家分享一下我自己实际的体悟。去年年初我在现在的公司实习的时候，我第一次用AI搓出一个完整的工作流，当时面对的一个很实际的问题，我被分配做一个头皮检测模型的训练，同时要负责腾讯广告的投放，在素材方面由于人手不够，需要消耗人力以极低的产出去做推广图。为了释放人力去做图片标注的工作，当时在飞书做了第一个批量生图工作流。解决的卡点分别是，提出新的素材方向，生成对应的推广图，人工修改和微调，然后投放。
有了第一次成功的经验，后来我自己试水了一个小程序项目。项目的出发点是，由于我自己开始素食，对每天吃什么经常感觉很烦恼。彼时我恰好开始用更多的精力在小程序运营的工作上，于是就有了我下面的微信小程序，素食食谱的尝试（输入食材变出菜谱，做完拍照识别给出评分并解锁这道菜），融入了对游戏化等的思考。后续随着代码变多，变成屎山而终结。
在这之后，我开始了我最宏大，最费token，至今还没能让我满意的，agent memory的探索。已经相关的心目中的以memory为核心的agent架构思考。自己去学了一下怎么搓figma，然后做出了以下页面：
我说这些的目的在于，我发现所有的学习都是和具体问题结合在一起的。所以实际上我一直在犯错，一直在失败，同时获取到微小的成功。
有一天我突然和朋友谈起很多ai的内容的时候，我才发现我已经学会了这么多。做出了自己的工作流do-it。搓了这么多
山项目。能够分辨到底什么是戏论什么是有价值的内容。回归到上面没有解释的核心问题。怎么判断ai到底是否向着正确的方向去？
我的答案和思考其实很简单，犯错了就知道了。遗憾的是，我们往往很难接受，我们就是错了。
（ ）