gobuildit

野生研究员

正在独立研究：

AI 时代计算机生产效能被普通人发挥多少
AI 时代的社会传播与销售哲学

[gobuildit @gobuildit_]

一个大学毕业生总是想「我需要一份工作」。

周围人也是这么对他说的，好像变成某个组织的成员是一件多么重要的事情。

更直接的表达方式应该是「你需要去做」一些人们需要的东西”。即使不加入公司，你也能做到。

公司不过是一群人在一起工作，共同做出某种人们需要的东西。

真正重要的是做出人们需要的东西，而不是加入某个公司。

--《黑客与画家》

[gobuildit @gobuildit_]

魔幻的世界。

[gobuildit @gobuildit_]

著名的伊万·巴甫洛夫原理，就是那个经典「条件反射实验原理」曾经竟然被一位心理学家 John B. Watson 用在婴儿身上——最著名、最臭名昭著的「小艾伯特实验」。

John B. Watson 还被冠以「行为主义之父」的称号，后期把现在称之为「行为科学」，到广告消费领域「发扬光大」，「行为科学」因此成为了一门「操控科学」。

[gobuildit @gobuildit_]

人确实会伪装，善意确实经常无效，理想主义者在权力面前确实经常输——这些都是真的。

但把这类观察推成了全称判断，抽象地不信任所有人，然后从这个判断里给自己发许可证：

既然大家都脏，那我脏一点只是自保。

这相当于把定义权交给了那些的人。你以为你在保护自己，实际上你让他们决定了你余生怎么看人、怎么活。

这样他们赢了两次，第一次是坑你，第二次是让你变成他们。

可用的版本是这样的：具体地不信任具体的人，而不是抽象地不信任所有人。降低对陌生人的默认期待，但保留识别的能力。这个是防身术。

前面那个是把自己推向深渊：“与怪物战斗的人，应当小心自己不要成为怪物。”

[gobuildit @gobuildit_]

悬浮人群，得先知道「你是谁」，是什么塑造了你现在的你，才有可能「落地」。

真如《Beyond Feelings》这本书里面讲的：

「你不仅是智人这一特定物种的成员，还生活在该物种历史上的某个特定时期以及地球上的某个特定地点。
这个时间和地点受特定环境、观念、信仰和习俗的制约，这些因素都限制了你的经历并影响了你的思维模式。」

这段话的有趣之处在于，它描述的限制恰恰是最难自我观察的。

下面是我能想到的一些例子，但要先说明：这些是统计意义上的倾向，任何一条都有大量反例。

物种层：几乎无法摆脱的那一层

- 感官被校准在「中等尺度」上。
我们对米、天、几十人的量级有直觉，对纳米、光年、十亿人、指数增长没有直觉，只能靠数学勉强代偿。
疫情初期很多人对「翻倍时间」的误判就是这个，说「每天增长 26%」大多数人没感觉，说「每三天翻一倍」就有感觉了

- 用故事而不是用统计来理解世界。
一个具体的人的遭遇比一万人的数据更能改变判断。

- 到处看见「意图」和「施动者」。
天灾要找责任人，市场波动要找操盘者，随机事件要找原因。

- 推理常常是给结论做辩护，而不是产生结论。

- 内群体／外群体的开关随时能被激活，而且激活的成本极低。

- 知道自己会死，因此需要意义。
宗教、事业、子女、作品，都是这个缺口的填充物。

时代层：21 世纪 20 年代中后期

- 注意力被拆成碎片，于是「立场」比「事实」更容易传播，因为立场的加载速度更快。

- 现实是被算法中介的。
每个人看到的世界都经过一次个性化裁剪，「公共事实」这个基础在变薄。

- 默认相信「增长是常态」。
工业革命之后出生的人几乎都有这个预设，而人类历史上大部分时期并非如此。

- 万物皆可量化：KPI、步数、睡眠分、粉丝数。
用可测量的东西替代重要的东西，是这个时代特有的偏差。

- 身份被看作可选择、可建构的，而不是被给定的。
这在两百年前几乎不可想象。

- 还有很新的一条：你正在和一个非人类的东西讨论这个问题。
这件事本身正在改变人们对「思考」「原创」「理解」这些词的直觉，而且我们都还没来得及形成稳定看法。

地点层：中国

- 语言就是思维工具。
汉字的成语和典故是高度压缩的历史包，「刻舟求剑」四个字调用了一整个故事。
这让类比推理格外顺手，也让某些论证在没有展开的情况下就被接受了。

- 倾向于整体和关系，而不是孤立的对象。
Nisbett 那批跨文化实验里反复出现这个差异：看图时更注意背景和关系，解释行为时更倾向归因于情境而非个性，遇到矛盾更容易接受「两边都有道理」而不是判定其一为假。

- 人是关系网络中的节点，而不是原子。
人情、面子、亲疏远近，都是这个前提的延伸。

- 历史意识很重。
治乱循环、「分久必合」，以及近代那段记忆，共同让「秩序」和「稳定」在价值排序中占据很高的位置。

- 科举的遗产：考试被广泛接受为最公平的分配机制，教育投入的强度和它带来的竞争压力（「内卷」这个词的流行本身就是症状）由此而来。

- 四十年高速增长制造了一批独特的经验结构：既相信「变化是常态、明天会更好」，又保留着稀缺年代的储蓄习惯和风险意识。
这两者同时存在于同一个人身上。

- 不同社会的信息环境和公共讨论边界不同，这会影响哪些议题容易被想到、以什么框架被讨论。
这一点在任何国家都成立，只是边界的位置不同。

一个附加的观察

这三层的「厚度」不一样，可摆脱的程度也不一样。

- 物种层基本逃不掉，只能靠工具（数学、仪器、制度）在局部代偿。

- 时代层可以部分逃掉，办法是读旧书，读那些预设和你完全不同时代的人写的东西。

- 地域层也可以部分摆脱，办法是行万里路，或者用另一种语言思考到能做梦的程度。

而最实用的一条判断标准是：当你觉得某个想法「不言自明」「本来就该这样」的时候，那多半不是你想出来的，是这三层里的某一层替你想的。

[gobuildit @gobuildit_]

规则、记忆，往上加简单，往下减难了。 不减的话，那堆积如山的记忆、自相矛盾的规则，不会让 AI 变智能，反而越来越蠢。再一次证明「如无必要勿增实体」原则的重要性。

[gobuildit @gobuildit_]

出息了，在李笑来的项目找到了 bug ，为此他连带发了 2 个版本。

[gobuildit @gobuildit_]

我有「强迫症」，不允许我的家目录下乱七八糟，充斥着几百个散落的隐藏文件。我要把那些随意散落在我家目录下 CLI 类工具，用 XDG 规范，做个整理归纳。

[gobuildit @gobuildit_]

Gmail 用 label 不用 folder、Finder 有彩色标签、Obsidian 用 tag ——
都是因为一个对象需要多个坐标，而文件系统的目录树强制你做一次性 MECE
划分（一个文件只能在一个目录里），这是目录树的根本缺陷。这正是 tag 模型 vs folder 模型的分野。

[gobuildit @gobuildit_]

起初让 Claude code 帮我设计了一套人机协作架构，五层分离结构，很牛x。有了这个架构，把一项任务扔给它， 它会对任务进行拆解分析归类，针对不同任务类别，指定对应专家来处理、测试、最终给我结果，实现全自动化。

结果后面全都没用上，还累计了一大堆规则数据「债」，让 Claude code 文档改个句子，都要经过层层「审批」， 搞个 30 分钟。而我在新装的 Linux 系统上，本地目录干净整洁，让 claude code 干 1 分钟就搞定了。

于是最近开始「还债」，把无关的文件、文档、数据全部清理。全局根目录下，保持整洁干净，「如无必要，勿增实体」。还关掉官方预设的自动保存 memory 、自动整理 memory 功能。

[gobuildit @gobuildit_]

模型+工具+代理框架，这三样东西一起形成人工智能代理（AI agent）的核心架构，让「模型」的推理能够通过「工具」转化为实际行动。

一项任务交给 AI agent 处理，需要经过「代理循环」过程。即「模型」和「工具」之间反复交互的流程：

模型推理（上下文收集） → 工具执行 → 模型验证 → 继续推理...这个循环不断重复直到任务完成。

而「代理框架」，本质上是充当「连接器」和「信息管理者」的角色。

拿 Claude code 这个目前最好用的代理来举例：

Claude Code 作为「连接器」它把 Claude 模型和各种工具（文本搜索、编辑、联网、命令执行等工具集）连接起来。

作为「信息管理者」，它管理着「模型」和「工具」之间的信息流（上下文管理），并提供「执行环境」，进而让模型的推理，能够真正转化为对你的项目的实际行动。

[gobuildit @gobuildit_]

市面上一直流行所谓「商业模式拆解」，它本质上是一种「还原论」。

一种把复杂事物拆成简单部分来理解的哲学，认为整体可还原为各部分之组合，用低层规律解释高层现象。

它最早可以追溯到自原子论，牛顿力学推动其在18、19世纪达到高峰，至今仍是自然科学方法的核心。

但只靠「还原论」、「原子论」难以解释商业整体涌现的高度复杂性，因为这个世界是连续的、系统的。

[gobuildit @gobuildit_]

永远学不会 AI 的最快方法，就是去报个班，报个陪跑营。

如果你仔细观察，你会发现那些用不好 AI 的，最大的问题不是墙、不是钱、也不是技术，

而是 99.9% 的人都觉得：掌握一个新能力，就需要一个老师带他。

实际上他们需要一种确定性，需要 100 % 的安全感。无法忍受哪怕一丁点的不确定性。

这也就是为什么市面上，有那么多所谓的「陪跑营」+「教程」备受欢迎。

因为他们认为一项新能力的掌握，就一定要有人「手把手」的，「嘴对嘴」的，把所谓的「干货」一口一口的喂到自己嘴边，继续走上「已经进行了十几年」的填鸭式「学习」之旅才行。

只要有老师带，老师有给「干货」，有一群人在一起学，就「确定」了，就「安心」了。

但凡不给它东西学，就会恐慌，就觉得你不靠谱。

我的一个 199 答疑群，没有时间限制。AI 相关的问题的，有问必答。

可因为我没有提供那种教人点击这个，点击那个的「手把手」式的所谓陪跑教学服务，我的答疑群在他们眼里，是没有价值的。

但我要说一个真相：

越「有用」的越没用。

越看似的「快」方法，越会偏离目标。

你这个时候走了所谓的「捷径」，你一定会终身走捷径，产生路径依赖，进而「捷径上瘾」。

AI 时代的，属于那些肯动脑，肯动手，会提问，会自学的，不会走捷径的「笨小孩」们。

[gobuildit @gobuildit_]

以前在电脑做文件整理，是为了方便自己找。

现在做文件整理，是为了充分发挥「AI」的脑容量（Context Window）和注意力（Attention Budget）。

如果你真的重视文件系统，把你的电脑的文件/文件夹，当作是一套公司治理系统在管理。

你只需要对 AI 下达命令，AI 就会顺着组织架构（文件夹），看着路标（文件夹名），精准调用资产（文件名），最后在对的办公室（输出文件夹）里，给你生成一份符合你需求的工作资料。

文件夹决定了 AI 看到的世界（制度），文件决定了 AI 能看到什么（资产），而它们的命名规范，某种程度上决定了这家公司的运转效率是像世界 500 强一样高效，还是像草台班子一样混乱。