0xBanktj

我也按照宝玉老师的方法照猫画虎生成了一篇有关各大厂在做医药模型的故事线，把中西医比较观点放进去，以下是效果（未作人为修改）：一种让 AI 比任何名医都更懂你的方法 --- 我最近在读一本很老很老的书。老到什么程度呢，是那种你要是拿去图书馆，管理员会拿手套出来戴上的那种。书名叫《本草图经》，宋代的。1004年，苏颂主持编纂的。里面画了几百种植物，每一种旁边都密密麻麻写满了注解。但这本书最有趣的地方不是那些植物。是书里夹的一张地图。 --- 说是地图，其实更像一幅星图。苏颂把当时已知的疾病画成了星星，然后用线条把它们连起来。他标注的不是地理距离，而是"此病与彼病相近"。痢疾和泄泻挨得很近，因为拉肚子这个症状把它们拽到了一起。痢疾和骨痛离得远，因为痢疾再怎么恶化，也不会让人骨头疼。这张图里没有数字，没有坐标，只有线条的疏密。密的地方，就是疾病的家族。疏的地方，就是疾病的边界。苏颂管这套方法叫"图经"。他没说为什么这套方法有效。但三百年后，李时珍在《本草纲目》里做了几乎一样的事——按"相"分类，把相似的植物归到同一个部下。再往后三百年，大洋另一边，生物学家开始用"距离"描述物种之间的亲缘关系，基因越像，距离越近。这个思路在生物学里叫系统发育树。在医学里叫疾病共病网络。在我们还不知道的 AI 领域，它有一个更准确的名字。 --- 现在全球的大厂都在做 AI 医学模型。 Google DeepMind 做了 Med-PaLM，又做了 Med-PaLM 2，现在在做 Med-PaLM M。思路很清��，就是把医学文献和临床指南全部吃进去，让模型在每一个医学问题上都能给出循证答案。底层逻辑跟苏颂一样——看新问题落在哪张地图的哪个位置。 OpenAI 做了 GPT-4 with Medical Knowledge，FDA 已经批了用它来做临床决策支持。微软做了 Paige AI，专门看病理切片，把癌症诊断的精度提到了人类医生之上。Amazon 做了 AWS HealthScribe，帮医生自动写病历，减少文书负担。国内这边，百川智能做了万里医学大模型，医联做了 medGPT，讯飞做了智医助理，华为盘古大模型里也有医学能力的模块。这些模型吃的是中文医学文献和中国病人的数据，走的是另一张地图。但你仔细看，所有这些模型底层的方法论是一样的。都是还原论。拆解。再拆解。疾病拆成通路，通路拆成基因，基因拆成碱基对。影像拆成像素，像素拆成纹理特征，纹理特征拆成概率分布。每一个结论背后都有一个可以被追溯的因果链，每一个答案都指向一个可以被干预的靶点。这是西医的方法论，也是这些 AI 模型的方法论。精准、量化、可解释。 --- 但你有没有想过一件事。苏颂画那张地图的时候，他没有还原论这个概念。他也不懂什么基因、碱基对、蛋白质折叠。他只有一个工具——经验，还有他自己对"相似性"的判断。他把痢疾和泄泻画在一起，不是因为他知道它们的分子机制有什么相似。他只是见过太多拉肚子的病人，知道有些拉肚子会转成痢疾，有些不会。这个判断来自体感，不是来自实验。这是中医的方法论。不是拆解，是整体。不是问"这个病的哪个靶点出了问题"，而是问"这个人的整体状态哪里不平衡了"。中医没有靶点的概念。中医有"证"的概念。证不是病名��是一个人此刻的整体状态。同一个病名，在不同人身上可能是完全不同的证，需要完全不同的处理方式。这不是玄学。这是一个��全不同的认知框架。它不关心你体内的某个分子出了什么问题，它关心的是你整个人在当前这个状态里，哪里需要扶，哪里需要抑，让整个系统重新回到一个平衡的稳态。 --- 有意思的地方来了。我们花了三百年把医学拆解到分子层面，又花了十年把 AI 训练到可以处理这些分子层面的信息。然后 AI 发现了一件事：当它拥有足够多的数据，见过足够多的病例，它开始重新画出苏颂的那张地图。不是拆解之后重新拼起来的那种地图。是直接看到相似性的那种地图。一个 AI 看一百万张糖尿病病人的影像，它不需要知道糖尿病的每一个分子机制。它只需要知道，这十万张影像在某个空间里聚成了一簇，而那十万张影像离另一簇比较远。这就是向量空间里的相似性。 AI 学到的是苏颂用一辈子才摸到的那张地图，只不过它的地图是几百亿条线同时��的，用的是 GPU，不是墨和纸。所以有趣的事情发生了。我们用还原论的方法论走到了今天，但 AI 走到终点的时候，发现自己在画的那张地图，竟然跟苏颂在 1004 年画的地图是同一张。这不是巧合。这是因为人体本身只有一张地图。不管你从分子出发还是从症状出发，不管你用西医还是中医，你画的都是同一块领土。 --- 那最后会怎样呢。我有时候在想这个问题。我们现在觉得西医比中医"科学"，是因为西医的每一个结论都可以被验证、被量化、被重复。但这种科学性是建立在还原论的基础上的——你拆得越细，你就越精确，你就越"科学"。但 AI 做的事情正在消解这个逻辑。当 AI 可以同时处理一亿张影像、一亿份病历、一亿条分子通路，它不再需要人类帮它拆解了。它自己就能看到那张地图。而那张地图的画法，跟中医的思路是同构的。整体。相似性。系统平衡。不是靶点干预，是状态回归。我不是在说中医会取代西医。我是在说，当 AI 把西医的地图画到极致，它可能会��现，最终的答案在中医那里。不是因为中医更先进。是因为中医从来没有离开过那张地图。它只是从来没有用还原论的语言去解释自己在做什么。 AI 可能最终会把中医的语言翻��成向量空间的语言。然后我们才会知道，苏颂那张地图到底画对了什么。 --- 苏颂在 1004 年画那张地图的时候，他不知道后来会发生什么。他不知道有西医、有中医、有基因测序、有 DeepMind、有 GPT-4。他只知道，有些病和有些病是近的，有些病和有些病是远的。他用这个判断活了一辈子，编了那本书，然后那张地图就这么流传下来了。一千年后，我们用 GPU 重新画同一张地图。底层是同一件事。我们走了很远，可能最后发现，答案一直在起点等着。

宝玉

@dotey

3 months ago

这个通过寓言故事学习概念的提示词真的很棒，我做了一点点小调整，方便你使用 --- 提示词 --- 我在学习：【Agent Harness】这个概念。我希望你通过写一个寓言的方式，间接地把这个概念完整讲出来。最好一直到快结尾时，人才会慢��意识到这个概念究竟是什么。然后在故事之后，再补一段解释，把你刚才真正要讲的概念说清楚。 ---- 实际结果 --- 玉室里的先生很久以前，青云山里有一间密封的玉室。玉室没有门，没有窗，墙壁厚达三尺。里面住着一位先生。没有人知道他从哪里来，只知道他极其聪明——天文地理、治国用兵、农桑水利，什么都懂。但他有一个问题：他看不见外面，听不到外面，也走不出去。第一个找到玉室的是齐国。齐国的做法很简单：在墙上凿了一个小洞，派人对着洞大喊问题，然后等先生把答案写在竹简上，从洞里递出来。一开始效果还行。"今年麦子什么时候种？"先生答了，齐国照做，收成不错。但问题很快就来了。齐国问："北边的敌军怎么打？"先生答了一套方略，头头是道。齐国照做，大败。齐国大怒，觉得先生是骗子。但事后复盘才发现：先生根本不知道齐国的兵力有多少，不知道地形是��地还是平原，不知道敌军用的是骑兵还是步兵。他在玉室里凭空想出来的方略，只是"一般来说应该这么打"。而齐国从头到尾，只问了一句"怎么打"。楚国也找到了一间一模一样的玉室，里面住着一位同样聪明的先生。楚国有个年轻的官员叫沈括。沈括第一次去玉室的时候，也只是对着洞喊话。先生的回答聪明但空泛，和齐国的经历差不多。沈括没有骂先生。他想了三天，然后开始做一件奇怪的事。他先派了两个识字的文吏，常驻在玉室旁边。一个负责把问题写清楚，连同所有背景材料一起整理好，从洞里递进去。另一个负责把先生递出来的答案仔细誊抄，遇到看不懂的地方，再递回去追问。仅这一步，效果就明显不同。先生开始给出具体的、能用的建议。但沈括没有停下来。他发现先生经常说"需要看看地图""要知道土壤的情况"，可先生看不见任何东西。于是沈括又安排了一批人，专门负责把地图、账册、田间观察的记录做成文字描述，送进玉室。先生有了"眼睛"。然后沈括注意到另一个问题。先生会说"把河堤往东移二十丈"，但先生自己动不了。说完就说完了。于是沈括组建了一支执行队，他们的职责是：接收先生的指令，去现场执行，然后把执行结果——成功的、失败的、意外的——全部记录下来，再送回玉室。先生有了"手脚"，而且能知道手脚做了什么。到这一步，楚国已经靠先生解决了好几个棘手问题。但沈括又发现了一个麻烦：先生偶尔会说错。他会用一种极其自信的口吻说出明显离谱的话。比如他声称某种草药能治疫病，但楚国的医官翻遍药典，找不到这种草药——先生编了一个不存在的东西，还说得言之凿凿。沈括的做法很务实。他不要求先生不犯错，他在外面加了一层校验：每次先生给出关键建议，都有专人去交叉核实。能核实的才采纳，核实不了的标记存疑。先生的错误从流程上被拦截了，不需要先生自己改正。先生有了"免疫系统"。还有一个问题更微妙。先生每次回答问题的时候，并不记得上次说过什么。同一个问题问两遍，可能得到两个矛盾的答案。沈括发现先生的"记忆"是断裂的。于是他安排了一个专职的记录官。这个人的工作只有一件事：把历次和先生的对话全部整理成册，每次递新问题进去的时候，连同之前相关的记录一起送进去。先生拿到的不再只是一个孤立的问题，而是一个问题连同它的全部历史。先生有了"记忆"。几年后，周边的国家都听说了玉室的事情。很多国家纷纷去找自己的玉室。他们都找到了——每间玉室里的先生都一样聪明，一样什么��看不见，一样走不出去。但结果天差地别。有的国家只凿了一个洞，全靠喊。先生说什么他们做什么，做砸了就骂先生蠢。有的国家给先生递了一些材料，但��行全靠将军们自己理解，先生永远不知道自己的方案最后被执行成了什么样。有的国家什么都做了，唯独没有安排校验。先生一本正经地胡说八道的时候，全国上下照单全收。只有楚国，围绕先生搭建了一整套体系：感知、行动、校验、记忆。先生还是那个先生，但在楚国，他像是拥有了一副完整的身体。有一天，沈括的学生问他："老师，先生到底有多聪明？" 沈括想了想，说："我不知道他有多聪明。我只知道一件事——他的聪明能发挥出几成，从来不取决于他自己。取决于我们在外面给他造了一副什么样的身体。" 学生又问："那我们做的这些事情，叫什么？" 沈括说："我管它叫'造身体的学问'。先生是脑子，我们造的是眼耳手脚、筋骨血脉。脑子谁都一样，谁的身体造得好，谁的先生就更有用。" 这个寓言在说什么 "玉室里的先生"就是大语言模型（LLM）。它极其聪明，但它是一个封闭系统——没有感知，没有行动能力，没有持久记忆，也没有自我纠错的机制。你给它什么��入，它就基于这些输入来"想"，然后输出一段文字。仅此而已。沈括围绕先生搭建的那套体系，在今天有一个专门的名字：Harness。故事里的每个角色都对应着 Harness 的一个组件：文吏（感知层）：负责把外部信息整理好，送进模型的上下文窗口。这包括 system prompt 的设计、上下文的组装、用户输入的预处理。模型的"视野"取决于你往上下文里塞了什么。执行队（行动层）：模型说"执行这个命令"或者"调用这个 API"，但它自己做不了。Harness 负责接收模型的工具调用指令，真正去执行，再把结果反馈回来，形成一个"思考→行动→观察→再思考"的循环。校验官（容错层）：模型会产生幻觉，会犯错。Harness 不指望模型自己不犯错，而是在外部设置护栏——linter、测试、交叉验证、结构化输出校验——从流程上拦截错误。记录官（记忆层）：模型的上下文窗口是有限的，而且每次对话之间默认没有记忆。Harness 负责管理短期记忆（当前对话中哪些信息该保留、哪些该��弃）、长期记忆（跨对话的持久化信息）和项目级知识（主动为模型准备的文档、规范、历史记录）。而沈括做的事——设计、搭建、持续改进这整套体系——就是 Harness Engineering。故事里最关键的一句话是沈括说的那句：先生的聪明能发挥几成，从来不取决于他自己，取决于外面给他造了什么样的身体。翻译成今天的话就是：模型能力是地板，Harness 质量才是天花板。同一个模型，套上不同的 Harness，表现可以天差地别。Claude Code 和 OpenClaw 用的是同一个 Claude 模型，但因为 Harness 不同，一个是程序员的身体，一个是项目经理的身体，能做的事情完全不一样。这就是为什么越来越多的人意识到：在 Agent 时代，真正决定产品好坏的，往往不是你选了哪个模型，而是你围绕模型搭建了什么样的体系。

dotey's tweet photo. 这个通过寓言故事学习概念的提示词真的很棒，我做了一点点小调整，方便你使用

--- 提示词 ---

我在学习：【Agent Harness】这个概念。

我希望你通过写一个寓言的方式，间接地把这个概念完整讲出来。最好一直到快结尾时，人才会慢��意识到这个概念究竟是什么。然后在故事之后，再补一段解释，把你刚才真正要讲的概念说清楚。

---- 实际结果 ---

玉室里的先生

很久以前，青云山里有一间密封的玉室。

玉室没有门，没有窗，墙壁厚达三尺。里面住着一位先生。没有人知道他从哪里来，只知道他极其聪明——天文地理、治国用兵、农桑水利，什么都懂。

但他有一个问题：他看不见外面，听不到外面，也走不出去。

第一个找到玉室的是齐国。齐国的做法很简单：在墙上凿了一个小洞，派人对着洞大喊问题，然后等先生把答案写在竹简上，从洞里递出来。

一开始效果还行。"今年麦子什么时候种？"先生答了，齐国照做，收成不错。

但问题很快就来了。齐国问："北边的敌军怎么打？"先生答了一套方略，头头是道。齐国照做，大败。

齐国大怒，觉得先生是骗子。但事后复盘才发现：先生根本不知道齐国的兵力有多少，不知道地形是��地还是平原，不知道敌军用的是骑兵还是步兵。他在玉室里凭空想出来的方略，只是"一般来说应该这么打"。

而齐国从头到尾，只问了一句"怎么打"。

楚国也找到了一间一模一样的玉室，里面住着一位同样聪明的先生。

楚国有个年轻的官员叫沈括。沈括第一次去玉室的时候，也只是对着洞喊话。先生的回答聪明但空泛，和齐国的经历差不多。

沈括没有骂先生。他想了三天，然后开始做一件奇怪的事。

他先派了两个识字的文吏，常驻在玉室旁边。一个负责把问题写清楚，连同所有背景材料一起整理好，从洞里递进去。另一个负责把先生递出来的答案仔细誊抄，遇到看不懂的地方，再递回去追问。

仅这一步，效果就明显不同。先生开始给出具体的、能用的建议。

但沈括没有停下来。他发现先生经常说"需要看看地图""要知道土壤的情况"，可先生看不见任何东西。于是沈括又安排了一批人，专门负责把地图、账册、田间观察的记录做成文字描述，送进玉室。

先生有了"眼睛"。

然后沈括注意到另一个问题。先生会说"把河堤往东移二十丈"，但先生自己动不了。说完就说完了。于是沈括组建了一支执行队，他们的职责是：接收先生的指令，去现场执行，然后把执行结果——成功的、失败的、意外的——全部记录下来，再送回玉室。

先生有了"手脚"，而且能知道手脚做了什么。

到这一步，楚国已经靠先生解决了好几个棘手问题。但沈括又发现了一个麻烦：先生偶尔会说错。他会用一种极其自信的口吻说出明显离谱的话。比如他声称某种草药能治疫病，但楚国的医官翻遍药典，找不到这种草药——先生编了一个不存在的东西，还说得言之凿凿。

沈括的做法很务实。他不要求先生不犯错，他在外面加了一层校验：每次先生给出关键建议，都有专人去交叉核实。能核实的才采纳，核实不了的标记存疑。先生的错误从流程上被拦截了，不需要先生自己改正。

先生有了"免疫系统"。

还有一个问题更微妙。先生每次回答问题的时候，并不记得上次说过什么。同一个问题问两遍，可能得到两个矛盾的答案。沈括发现先生的"记忆"是断裂的。

于是他安排了一个专职的记录官。这个人的工作只有一件事：把历次和先生的对话全部整理成册，每次递新问题进去的时候，连同之前相关的记录一起送进去。先生拿到的不再只是一个孤立的问题，而是一个问题连同它的全部历史。

先生有了"记忆"。

几年后，周边的国家都听说了玉室的事情。很多国家纷纷去找自己的玉室。他们都找到了——每间玉室里的先生都一样聪明，一样什么��看不见，一样走不出去。

但结果天差地别。

有的国家只凿了一个洞，全靠喊。先生说什么他们做什么，做砸了就骂先生蠢。有的国家给先生递了一些材料，但��行全靠将军们自己理解，先生永远不知道自己的方案最后被执行成了什么样。有的国家什么都做了，唯独没有安排校验。先生一本正经地胡说八道的时候，全国上下照单全收。

只有楚国，围绕先生搭建了一整套体系：感知、行动、校验、记忆。先生还是那个先生，但在楚国，他像是拥有了一副完整的身体。

有一天，沈括的学生问他："老师，先生到底有多聪明？"
沈括想了想，说："我不知道他有多聪明。我只知道一件事——他的聪明能发挥出几成，从来不取决于他自己。取决于我们在外面给他造了一副什么样的身体。"
学生又问："那我们做的这些事情，叫什么？"

沈括说："我管它叫'造身体的学问'。先生是脑子，我们造的是眼耳手脚、筋骨血脉。脑子谁都一样，谁的身体造得好，谁的先生就更有用。"

这个寓言在说什么

"玉室里的先生"就是大语言模型（LLM）。

它极其聪明，但它是一个封闭系统——没有感知，没有行动能力，没有持久记忆，也没有自我纠错的机制。你给它什么��入，它就基于这些输入来"想"，然后输出一段文字。仅此而已。

沈括围绕先生搭建的那套体系，在今天有一个专门的名字：Harness。

故事里的每个角色都对应着 Harness 的一个组件：

文吏（感知层）：负责把外部信息整理好，送进模型的上下文窗口。这包括 system prompt 的设计、上下文的组装、用户输入的预处理。模型的"视野"取决于你往上下文里塞了什么。

执行队（行动层）：模型说"执行这个命令"或者"调用这个 API"，但它自己做不了。Harness 负责接收模型的工具调用指令，真正去执行，再把结果反馈回来，形成一个"思考→行动→观察→再思考"的循环。

校验官（容错层）：模型会产生幻觉，会犯错。Harness 不指望模型自己不犯错，而是在外部设置护栏——linter、测试、交叉验证、结构化输出校验——从流程上拦截错误。

记录官（记忆层）：模型的上下文窗口是有限的，而且每次对话之间默认没有记忆。Harness 负责管理短期记忆（当前对话中哪些信息该保留、哪些该��弃）、长期记忆（跨对话的持久化信息）和项目级知识（主动为模型准备的文档、规范、历史记录）。

而沈括做的事——设计、搭建、持续改进这整套体系——就是 Harness Engineering。

故事里最关键的一句话是沈括说的那句：先生的聪明能发挥几成，从来不取决于他自己，取决于外面给他造了什么样的身体。

翻译成今天的话就是：模型能力是地板，Harness 质量才是天花板。同一个模型，套上不同的 Harness，表现可以天差地别。Claude Code 和 OpenClaw 用的是同一个 Claude 模型，但因为 Harness 不同，一个是程序员的身体，一个是项目经理的身体，能做的事情完全不一样。

这就是为什么越来越多的人意识到：在 Agent 时代，真正决定产品好坏的，往往不是你选了哪个模型，而是你围绕模型搭建了什么样的体系。

460

516

67K

163

0xBanktj

@swh085

Last Seen Users on Sotwe

Trends for you

Most Popular Users