盒子
盒子
文章目录
  1. 前言
  2. 一、风向：不是 AI 不行，是「敞开供应」这种用法太原始
  3. 二、三层瓶颈：能下手的，其实只有最上面一层
  4. 三、AI 应用交付这一层：方向我们看对了，也看清了新词是怎么造出来的
  5. 四、AI 应用交付真正难的另一半，不在技术，在组织
  6. 五、从 MindHub 的落地，看「为什么有人吃到红利、有人还没动」
  7. 最后
  8. 参考

关于 AI 现状与未来的思考

2026.06.13 JerryC 三省吾身  热度 ℃

一年 AI 实践之后的一些思考

吸了一年高纯度 Token、产出 120w 行代码、近乎丧失「古法编程」技能之后，把过去一段时间的感悟与零散思考重新梳理成文，留作笔记：

  1. 短短三个月，行业对 Token 的态度从「随便用」变成了「按需用」。 这反映的不是技术退潮，而是一笔从粗放到精细的经济账。唯一被证明的是：需求是真实的，只是目前它还有点贵。
  2. AI 离真正的「大规模应用」还很远。 想要跨越这道鸿沟，从物理到用户面临三个层面的关卡：物理层（电力）、硬件层（算力）、应用层（工程交付）。而应用层，是我们这种码农唯一能插手的战场。
  3. AI 要落地为真实的生产力，最大的阻碍不是工程技术，而是组织。 每一次技术突破带来的效率革命，本质上都是对旧组织方式的一次强行「熵减」；在经历阵痛后重塑出新的稳定形态，然后慢慢「熵增」，等待下一次技术革命的到来。
  4. Prompt / Context / Harness / Loop Engineering 的挨个爆火，除了有王婆卖瓜的成分，其实还藏着一个内因： 一波工具使用者在探索路上撞到的必然共性问题，被有背书的大佬站出来统一了「意识形态」。这让每一个在这条路上蹚水的人都瞬间共鸣——「wc，这正是我想说的」。

#前言

去年下半年，我刚带完一场格式会战——三地六团队三十多人，忙了大半年。会战收官，支援的兄弟们陆续归位，回到各自原来的岗位，格式引擎重新变回几个人维护的常态。这本是仗打完之后的正常收场，但也让我开始想一件事：这么一个跑了好几年、几十万行代码的复杂领域，未来要靠这几个人撑着，那些散落在很多人脑子里的门道，怎么留下来？

那段时间我在琢磨：能不能用 AI，把「领域专家」这件事沉淀下来？于是有了 DocExpert——我把二十万行格式代码当成一个信息论上的「降熵」问题，先做语料工程把它压缩成几百篇结构化文档，再用 RAG 检索喂给模型，配上 Spec 驱动开发（AI-SDD），让 AI 沿着「需求 → 方案 → 拆解 → 实现」往下走。

真正让我心里一震的，是这套管线跑顺之后的一个瞬间：当模型能力本身上来了，再给它套上对的上下文约束、搭好一套像样的架构，它写出来的代码——无论是可读性、命名，还是对格式规范的拿捏——比我自己手写的还要干净。

那是我第一次真切地感到：研发和编码的方式，要被彻底改写了。后来我从 0 立项做的 MindHub（一套围绕大模型的研发支撑系统，把「裸模型」变成可靠的研发生产力），就是从这个判断里长出来的。

这大半年，我自己几乎是泡在 AI Coding 里过来的。一个数字我自己都觉得离谱：这半年我用 vibe coding 写出来的代码，超 120w 行，比我过去十年写的加起来还多。

摆这个数字不是为了显摆用得多深，而是因为：正是用到这个份上，最近半年行业里那些信号，我才格外有体感——它们看着零散，甚至有点互相矛盾，但我隐约觉得，背后有某种共性的问题，还没被说清楚。

这篇就是想把这点东西捋一捋。算不上结论，更像「想到这儿了」的一份个人思考笔记。

#一、风向：不是 AI 不行，是「敞开供应」这种用法太原始

先说最直接的体感：token 的风向，这半年坐了趟过山车。

年初还在「敞开供应」。我自己就在这趟车上——2026.2，我们每人每月能批到 $3000 额度，leader 点头还能加到 $6000，氛围是「你尽管用」。到 6 月，风向收紧，我这份额度被砍到 $1000，而这点钱，我一周就花得干干净净。

不只是我们。微软 2025.12 才把 Claude Code 开放给数千名员工，鼓励大家用 vibe coding 重塑工作流；到 2026.5 就开始收回许可，理由是「烧 token 已经比养员工还贵」。Uber 更夸张，全年的 AI 编程预算，前四个月就烧光了。

半年之内，行业从「随便用」翻到「省着用」。

只看这个表象，很容易觉得：AI 是不是要退潮了？

我的看法正好相反。「烧不起」不是 AI 不行，是我们用它的方式——无论组织怎么管、个人怎么用——都还停在很初期、很粗放的阶段。

为什么这么说？得先把账单拆开，看钱到底花在了哪。

先看单价：根本没涨。 我天天用的前沿模型，Claude Opus 从 4.5 到 4.8 一直钉在 $5/$25（每百万输入/输出 token），几代没动。要说降，是被开源追赶者打下来的：DeepSeek V4-Pro 永久价做到了 $0.435/$0.87，输出价不到 Opus 的零头（约 1/29），而它的编码能力已经摸到 Claude Opus 4.6、世界知识仅次于 Gemini-Pro-3.1——对绝大多数活儿，这个档位早就够用了。所以账单涨，真不赖单价。

真正爆炸的是用量。 Agent、长上下文、一轮套一轮的推理（Reasoning），把单个任务的 token 量撑到了过去的几倍、几十倍——实测推理模型一次回答约是普通模型的 2.5 倍，有些 Agent 产品甚至膨胀到二十倍。哪怕单价原地不动，光是用量这一项，就足以让账单失控。

而用量为什么会这么野？正是因为「敞开供应」——人人不计成本地烧。所以这套供应注定撑不住：它不是被 AI 的失败击穿的，恰恰是被 AI 太好用击穿的。市场规模已经验证，真正的问题，于是从「值不值得用」变成了「怎么才用得起」。风向变了，但方向没错。

#二、三层瓶颈：能下手的，其实只有最上面一层

「怎么才用得起」往深里想一层，其实是同一个问题的另一个问法：AI 要真正大规模用起来，到底有哪些坎得先迈过去？

得先承认，今天还远没到「大规模」。有人把过去 75 年的 AI 采用历程做成了一张可视化的「人海图」，每个点代表约 320 万人——你会直观地看到，真正把 AI 用进日常工作和生产的人，摊到全人类这片海里，仍然只是浮在表面的一层。喊得震天响，落到地上还很薄。

得说清楚：这张图是按西方产品的口径估的，它把 DeepSeek 这类只标了百万级、归进「学术小众」，明显把中国市场漏掉了——光豆包一个 App，2026 年 3 月的月活就有 3.45 亿，DeepSeek 也在亿级，加上千问、元宝、文心，中国的真实渗透率要比图上厚得多。但即便把这块补回去、把整片绿色往上修，结论依然立得住：用过 AI 的是少数，真正靠 AI 吃饭、把它织进生产流程的（图里那一小撮深绿和暖色），更是少数里的少数。这就是今天的「大规模」——离铺满这片海，还差得远。

那么换个问法：假如有一天它真的铺满了这片海，沿途要被解决掉的问题是哪些？我把它们自下而上理成了三层：

物理资源、模型优化、AI 应用交付。

最底下一层，是物理资源。 这一层撞的是自然世界的天花板——算力、能源、数据中心。

这里有个反直觉的地方：现在卡脖子的，已经不是芯片，而是电。微软有上百亿美元的云订单，因为没有足够的电力，迟迟交付不了。美国 2026 年规划的数据中心，相当一部分卡在变压器、电网这些环节上，而电网的建设周期动辄数年。芯片可以加钱排队，电网不行。

业界现在有句话——「AI 的尽头是算力，算力的尽头是电力」。这层约束硬到已经上升成国家级的赌注：美国那边，连马斯克都认真盘算过要把数据中心搬上太空；中国这边，则是把未来的一部分押在了能源上——雅鲁藏布江下游那种级别的水电工程上马，发电增量已是美国的好几倍。

而且中国押电力，我理解不只是「哪怕芯片落后，也要靠廉价电力的总量把算力追回来」这一层追赶的意思。还有一层更长线的算盘：电力本身可以经由算力「出口」。这其实是「西电东送」的升级版——过去是把西部的电沿着特高压送到东部，现在是把廉价电力就地变成算力，再通过海底光缆，把这份「算力」供给到全球。电以光的形式出海，卖的是结果而不是电本身。当「搬上太空」和「把电变成算力卖向世界」都成了正经选项，你就能掂量出这层物理约束有多重——它不是砸钱当天就能解决的。

中间一层，是模型优化。 这一层是模型厂商的战场——同样一份「智能」，怎么做得更便宜、更快、更省。

前面说的单价被一路打下来，就发生在这一层。但这件事，大多数人插不上手，卡在两道坎：

  • 硬件准入门槛：训一个有竞争力的模型，光算力投入就是天文数字，是组织级的门票，不是个人能够着的；
  • 知识鸿沟：就算身在大厂、坐在岗位上，预训练、推理优化这些活儿，跟我这种做应用的工程师之间，也隔着一条不浅的专业沟。

所以这一层，注定是顶尖 AI 人才和资本的战场。

最上面一层，是AI 应用交付。 这一层做的事，是把底下两层产出的那份通用智能，对接、交付到一个具体、真实的场景里去——喂给它对的知识、搭好它干活的环境，最终把它送到用户手上，变成实实在在的生产力。让「通用智能」变成「能解决我这个问题的智能」。和底下两层不同，这一层不挑准入门槛：它不要天文数字的算力，也不要预训练的专业积累，凭对业务和工程的理解就能下手。

值得点一句：在这一层之上，其实还站着真正的需求方——用户。底下三层全部的努力，最后都是为了把能力递到他手里。所以三层模型严格说应该是「三层瓶颈 + 一个终点」：物理资源、模型优化、AI 应用交付，三级接力，终点是用户。而至于这一层「用什么工程手段把底层能力供给用户」——这一年满天飞的那些新词，正是在回答这个问题。这一点我留到下一节专门讲。

讲到这儿，三层的关系就清楚了。底下两层决定的是「单位智能有多便宜」，最上面这层决定的是「便宜的智能，能不能真的变成生产力」。

而最关键的判断是：底下两层都在快速变好——电力在大建，单价在猛降——可真实世界的生产力，并没有跟着同比例往上走。姚顺雨把这个叫「效用问题」（utility problem）：AI 在各种榜单上早就超人了，可真实世界的 GDP 没怎么动。缺口卡在哪？我认为就卡在最上面这一层。

底下两层我够不着。物理资源是国家和巨头的事，模型优化是厂商的事。作为一个做应用的工程师，我唯一能下手的，就是第三层。

而第三层，恰好是我一年前那轮判断的落脚点。

#三、AI 应用交付这一层：方向我们看对了，也看清了新词是怎么造出来的

上下文工程是工程团队的「唯一」战场——我们碰不到模型参数，但可以精心构造 LLM 看到的上下文。

这句话，是我做 MindHub 立项调研时写下的。「上下文工程」是当时手头最顺的那个词——现在回头看，它说的正是AI 应用交付这一层的活儿。当时我顺手扒了一圈行业里的声音，想确认这个判断站不站得住。今天再看，它正好接住了上面三层模型的落点。

要理解为什么是「上下文」这一层最值得下手，得先退远一点看 AI 这七十年。

回看这张时间线，有一条容易被忽略的主线：
最近这一波能力跃迁，靠的不是又一个更聪明的算法，而是把海量知识喂进了一个已经够好的架构。

算法侧，2017 年的 Transformer 之后并没有再出现同量级的突破；真正让 Agent 在 2023 年集中爆发的，是预训练把海量世界知识灌了进去，模型第一次有了在开放世界里干活的「常识」。不是说算法不重要——没有 Transformer 什么都不成；而是说，当架构这一步已经够用，后面拉开差距的，是知识。

这个判断，不是我一个人的臆测。我扒到三篇来自完全不同视角的文章，它们几乎不约而同地指向同一个方向：

  • 姚顺雨《The Second Half》，强化学习视角——让 AI 能泛化的不是更好的算法，是预训练注入的海量知识，「知识 > 环境 > 算法」；
  • Karpathy 2025 年度回顾，工程类比视角——LLM 是操作系统、上下文窗口是内存，我们的活儿是备好它运行所需的数据和环境；
  • OpenAI《Harness Engineering》，一线实践视角——一个三到七人的小团队，五个月用 Codex 写出约一百万行代码、0 行人工手写，工程师的活儿从「写代码」变成「设计一个让 Agent 能写好代码的环境」。

一个搞理论、一个写工程、一个带团队打仗，在不同时间从不同角度出发，最后收敛到同一句话上：决定智能能不能用好的，不是模型本身，是模型周围那套东西。 三个人撞到一起，我去年的判断，方向上没看错。

但顺着这件事，我想多说几句——关于这一年满天飞的那些新词。

这一年，AI 圈的新词冒得特别快：Prompt Engineering、Context Engineering、Harness Engineering，到最近的 Loop Engineering，几乎一个月换一个。很多人说这是炒作、是换皮。

这些词到底是不是换皮，先别急着下结论。把它们摆到一起、扒一扒底下的东西，会看到三件事。

第一件：它们不是换皮，是同一个方向上的形态进化。

把这几个词按出现顺序摆一排，会发现是人在一步步从 AI 身边往后退：

  • Prompt Engineering：你握着 AI 的手，一句一句喂；
  • Context Engineering：你不光喂指令，还把它该看的料备齐；
  • Harness Engineering：你干脆给它搭好整个环境，让它在里面自己跑；
  • Loop Engineering：连「驱动它干活」都交出去——你只定义目标和验收，剩下的让一套循环自己去敲。

从「握着手」到「喂对料」，到「搭环境」，再到「连驱动都不亲自做」。每个新词，标记的都是人往后退的一格。所以它不是换皮，是退后的姿势在迭代。

第二件：所谓新概念，很多时候不是新发现，而是给一种集体的共同体验起了个名字。

这点我有亲身体会。我从今年 1 月就开始做 MindHub——围绕大模型搭一整套研发支撑，做的时候它还没名字。直到 2 月 OpenAI 抛出「Harness Engineering」，我才发现这个词正好能命名我过去大半年在做的事。

但它印证的不是「OpenAI 说我对了」，而是一个机制：当一个工具的使用者基数大到一定程度，大家会撞到高度类似的问题，这时谁用一个词概括了这种共同体验，它就瞬间引起共鸣、火起来，再被无数人接着加工、解读，慢慢偏离本意。

Loop Engineering 就是个活例子：一位开发者发条推说「别再往 Agent 里一句句打字了，去设计一个替你打字的循环」，几天冲到几百万阅读；第二天另一位工程师就发博客把它正式命名。一条推，一个晚上，一个新词就立住了。

所以 harness、loop 这类词能在一夜之间爆火，背后其实是两股劲在合力：

一是它确实戳中了——把成千上万人各自零散的同类体验，用一个词统一成了共同的「意识形态」，大家一看「对，我说的就是这个」，瞬间共鸣；

二是热度本身会自我繁殖——词火了，是个人都想蹭一下、接着解读一句，于是越滚越大，也越滚越偏离本意。

第三件：得留个心眼——提出这些词的人，往往就是卖账单的人。

Context Engineering 出自 OpenAI 的创始成员，Harness Engineering 是 OpenAI 提的，Loop Engineering 的提出者现在也在 OpenAI。而这条「人不断往后退、让 Agent 自己多轮跑」的路线，有个不太被点破的副作用：每往后退一格，单任务烧掉的 token 就翻一截——推理模型本就比普通模型多烧一倍多，Agent 自循环更是动辄十几二十倍。越往后退，账单越厚，而收账的恰好是提词的人。

我不是说这些概念是假的，方向是真的，我自己也在这条路上；但概念的提出者和账单的受益者高度重合，作为重度使用者，这一点得始终拎得清。

所以，拨开一个接一个的新词，你会发现很多时候是同一件事在被反复重新命名、再被层层包装上新的期待。看清这点，比追着每个词跑，省心得多。

#四、AI 应用交付真正难的另一半，不在技术，在组织

把AI 应用交付的方向看对、词也认全，是不是把工程做扎实，事情就成了？

真动手做 MindHub 之后越来越确定：这套「知识驱动智能」的判断，技术只是其中一半，另一半在组织——而组织那一半，要难得多。

这事 Databricks 的 CEO Ali Ghodsi 讲得比我透。他在斯坦福和学生聊 AI 价值链时，有个观点我很认同：企业用不起来 AI，主要不是因为模型不够聪明，而是另外两件事。

一件是，AI 缺企业内部那些藏在人脑里的隐性上下文——流程怎么走、潜规则是什么、当年那个决定为什么那么定。这些东西没人写下来。更麻烦的是组织政治：员工担心自己把经验交出去就被替代了，于是不愿意交。

另一件是，大多数企业只是把 AI 塞进了旧流程里，而没有为 AI 重构一套新流程。Ghodsi 拿他们自己做数据连接器举例（这是他在分享里讲的口径）：把 AI 塞进老流程只是省了点时间，真正的飞跃是后来把流程整个推倒重做——重构流程带来的提升，远大于「把 AI 塞进老流程」。

我听完特别有共鸣。因为AI 应用交付里最难的那一块，从来不在技术，而在组织。技术上，把知识结构化、做好检索、搭好环境，这些都有章可循。可「人脑里的隐性知识愿不愿意交出来」「流程肯不肯为 AI 推倒重来」——这两件事，没有一行代码能直接解决。

#五、从 MindHub 的落地，看「为什么有人吃到红利、有人还没动」

MindHub 做到现在，我是有成就感的。

它已经接进了不少研发项目，也跑出了几个像样的标杆案例——线上 Bug 的 Oncall 从人工流转变成自动流转，产品经理不写代码也能自己做出可点击的原型。这些是实打实的结果。

它大概长这样——一张脱敏后的全景图，隐去了内部基础设施和具体业务代号，只留结构。不必细看每个格子，扫一眼分层就行：最底下是被封装的外部底座，往上是可复用的内核（记忆、LLM 网关、可观测、知识检索等几根能力支柱），内核之上长出研发租户和孵化的标杆产品，最外面统一接入多种 IDE 宿主；一条主轴 MindFlow 把「需求 → AI 实现 → 自动验证 → 交付」串起来。说白了，就是把 OpenAI 那篇 Harness Engineering 讲的事，落成一套自己团队能用的工程底座。

（这是脱敏后的示意图，隐去了内部系统、具体业务与量化数据，只保留分层结构与命名。）

它没有在整个部门一夜之间铺开——这一点，从一开始就在预期之内。一套新的研发范式，本就不可能被所有人同时接受。

真正值得拆开看的是另一个现象：同样一套东西，为什么有的人用得风生水起，有的人却迟迟不动？

拆开之后我发现，这事跟 Ghodsi 讲的，根本是同一件事的两面——分水岭不在工具，在「人和流程动没动」：

  • 跑得快、愿意动的那批人和产品，先吃到了红利。 他们愿意把领域知识喂进去，也愿意为 AI 改流程，于是 MindHub 在他们手里转得飞快。
  • 跑得慢、还没动的那批，恰好印证了 Ghodsi 说的瓶颈。 不是工具不好用，是隐性知识还在脑子里没交出来，是旧流程还没为 AI 让位。

这种「先动的人先受益」的分化，其实并不新鲜。最典型的是电力替代蒸汽动力的头几十年：真正把效率提上去的，是那些懂得围绕电机重新设计车间布局的工厂；而多数只是把电机一换、产线照旧的，提升寥寥。

工具到位，从来不等于效率到位。中间总隔着一段「先改的人和后改的人拉开差距」的日子。这是生产力跃迁绕不过的阵痛期，AI 这一次，大概也逃不开。

而且这一次被重排的，恐怕不只是车间布局，还有分工本身。今天科技公司里「老板、产品、前端、后端、测试、运维」这种界限分明的角色划分，我猜会一点点模糊、甚至被打散，朝某种新结构演进——一个人借 AI 同时干完过去几个角色的活，不再是稀奇事。

往大了看，每一次技术突破带来的效率革命，几乎都在对旧的组织方式做一轮「熵减」：降本、增效、扁平化，把冗余的层级和分工压掉。然后在新结构稳定下来之后，组织又会慢慢「熵增」、重新长出新的层级和山头，直到下一次技术革命来临，再被推倒重排一次。AI 这一轮熵减，现在才刚开了个头。

所以问题就摆在这儿了：怎么让红利从「少数跑得快的人」，扩散到更多人？

我现在的判断是——光靠自下而上的自发采用，不够。

自发采用有个天然的天花板：它只会发生在那些本来就主动、本来就跑得快的人身上。这批人吃饱了，剩下的大多数，不会因为「有个好工具」就自动跟上，因为挡住他们的不是工具，是流程和习惯。

要让 AI 真正铺开，光靠自下而上不够，还得有一股自上而下的力量下场——但不是发个文件、一刀切推行的那种自上而下。它更像「农村包围城市」：让真正懂 AI 的人——比如组织里做 harness 的团队——主动走到一线业务里去，挑一个真实需求，亲手用 AI 从头跑通，在这个过程里，顺带把那条卡了很久的旧流程重做一遍。先在一个个具体的「点」上做出样板，再让这些样板去包围、松动那些还没动的「面」。

样板一旦立住、流程一旦被重做，就会反过来「逼」那些还在观望、不愿动的人改变。而很多时候，人就是这样——被推着用上了，真正尝到甜头，才会回过头说一句「真香」。

这不是我已经验证过的结论，是我现在押的方向。对不对，得让时间来说。

而押下这个方向，对我个人也意味着一次职业的转型。我做了很多年前端，但这一年，我在有意地把能力的重心从「前端工程师」往 AI 上挪——学模型、学 Agent、学怎么把 AI 变成可靠的生产力。我有个预感：一个叫「AI 应用工程师」的岗位，正在或者已经诞生了。与其等这个岗位来定义我，不如自己先走过去。

#最后

写到这儿，前面那些乱糟糟的信号，在我心里大致归位了。

token 从敞开到收紧，不是退潮，是用法在回归理性。概念一个月换一个，也不全是炒作，更多是人在一步步退到 AI 身后——只是别忘了，提词的人往往也在卖账单。而企业迟迟用不起来，问题真不在模型聪不聪明，在组织和流程肯不肯为它让路。

说到底是同一件事的几个侧面——AI 的瓶颈，早就从「模型够不够聪明」，挪到了「我们这些用它的人和组织，跟不跟得上」。

至于更远的地方，价值大概会像每一次技术浪潮那样，慢慢从底层流向应用层。回想 PC 互联网和移动互联网这二十年，真正赚到钱、长成巨头的，是淘宝、微信、美团、抖音这些应用，而不是底下的 TCP/IP、不是默默铺光纤的管道。这一次 AI，我猜也差不多——底座决定下限，但红利的大头，终究落在离用户最近的那一层。

但再往后，AI 真的大规模用起来之后，社会会变成什么样——说实话，我还想象不出来。

所以这篇真的只是「想到这儿」的一份笔记，不是什么结论。先记下来，继续走着看。

#参考

支持一下
扫一扫，支持JerryC
  • 微信扫一扫
  • 支付宝扫一扫