企业级AI落地现名词崇拜误区 开发者因缺乏工程诊断能力致项目停滞

企业级AI落地现名词崇拜误区 开发者缺乏工程诊断致项目停滞 真正拉开AI能力差距的是上下文管理与任务拆解等底层动词，盲目追逐RAG或MCP等时髦概念无法解决真实业务中的不稳定痛点。 视频深入探讨了AI学习者普遍存在的“名词崇拜”焦虑，指出在真实的企业复杂工作流中，单纯背诵RAG、Agent等概念往往无法解决实际问题。真正拉开差距的是处理AI任务时的“动词能力”，即如何进行上下文管理、任务拆解、路由、评估与诊断。以RAG为例，基础Pipeline正逐渐失去技术溢价，而如何应对文档过期、权限管理及准确率诊断等系统性问题才是高溢价的核心。作者强调，AI本质上是一门需要长期磨练的“工作手艺”，唯有沉淀底层的动词动作，才能在工具和模型不断更迭的时代获得长期复利。 许多AI学习者陷入“越学越焦虑”的怪圈，表面上懂得许多新潮概念，但这些概念通常仅在理想路径（happy path）的碎片化任务中有效。 (0:00) 在真实的企业复杂工程中，面对历史包袱和模型的局限（如偷懒、遗忘、幻觉），仅靠背诵名词和更换模型无法解决实际问题。 (0:00) 很多人AI能力停滞不前的根本原因，在于盲目追逐各种花哨的时髦“名词”，忽略了真正决定能力高低的底层“动词”。 (0:00) 高手与普通使用者的差距在于处理任务的“动词能力”，包括上下文管理、任务拆解、判断、路由、诊断和沉淀等具体动作。 (1:57) 认知中存在“货架效应”：人们争相追逐显性的“硬名词”（第一货架），却觉得不急于学习更核心的“软动词”（第二货架），从而拉开了人与人之间的差距。 (1:57)

[0:00] 很多人 AI 能力卡住的根本原因：盲目追逐“名词”，忽略了真正决定高低的“动词”。 [0:00] RAG、agent 等概念其实花 5 分钟跟 AI 就能学会，但知道这些并不等于能把工具用得靠谱。 [1:57] 真正厉害的 AI 高手和普通使用者之间的差距，绝不在于多记了几个名词，而在于处理任务的方式完全不同。 [5:06] 用名词的方式学 RAG，关心的只是 pipeline 里的零件；而用动词的方式去学，关心的则是系统如何在一个工作环境中稳定地工作。 [5:06] 基础的 RAG pipeline 正在逐渐被平台吸收，其技术溢价正在越来越不值钱。 [5:06] 企业愿意付出高溢价的、真正值钱的是 pipeline 之上的 6 个动词能力：上下文管理、切分（不限于 chunking）、判断、评估、诊断、编排。 [7:46] 很多程序员在这抱怨说你的 AI 不好用，很多时候就是你自己太菜了，停留在那些非常浅的名词里边。 [7:46] 工具会变、模型会变、概念天天在变，但 70% 的底层动词动作是长期不变的。 [7:46] 动词能力具有长期的复利价值：随着模型变强（如 context window 增大），上下文管理等能力的手段反而会更丰富，其价值非还不会贬值，反而会带来更长期的复利。

[0:00] LinkedIn 的一个同学 [0:01] 他们是做 AI generation 的嘛 [0:02] 他们去年的时候 [0:02] 跟 leadership 去讲要用 MCP [0:04] 然后今年呢 [0:05] 他们觉得啊 MCP 很多地方是不好用的 [0:06] 要用 skills [0:07] 这个时候呢 [0:07] leadership 终于听懂了啊我要用 MCP [0:10] 今年3月份的时候跟所有人说 [0:11] 你们所有的东西全都要做成 MCP [0:12] 然后他们就觉得wow～ [0:13] 这个东西实在是太无语了 [0:14] 这就是你只关注名词的时候 [0:16] 就是会犯的问题 [0:17] 你不关注结果 [0:17] 你关注的是那个零件 [0:19] 你关注的是那些 fancy 的概念 [0:21] 它本质上是非常 counterproductive 的 [0:25] 最近我一直在想一个问题 [0:26] 为什么很多人学 AI 越学越焦虑 [0:29] 而且他们的水平其实 [0:31] 被限制在了一个地方 [0:32] 很难提高 [0:33] 看上去这个人懂很多东西 [0:35] 但是实际他在工作中使用 AI 的时候 [0:37] 非常的不靠谱 [0:38] 很多东西他是做不好的 [0:40] 但是你问他的话 [0:40] 什么新概念他都知道 [0:42] 他都能给你讲出来道理 [0:43] fine-tune, RAG [0:44] 各种 Framework、LangChain [0:46] 包括 Harness Engineering [0:47] 他全都能给你讲 [0:48] 而且这些人啊 [0:49] 他可能看了很多个 AI 工作流 [0:50] 看到了很多大佬是怎么样子 prompt 的 [0:53] 他在做一些任务的时候呢 [0:54] 他偶尔也能把 AI 用得很好 [0:55] 写个文案 [0:56] 写个代码 [0:56] 都能感觉到 [0:57] 哦 AI 好像确实是很厉害的 [0:59] 但是进入到真实工作的时候 [1:00] 他们就抓瞎了 [1:01] 因为在真实工作中 [1:02] 你的工作不是这样的一个一个片段 [1:04] 你是一个非常连续的 [1:06] 要不断推进的东西 [1:07] 你的代码仓库里边 [1:08] 可能有很多历史的包袱 [1:10] 然后你的上下文可能是不全的 [1:12] 然后你的模型针对 [1:13] 不同的新出来的任务呢 [1:15] 都需要针对这些任务本身去设计答案 [1:18] 而不是复制一个现成的别人的方法就可以把问题解决的 [1:21] 然后你还会发现 [1:22] 在这个使用的过程中呢 [1:24] 别人给你展示的是一个 happy path [1:25] 但是在你的使用中 [1:26] 它会偷懒、会忘 [1:28] 然后会答非所问 [1:29] 会给你 hallucinate [1:30] 然后会在一个你以为不会犯错的地方 [1:32] 突然给你犯个错 [1:33] 那这个时候很多人的第一反应就是 [1:35] 我是不是这个工具没有学好啊 [1:36] 是不是我的 prompt 没有学好啊 [1:38] 是不是我还有很多新的 [1:39] 这个 fancy 的 technique 我没有学会 [1:41] 他们就说我是不是应该换个模型 [1:43] 换个工具 [1:43] 然后是不是应该去把那些 [1:45] 概念再重新再学习一下 [1:46] 于是呢他们就去继续学习下一个名词 [1:49] 而离把这个任务真的做完越来越远 [1:51] 因为这些人 AI 能力卡住 [1:54] 问题恰恰出在他们去追逐名词 [1:57] 而真正决定一个人 AI 用得好不好的 [2:00] 是那些动词 [2:01] RAG 是名词 [2:02] agent 是名词 [2:03] Harness Engineering 是名词 [2:04] 它们当然有价值 [2:05] 然后也值得我们去了解 [2:07] 但是其实这些东西真的要去学的话 [2:09] 5分钟你跟 AI 就都能学会了 [2:11] 真正厉害的人 [2:12] 和普通使用者之间的差距 [2:14] 不是在于这些真正厉害的人多学了一些名词 [2:17] 多知道一些新东西 [2:18] 而是在于他处理任务 [2:19] 的方式完全不一样 [2:21] 比如说他知道 [2:22] 什么时候该给 AI 更多上下文 [2:23] 什么时候应该减少上下文 [2:25] 比如说一个复杂任务 [2:26] 应该怎么样子拆给 AI [2:27] 比如说哪些环节应该交给 AI [2:29] 哪些环节必须要有人来判断 [2:31] 比如说针对这个任务本身的 [2:32] evaluation 到底我们应该怎么看 [2:34] 以及 AI 怎么样子才能保证 [2:37] 它去非常好的 follow instruction [2:39] 非常好的不偷懒不出错 [2:40] 比如说你是让 AI 直接的去看一下结果 [2:43] 还是你应该让 AI 先写一个脚本 [2:45] 然后对着这个脚本一个一个的去 check [2:47] 而且他们知道当整个任务出错了以后 [2:49] 他们能 debug [2:50] 他们知道任务(问题)出(在)了哪里 [2:52] 到底是 AI 能力的限制 [2:53] 还是因为你的上下文没有给够 [2:55] 还是因为你中间的 routing 等等出了一些点 [2:57] 他们能 identify 这些 root cause [2:59] 并且把它解决 [3:00] 这些东西呢 [3:00] 听起来就没有那么技术了 [3:02] 就听起来不像 MCP, LangChain 这样的东西 [3:04] 一听就是一个技术 [3:06] 而且他们没有 GitHub 仓库 [3:07] 除了我们的课 [3:08] 基本上网上也没有人去教这些东西 [3:10] 他甚至也不能 pip install 变成一个 package [3:12] 变成一个 library [3:13] 而且这些东西你学了以后 [3:14] 你真的变强了 [3:15] 你还很难把它写到你的简历的技能栏里边 [3:18] 所以大家不重视 [3:19] 但是最终决定你 AI 能力的 [3:21] 恰恰就是这些动作 [3:23] 是这些动词 [3:24] 那这就是这期视频的主题了 [3:29] 我我在这期视频里边就会用 [3:31] 非常详细的例子去跟大家讲清楚 [3:33] 名词和动词的差距是什么 [3:34] 那这些动词我帮大家 [3:36] 打开去看到这些动作到底都是什么 [3:38] 以及我们如果要学习的话 [3:40] 应该用什么有效的方式去学习 [3:42] 和当我们学会了以后 [3:44] 我们应该怎么向别人展示 [3:45] 我们是有这些能力的 [3:47] 那我们要讲清楚这一点呢 [3:48] 我们就要先讲清楚名词 [3:49] 为什么容易让大家上瘾 [3:51] 为什么大家去学 [3:52] 一眼就去看名词 [3:53] 明明动词是更有用的东西 [3:55] 但是大家都要去学名词 [3:56] 我先说一下 [3:57] 我不是反对去学这些工具 [3:58] 我觉得那些名词都是重要的 [4:00] 都是应该学的 [4:01] 但问题是啊 [4:05] 因为名词是有边界的 [4:06] 你学了 RAG 你就以为 [4:07] 可以解决这些问题了 [4:08] 然后你学了 agent [4:10] 你就知道怎么样子 [4:11] 模型可以调用工具了 [4:12] 然后你就可以怎么样子让它自己去解决问题了 [4:14] 你学了 fine-tune 你就说 [4:16] 我有一个小的数据 [4:17] 然后我想让这个模型 [4:18] 更适配我的这个小样本的数据 [4:20] 我就可以去做一个针对 [4:21] 我的任务的专有模型了 [4:23] 它给你错误的进步的感觉 [4:24] 让你觉得前后的差距特别明显 [4:27] 而且它还有一个好处 [4:28] 就是它可以被证明就是 [4:29] 我学了 RAG [4:30] 我做过 RAG [4:31] 我就可以直接写到简历了 [4:33] 然后这个 checklist 打上了以后 [4:34] 你就不用再继续学下去了 [4:36] 因为你简历上已经有了 [4:37] 所以说我们的脑子里边啊 [4:38] 就会有两个货架 [4:39] 第一个货架是 RAG [4:41] agent、Harness Engineering [4:42] 第二个货架上面是上下文管理 [4:44] 任务拆解、人机协同、结果确定性 [4:46] 第一个货架上的东西看起来很硬 [4:48] 第二个货架上的东西看起来很软 [4:50] 然后大家更愿意去投入第一个货架 [4:52] 这是我们为什么会被名词吸引 [4:54] 第二个货架上的东西呢 [4:55] 大家会点头 [4:56] 但是大家会觉得这个东西没什么好急的 [4:58] 然后我迟早会会的 [4:59] 或者说嗯...我不知道它到底有没有用 [5:01] 它能帮我解决问题吗 [5:02] 看起来很软 [5:03] 所以说大家可能会觉得要学 [5:04] 但是大家不会急着去学 [5:06] 那我们就打开 RAG 这一个词去看一下 [5:10] 到底什么东西是真的该学的那个点 [5:13] 然后什么东西是一个伪装成重要 [5:15] 但是实际不重要的点 [5:17] 比如说啊 [5:17] 很多人学 RAG 的方式是从 pipeline 开始的 [5:20] 文档切分 [5:21] 做 embedding [5:22] 存进向量数据库 [5:23] 然后用户检索的时候呢 [5:25] 去找一下 top-k [5:26] 把召回内容呢 [5:27] 塞进 prompt [5:28] 再让模型生成答案 [5:30] 听起来就是一个非常完整的 [5:31] 让人一听就觉得很心安的这么一个流程 [5:34] 学到这呢 [5:35] 很多人就有一个危险的错觉 [5:36] 就是自己会做 RAG 了 [5:38] 可是到了真实的应用场景呢 [5:40] 我们就会发现这个流程狗屁都不是 [5:43] 根本就没有用 [5:43] 而且非常的 counterproductive [5:45] 比如说你一开始的切分 [5:47] 到底你应该固定一个 size [5:49] 还是应该让模型自己去决定 [5:51] 比如说 embedding 这一步到底是必要的吗 [5:54] 比如说我是为什么要把它 [5:55] 放到一个向量数据库里边 [5:56] 我是不是有一个更好的检索方式 [5:58] 去存我的信息 [6:00] 比如说我为什么要使用 top-k 去进行召回 [6:02] 那我这些东西假设我全都有答案 [6:05] 然后我全都做好了 [6:06] 新来一个模型 [6:07] 所有的东西又要打破重来 [6:09] 而真正的在企业工作中需要解决的问题 [6:12] 这儿又全都没有说 [6:13] 用户问的问题到底应该召回哪些资料 [6:15] 你怎么样子去 resolve [6:17] 你应该召回5段的内容 [6:18] 还是应该召回20段的内容 [6:19] 或者同样的内容 [6:20] 你应该分5段去召回 [6:22] 还是应该分20段去召回 [6:23] 那你 chunk 太大了以后呢 [6:25] 答案会被无关的信息掩没 [6:26] chunk 太小呢 [6:27] 你又很可能把一个答案给切分开了 [6:29] 那用户换一种说法去问同样一个问题 [6:32] 你的检索命中率下降了 [6:33] 这个 recall 下降了怎么办 [6:35] 文档过期了 [6:36] 系统还在返回旧内容怎么办 [6:38] 不同的部门有不同的权限 [6:40] 那这个权限管理又怎么办 [6:41] 答案的引用到底准不准 [6:43] 什么才是 ground truth [6:44] 你这次的回答是错了 [6:45] 那到底是你的检索错了 [6:47] 生成错了 [6:48] prompt 错了 [6:48] 流程错了 [6:49] 还是用户的意图理解错了 [6:50] 就是你在企业中真实的会面(对)到这些问题 [6:52] 然后跟你那些 pipeline 其实啥关系都没有 [6:55] 你想用这些 pipeline 去解决这些问题 [6:58] 完全是南辕北辙的 [6:59] 而这些东西呢 [7:00] 其实是你在工作中真实面对的 [7:02] 和真正懂行的面试官 [7:04] 会重点考察你的内容 [7:06] 所以用名词的方式去学 RAG [7:08] 你关心的是这个 pipeline 里边有哪些零件 [7:11] 你用动词的方式去学 RAG [7:13] 关心的是这个系统 [7:15] 怎么样子在一个工作环境中稳定的工作 [7:18] 可以说啊 [7:18] 就是关注名词的那些人 [7:20] 他们本质其实是 counterproductive 的 [7:22] 因为他们学了这个名词 [7:23] 他们就想把这个名词给用好 [7:25] 就是第一呢他只知道这些名词 [7:27] 他不去关注那些动词 [7:28] 他很难去关注真正的结果的稳定 [7:30] 第二呢当他学了这些东西以后 [7:32] 他又想要去 show off 这些东西 [7:33] 就是我学了 Harness Engineering [7:35] 你说我要怎么样子去 [7:36] 好好使用 Harness Engineering [7:38] 我去学了 RAG [7:39] 那我就应该怎么样子 [7:40] 用我学到的 RAG 这一套去解决我的问题 [7:43] 而他们不去关注那些 [7:44] 真正值得被解决的问题 [7:46] 我前几天在做企业培训的时候 [7:48] 还跟 LinkedIn 的一个同学 [7:49] 他们是做 AI generation 的嘛 [7:51] 然后就非常的无语 [7:52] 就是他们去年的时候 [7:53] 跟 leadership 去讲要用 MCP [7:56] 然后今年呢 [7:56] 他们觉得啊 MCP 很多地方是不好用的 [7:58] 要用 skills [7:59] 然后这个时候呢 [8:00] leadership 终于听懂了啊我要用 MCP [8:02] 然后 leadership 开始 [8:03] 在今年3月份的时候跟所有人说 [8:05] 你们所有的东西全都要做成 MCP [8:07] 然后他们就觉得wow～ [8:08] 这个东西实在是太无语了 [8:09] 但是你看嘛 [8:10] 这就是你只关注名词的时候 [8:12] 就是会犯的问题 [8:13] 你不关注结果 [8:14] 你关注的是那个零件 [8:16] 你关注的是那些 fancy 的概念 [8:18] 它本质上是非常 counterproductive 的 [8:20] 那我在这具体给大家展示一下 [8:22] 名词关心的点和动词关心的点 [8:24] 我就不展开说了 [8:25] 感兴趣的同学欢迎截个图就行 [8:27] 当你看到了这个动词的这些东西 [8:29] 你就会发现 RAG 这个概念是不够用的 [8:31] 你面临的动作是 [8:32] 权限控制、监控、诊断、上下文工程 [8:36] 工作流设计、评估 [8:37] 那刚刚说的这些点 [8:38] 我们背后也出了一篇文章 [8:39] 并且提出了一个判断啊 [8:40] 就是这些基础的 RAG 的 pipeline [8:42] 其实有用的东西早就被平台吸收了 [8:44] 那企业愿意付出溢价的东西 [8:47] 反而正好是这个 pipeline 之上的能力 [8:49] 所以说你学这些名词 [8:51] 不光是 counterproductive 的 [8:52] 而且它其实会越来越不值钱 [8:55] 真正的值钱的东西是这些动词 [8:57] 无论是在面试在工作 [8:58] 还是你去做创业 [9:00] 真正值钱的也都是这些动词 [9:02] 因为我们有这个文章啊 [9:03] 所以说我在视频里边就不过度展开了 [9:05] 我把 RAG 这一个概念所对应的 [9:08] 6个动词能力跟大家提一下 [9:10] 然后每一个呢 [9:11] 我都会把它具体的细节都放在这里边 [9:14] 把它展开了以后 [9:15] 大家就能看到这里边 [9:16] 到底对应的是多么深 [9:17] 多么多的内容 [9:18] 第一个动词是上下文管理 [9:20] 第二个动词是切分 [9:22] 而且这里的切分不只是 chunking [9:23] 第三个动词是判断 [9:25] 第四个动词是评估 [9:26] 第五个动词是诊断 [9:28] 第六个动词是编排 [9:29] 所以希望这个例子就给大家讲清楚了 [9:31] 名词和动词差距到底有多大 [9:33] 那我们从 RAG 这个具体的案例 [9:36] 回到我们相对抽象的主线 [9:38] RAG 只是一个例子 [9:39] 你换成 agent [9:40] 换成 Harness Engineering [9:41] 甚至换成 AI 编程、AI 写作、AI 知识库 [9:44] 都是一样的 [9:45] 初学者关心的是我该学哪个工具 [9:47] 高手关心的是这个任务该如何组织 [9:50] 初学者关心的是我怎么样子 [9:52] 写一个更好用的 prompt [9:53] 高手关心的是这个任务 [9:55] 需要什么样的上下文结构 [9:56] 初学者关心的是哪个模型最强 [9:59] 高手关心你这个任务是什么 [10:00] 哪个模型 [10:01] 哪个工具 [10:02] 哪个流程是更适合你这个任务的 [10:04] 初学者问为什么 AI 又错了 [10:06] 高手就问到底哪里出错了 [10:08] 所以你会看到啊 [10:09] 像我们刚才 RAG 的那个例子一样 [10:11] 高手的动作也是围绕这几个名词的 [10:14] 管理、拆解、判断、路由、诊断、沉淀 [10:17] 那我在这也是给大家展示出来 [10:19] 欢迎去截屏 [10:20] 我就不一一描述了 [10:21] 那最后就会导致大家 [10:23] 其实用的是同样的模型 [10:24] 同样的工具 [10:25] 最后质量的差距就会特别特别的大 [10:27] 有的人呢可以用 AI 写点小东西 [10:29] 有的人可以用 AI 推进 [10:31] 非常复杂非常稳定的项目 [10:33] 像 Claude Code 基本上就是用 AI 写出来的 [10:35] 所以说很多程序员在这抱怨 [10:37] 说你的 AI 不好用 [10:38] 很多时候就是你自己太菜了 [10:45] 以为你会用 AI 了 [10:46] 然后你停留在那些非常浅的名词里边 [10:48] 你不光没有去做好这些动词 [10:49] 你甚至根本就不知道它们的存在 [10:51] 你自然就会觉得自己水平已经很高了 [10:53] 因为这些名词你都懂了嘛 [10:55] 但是看不出来你跟高手之间真正的差距 [10:57] 这个观念上的差距 [10:59] 其实就造就了一个特别大的分水岭 [11:01] 你如果只盯着名词的话 [11:03] 你的水平就是有天花板的 [11:04] 没有办法提高的 [11:05] 因为你看不到这里嘛 [11:06] 但是你看到这里了 [11:07] 知道他们的存在 [11:08] 你就有希望的去不断提高 [11:10] 你就会变成一个越来越厉害的人 [11:12] 好希望把这个点给讲清了 [11:14] 那我们再说一下背后 [11:15] 的一些机制和原因 [11:16] 为什么会发生这样的事啊 [11:18] 第一个原因就是 [11:19] 工具的进步很容易被看见 [11:21] 但是动作的进步(不)容易被看见 [11:23] 你打高尔夫买了一个新球杆 [11:24] 所有人都能看见 [11:26] 但是你这个动作变好一点啊 [11:27] 其实你知道 [11:28] 教练知道 [11:29] 别的人很难看出来的 [11:30] 第二呢 [11:31] 就是人只能看到自己当下的瓶颈 [11:33] 那些名词呢 [11:34] 你可以看到 [11:35] 但是那些动词的瓶颈你是看不到的 [11:37] 很神奇哈 [11:38] 就是你真的把这些东西全都做完了 [11:40] 你真的克服了这些瓶颈 [11:41] 然后把这个动作变得很强了以后 [11:43] 你才有可能看到这些动作的重要 [11:45] 你在一开始啥都不知道的时候 [11:47] 你根本就不知道这些动作的存在 [11:49] 你只会看到高手也是一个刺拳 [11:51] 然后你也是一个刺拳 [11:52] 然后你不知道你和高手这个刺拳 [11:54] 到底其中的差距是多少 [11:55] 只有一个高手才能真的告诉你 [11:57] 那这就是为什么 [11:58] 鸭哥这么稀缺和这么有价值了 [12:00] 因为他不光完全的走过了这些路 [12:02] 他不光能看到这么多东西 [12:03] 而且他还能很好的 [12:05] 把这些东西给教出来 [12:06] 他能把这些东西给具象化 [12:08] 他能告诉大家这个东西差距是什么 [12:10] 和怎么样子去弥补这个差距 [12:12] 有很多人是自己会 [12:13] 但是他不会教 [12:14] 鸭哥就是非常稀缺的 [12:16] 自己又非常厉害 [12:16] 然后又很会教 [12:18] 然后他还能层层设计 [12:19] 把这些东西变得 [12:20] 深入浅出的这么一个人 [12:22] 所以大家在社区里边多向鸭哥学习 [12:24] 很多人啊 [12:25] 他都是学了一段时间 [12:27] 当时看可能没什么 [12:28] 但是过了两三个月 [12:29] 自己开始做东西的时候 [12:30] 再回来一看才说哇 [12:31] 原来当时的这个设计是如此的精巧 [12:34] 当时的这个选型是如此的用心良苦 [12:36] 然后我真的不知不觉中 [12:38] 就学会了非常重要的原理 [12:40] 在这呢还可以稍稍联系到 [12:41] 我之前讲手艺的那期视频 [12:43] 我就不过多度展开了 [12:44] 总之手艺对应着背后都是那些动作 [12:47] 不管是高尔夫也好啊 [12:49] 还是打拳也好啊 [12:50] 还是学 AI [12:51] 还是普通的编程、写作等等 [12:53] 都是手艺 [12:53] 所以说在手艺里边 [12:55] 我们抱着学科学习的错误思维方式 [12:58] 才觉得我们应该去学概念 [12:59] 学那些知识 [13:01] 而不是应该去学动作 [13:02] 我们如果用对待手艺的心态去看 AI [13:05] 我们就很容易发现 [13:09] 这个就叫做用 AI 做事的手艺 [13:12] 那给大家总结一下 [13:13] 回到最一开始的问题 [13:14] 为什么你学了很多 AI [13:16] 然后越来越焦虑 [13:17] 但是却一直没有办法把 AI 用好 [13:19] 那就是大家一直看到了上面这条线 [13:21] 没有看到下面这一面 [13:23] 上面这条线就是各种各样的名词 [13:25] 下面这个面是真正的动词 [13:27] 和动词展开所对应的你要做好的那些事 [13:30] 真正的入门不是你去追逐 [13:32] 最新的上面的这些概念 [13:34] 而是你开始看到下面的这些动作 [13:36] 开始去提高你下面的这些动作 [13:39] 那个时候你就不是一个 [13:40] 追着 AI 新名词跑的人了 [13:42] 而是真的开始用 AI 做事的人 [13:44] 那你自然而然也就不会焦虑了 [13:46] 工具会变 [13:47] 模型会变 [13:48] 框架会变 [13:49] 这些名词天天都会变 [13:50] 但是反而这些动作是不怎么变的 [13:53] 我们的课程到现在12期 [13:55] 每期都在更新 [13:56] 但是70%这里边的动作 [13:58] 其实我们发现是不变的 [13:59] 而且随着模型变强 [14:01] 他们是会越来越有复利的 [14:02] 就比如说管理好上下文 [14:04] 你管理好上下文了以后 [14:05] 你的新模型出来了以后 [14:07] 不是说新模型的 context window 更多 [14:09] 你就不需要了 [14:09] 你就会发现模型可以 [14:11] 做更厉害的东西了 [14:12] 你这里边管理上下文反而就变得更重要 [14:14] 以及你有更多的手段 [14:16] 去有效的管理上下文了 [14:17] 这些沉淀的经验 [14:19] 和认知都是会有长期价值 [14:21] 长期复利的 [14:22] 因为这些本质 [14:23] 就是我们 AI 时代的工作手艺 [14:25] 好的这期视频就到这 [14:27] 下一次当你觉得你自己学了很多 AI [14:29] 但是没有入门的话 [14:30] 先问一下自己 [14:31] 我看没看到这个手艺 [14:33] 背后对应的那些动词 [14:34] 我去哪可以学习到这样更多的动词 [14:37] 我去哪可以提高我这些动词 [14:39] 这可能才是真正的入口 [14:41] 那希望这期视频对大家有用 [14:43] 我们下期再见拜拜