注：本文轉(zhuǎn)自： https://yage.ai/life-api-part4.html，轉(zhuǎn)發(fā)的原因是我發(fā)現(xiàn)大家竟然用完全不一樣的詞說(shuō)本質(zhì)相同的事?？戳诉@篇也許有人會(huì)記得：智能體的效能 = 大模型的智商 x 現(xiàn)實(shí)理解縱深的說(shuō)法。

把這篇文章和我之前直播時(shí)候用的圖放一起，還是很有意思的。

下面是鴨哥的正文：

Prompt 是在建世界

我們剛學(xué)會(huì)怎么當(dāng)一個(gè)合格的 prompt engineer。

我們知道，一個(gè)好 prompt 不是一句問(wèn)題就完了，而是一套包含意圖、風(fēng)格、輸出格式、成功標(biāo)準(zhǔn)的綜合藍(lán)圖。我們用角色扮演、分步推理、示例引導(dǎo)等各種技巧，把模糊的想法壓縮成可以執(zhí)行的文字。 但也許，我們還沒(méi)意識(shí)到一件更根本的事：

Prompt，從來(lái)就不是需求本身。它是你用信息搭建起來(lái)的一個(gè)臨時(shí)世界。

在這個(gè)世界里，AI 活著。它不是從零開(kāi)始推理，而是在你提供的歷史、風(fēng)格、節(jié)奏、語(yǔ)氣、偏好、結(jié)構(gòu)殘片中，試圖成為你能接受的合作者。

我們過(guò)去做 prompt engineer，是把自己壓縮成一句指令，然后交出去，讓 AI 來(lái)猜測(cè)并執(zhí)行； 而新的范式，是我們成為 memory architect，在信息堆砌中鋪設(shè)線索，邀請(qǐng) AI 走進(jìn)來(lái)，住在這個(gè)語(yǔ)境里，和我們一起工作。

你不是把一句話丟給它，讓它立刻開(kāi)始工作輸出，而是邀請(qǐng)它坐在你桌邊，讀你桌上的文檔，草稿和便簽，讓它能坐下、看清楚、走進(jìn)去。 Prompt 不再只是指令的動(dòng)詞，它變成了意識(shí)的空間建模。你寫(xiě)得不是一句問(wèn)話，而是構(gòu)建了一個(gè) AI 運(yùn)行的環(huán)境。而一旦你開(kāi)始這樣思考，就會(huì)明白：?jiǎn)栴}的好壞，不取決于你寫(xiě)得多巧，而取決于這個(gè)世界讓不讓 AI 有話好說(shuō)。

信息資產(chǎn)的邊界演進(jìn)

一旦你把 prompt 當(dāng)成一個(gè)構(gòu)建語(yǔ)境的方式，你就會(huì)發(fā)現(xiàn)： 真正影響 AI 行為的，不只是你說(shuō)了什么，而是你讓它活在什么信息里。

AI 模型之所以看起來(lái)越來(lái)越懂你，不只是因?yàn)樗儚?qiáng)了，而是你不知不覺(jué)開(kāi)始給它提供了更沉浸、更個(gè)性化、更接近生活本身的語(yǔ)境材料。 這意味著，我們也必須重新審視一個(gè)被忽略的問(wèn)題：

什么樣的信息，才算是可被 AI 使用的資產(chǎn)？

過(guò)去我們說(shuō)信息資產(chǎn)，說(shuō)的是結(jié)構(gòu)化：文檔、表格、教程、FAQ、代碼段。只要整理得好，就可以輸入 AI，換來(lái)一個(gè)干凈整齊的回答。

再往后，Prompt 本身變成了一種信息資產(chǎn)。我們開(kāi)始學(xué)會(huì)把任務(wù)目標(biāo)、預(yù)期風(fēng)格、成功標(biāo)準(zhǔn)、偏好與禁忌，全都顯性表達(dá)在一段語(yǔ)言中。

而現(xiàn)在，正在發(fā)生第三次演變： 任何能描述你、定義你、體現(xiàn)你偏好的生活信息流，都可能成為 AI 的語(yǔ)境材料。

比如：

• 你發(fā)給朋友的一段語(yǔ)音：我總覺(jué)得這段寫(xiě)得不夠鋒利；

• 你寫(xiě)了一半刪掉的博客草稿；

• 你在 Notion 里的三層嵌套 bullet，下面是一行太套路，重寫(xiě)；

• 你在會(huì)議里說(shuō)：我們是不是太早把智能代理引入核心鏈路了？

這些你從未打算喂給 AI 的內(nèi)容，現(xiàn)在都能被它處理，甚至成為它理解你最有力的素材。 這種信息，我們可以稱之為沉浸式語(yǔ)境（immersive context）。 它們沒(méi)有結(jié)構(gòu)，卻有情緒、節(jié)奏和慣性。沒(méi)有格式，但有你做決定時(shí)的思維痕跡。不是為 AI 準(zhǔn)備的，卻可能是 AI 最該知道的。

所以，信息資產(chǎn)的定義，已經(jīng)從可被引用，變成了可被進(jìn)入。 它不再是一個(gè)你交給 AI 的東西，而是你為它搭建的生活空間。它生活其中，習(xí)慣你的寫(xiě)作節(jié)奏，理解你的美學(xué)標(biāo)準(zhǔn)，知道你忌諱哪類措辭、不愛(ài)那種套路、不想重復(fù)哪段舊文。 在這個(gè)意義上，Prompt 是房門(mén)鑰匙，語(yǔ)境才是屋子本身。 而當(dāng)這個(gè)屋子夠大、夠復(fù)雜、夠真實(shí)時(shí)，AI 在其中將不再只是執(zhí)行指令，而是會(huì)自我生長(zhǎng)出更聰明的能力。

換模型，不如換世界

過(guò)去幾年，AI 的進(jìn)步幾乎都圍繞著一個(gè)詞：涌現(xiàn)（emergence）。 模型參數(shù)越大，訓(xùn)練數(shù)據(jù)越廣，能力就會(huì)突然出現(xiàn)：GPT 會(huì)推理了，Claude 會(huì)寫(xiě)長(zhǎng)篇了，Gemini 會(huì)總結(jié)、會(huì)查網(wǎng)頁(yè)、會(huì)自己安排工作流了。

我們以為，智能的來(lái)源只有兩條路：一是訓(xùn)練更大的模型，二是寫(xiě)更好的 prompt。 但最近這代模型——o3、Claude 3.7、Gemini 2.5 Pro——正在打開(kāi)一條新的路徑： 不是靠訓(xùn)練它變聰明，而是靠我們?cè)O(shè)計(jì)一個(gè)讓它被迫聰明的信息空間。 不是精雕細(xì)琢 prompt，而是構(gòu)建一個(gè)沉浸式的 context，讓 AI 在其中自然涌現(xiàn)出推理、對(duì)比、選擇、規(guī)避等擬人化的能力。它不是回答得更準(zhǔn)，而是參與得更深。

這條路徑的成立有個(gè)前提：模型能力已經(jīng)躍遷到了能夠壓縮雜亂語(yǔ)境、重構(gòu)行為策略的臨界點(diǎn)。 GPT-3.5 做不到，GPT-4 也只是勉強(qiáng)，但 o1 之后的模型開(kāi)始展現(xiàn)出一種新的能力邊界：可以在非結(jié)構(gòu)化的語(yǔ)境中，做出結(jié)構(gòu)性的智能反應(yīng)。 這標(biāo)志著一個(gè)新的智能激發(fā)方式正在成形：

Context-driven emergence——一種通過(guò)構(gòu)建復(fù)雜語(yǔ)境空間來(lái)喚起 AI 潛在能力的路徑。

1. AI 更像你，不靠 prompt

你以前把三篇寫(xiě)得不滿意的草稿、幾段微信爭(zhēng)論、項(xiàng)目復(fù)盤(pán)記錄全都扔給 GPT-4，它只能總結(jié)兩句：你在反思 A，提出了 B，建議考慮 C。 但你今天把同樣的資料扔給 o3，它可能會(huì)說(shuō)：

“你其實(shí)不是糾結(jié)這個(gè)結(jié)構(gòu)，而是在避免和去年那篇文章撞風(fēng)格。我建議結(jié)構(gòu)不動(dòng)，但開(kāi)頭語(yǔ)氣變一下，先講你討厭那種寫(xiě)法?！?/p>

這一刻，它不是機(jī)械地去執(zhí)行你布置的任務(wù)，而是知道你上一次為什么卡、這一次又在往哪兒走。 不是你教了它什么，而是它在你搭建的語(yǔ)境密度里——自己長(zhǎng)出來(lái)了。 它不是被 prompt 激活，而是被 context 逼聰明了。

這就是我們正在走入的時(shí)代： 你不需要每次都重新寫(xiě)一份完美指令，而是讓 AI 生活在你過(guò)往的語(yǔ)言、選擇和失敗之間，從你自己丟下的碎片中，拼湊出一個(gè)行為策略的第二人格。

2. Context 是智能激發(fā)器

以前我們調(diào)教 AI 的方式是：

• 訓(xùn)練更大的模型，讓它有能力；

• 寫(xiě)更好的 prompt，讓它調(diào)用已有能力。

這兩條路徑都有效，但它們依然遵循一個(gè)邏輯：AI 只能給你它在訓(xùn)練的時(shí)候?qū)W過(guò)的東西。

context-driven emergence 則提供了一個(gè)互補(bǔ)的途徑。它不是無(wú)中生有發(fā)明新能力，而是觸發(fā)能力——在你提供的語(yǔ)境中，AI 會(huì)生成原本不會(huì)主動(dòng)調(diào)用的智能行為。

比如：

• 它知道你喜歡打破對(duì)稱結(jié)構(gòu)，所以這次寫(xiě)作主動(dòng)放棄并列式排比；

• 它記得你對(duì)上價(jià)值這類段落有本能反感，所以換了種更故事化的鋪陳方式；

• 它在你沒(méi)提的地方主動(dòng)加了一句，這段如果你覺(jué)得太繞，可以刪掉，因?yàn)槟阋郧俺h類似的話。

這些都不是 prompt 指令能明確控制的行為，而是 AI 在你布置的空間里，被動(dòng)學(xué)會(huì)了你的偏好、風(fēng)格和思維盲區(qū)。

這不是 personalization（記住你是誰(shuí)），也不是 tool-use（按指令辦事），而是一種contextual intelligence，一種只有模型足夠強(qiáng)大、語(yǔ)境足夠復(fù)雜時(shí)才會(huì)自然發(fā)生的行為生成機(jī)制。

換句話說(shuō)，prompt 是你寫(xiě)給 AI 的顯性規(guī)則；而 immersive context，是你埋給它的暗線世界。

3. 最有用的，是未完成的信息

我們?cè)?jīng)以為，AI 的上下文要干凈：格式規(guī)整、條理清晰、結(jié)構(gòu)對(duì)稱。 但現(xiàn)在我們開(kāi)始意識(shí)到： 真正有激發(fā)力的信息，不是你整理過(guò)的 PPT，而是你發(fā)牢騷時(shí)的語(yǔ)音、刪掉的草稿、Slack 里來(lái)回否決的爭(zhēng)議點(diǎn)。

AI 從中讀到的，不是結(jié)論，而是判斷的路徑、傾向的偏好、風(fēng)格的張力、情緒的慣性。 這種 context，不是文檔，不是 API，不是知識(shí)庫(kù)，而是一張寫(xiě)滿涂改痕跡的手稿，邊緣還有你用鉛筆記的猶豫、劃掉的念頭和圈起來(lái)的遲疑。

這些句子你寫(xiě)不進(jìn) prompt，但它能在 immersive context 里主動(dòng)感覺(jué)到。 你不再需要讓 AI 成為你口令下的執(zhí)行者，而是要學(xué)會(huì)讓 AI 成為你共同生活過(guò)的合作者。

我們第一次看到一個(gè)趨勢(shì)在成型：模型能力的涌現(xiàn)可以來(lái)自更大的模型，也可以來(lái)自更全面的 context。你可以選擇站在更大的參數(shù)之上，也可以選擇設(shè)計(jì)一個(gè)更真實(shí)、復(fù)雜、可棲息的語(yǔ)義空間。 而當(dāng)這兩者交匯，才是 AI 真正變成你身邊那個(gè)人物的開(kāi)始。

所以關(guān)鍵從來(lái)不是信息有沒(méi)有整理好，而是你有沒(méi)有給 AI 足夠真實(shí)的生活，足夠原始的上下文，足夠接近你思考軌跡的碎片。 真正重要的問(wèn)題，不是你要 AI 做什么，而是你是否準(zhǔn)備好了讓它住進(jìn)來(lái)。

從 Prompt Engineering 到 Context Architecture

當(dāng)我們意識(shí)到 AI 能在 context 中變聰明，問(wèn)題自然就來(lái)了：

這個(gè) context，我們要怎么建？

不是靠筆記軟件，不是靠更好的資料管理術(shù)，而是靠語(yǔ)境設(shè)計(jì)思維。你要做的，不是保存信息，而是為 AI 構(gòu)建一個(gè)能居住、能吸收、能共鳴的世界。 這不是一份知識(shí)庫(kù)，而是一座可以激發(fā)智能行為的context architecture。

傳統(tǒng)的知識(shí)管理邏輯是這樣的： 獲取信息 → 整理歸檔 → 有用時(shí)搜索 → 提取引用

但沉浸式語(yǔ)境不是等你問(wèn)了再調(diào)用，而是始終在 AI 周?chē)鲃?dòng)。 你不是建了一個(gè)檔案室讓它去查，而是像把它放進(jìn)你的家、你的腦海、你的過(guò)去現(xiàn)在和未完成的那部分未來(lái)。

以下是四條最關(guān)鍵的設(shè)計(jì)原則：

• 意識(shí)轉(zhuǎn)向：從記錄事實(shí)到鋪設(shè)氛圍

  不要再問(wèn)這段值不值得存，要問(wèn)它能不能讓 AI 更理解我是怎樣思考的人。你的失敗草稿、語(yǔ)氣波動(dòng)、邊寫(xiě)邊刪的瞬間——都是語(yǔ)境的溫度。信息的價(jià)值，不再由結(jié)構(gòu)完整性決定，而由人性表達(dá)密度決定。

• 別等整理：捕捉才是基礎(chǔ)建設(shè)

  AI 最怕斷線。你以為等會(huì)兒再整理的空白，其實(shí)就是 context 的斷層。語(yǔ)音、草稿、對(duì)話、情緒片段，要邊走邊收，邊寫(xiě)邊種。你不是在備份過(guò)去·，而是在喂養(yǎng)未來(lái)。

• 結(jié)構(gòu)不求干凈，只求召回

  不用完美分類，也不用寫(xiě)出最終稿。你要給 AI 的不是正確答案，而是你大腦留下的線索。用標(biāo)注告訴它：這段你猶豫過(guò)，那段你刪掉過(guò)，另一段你寫(xiě)一半覺(jué)得太套路。

• 調(diào)用反哺設(shè)計(jì)

  別幻想準(zhǔn)備好信息再用 AI，你越早用，越知道哪些沉淀管用。AI 是你語(yǔ)境架構(gòu)的實(shí)測(cè)回音壁——它的反應(yīng)，就是你布置得好不好的真實(shí)反饋。所以最好的語(yǔ)境策展，不是整理完再用，而是邊用邊修、邊回響邊迭代。

到這里你會(huì)發(fā)現(xiàn)，context architecture 不只是一個(gè)信息收集系統(tǒng)，而是一種協(xié)作前提的重新設(shè)計(jì)方式： 你不是教 AI 怎么做，而是構(gòu)建一個(gè)它能主動(dòng)成為合作者的語(yǔ)境。

結(jié)語(yǔ)：你是 AI 世界的設(shè)計(jì)師

我們?cè)詾?，AI 是越聽(tīng)話越有用的助手。 我們優(yōu)化 prompt、設(shè)定規(guī)則、反復(fù)試錯(cuò)——以為這是用好 AI。 但真正改變它表現(xiàn)的，從來(lái)不是你怎么問(wèn)，而是它生活在什么世界里。

Prompt 是你伸出去的一只手， 語(yǔ)境是你鋪下的一整個(gè)舞臺(tái)。 你不是 engineer，而是 architect——你不是使用 AI，而是在構(gòu)造它得以思考的空間本體。 在這個(gè)空間里，它不是來(lái)執(zhí)行的，它是來(lái)成為的。

你不是在問(wèn)它你能做什么； 你是看著它，在你建起的 context 里，慢慢長(zhǎng)成另一個(gè)你。

（傳了段文字，AI給我做了張圖，大家看著什么感覺(jué)...）