Reddit 上爆火的两个 AI Coding 提示词。

刚在 Reddit 的 Claude AI 频道刷到一个很火的帖子。

帖主说他每次在 Claude Code 里结束一轮对话的时候，都会追问两个问题。

第一个问题，你现在最没把握的是什么？

挺有意思。问完之后，模型通常会列出来六七条，比如哪些地方自己没有充分调查，哪些地方只是大概预估，或者哪些判断依赖了未经验证的前提。

按照帖主的经验，AI 列出来的六七条里，总有一两条是非常关键、但之前完全没注意到的问题。

有的时候他甚至会惊讶，AI 居然在还没搞清楚某件事的情况下，就已经很自信地给出了方案。

所以当 AI 列出这些没把握的地方之后，他会继续追问，让 AI 顺着每一个问题继续研究，直到他自己心里有底。

第二个问题是：就当前情况下，你觉得我最大的盲区是什么？

据说这个问题来自 Sam Altman 的一个提问习惯。

刚才的第一个提示词，是让 AI 去反思自己有哪些盲区、哪些疏忽的地方。

而这个提示词则反过来让 AI 去检查人的判断。因为很多时候我们和 AI 交互，是直接表达自己的逻辑和想法，AI 就顺着往下执行了。

这个提示词可以让 AI 从一个局外人的视角，坦诚地指出来我们自己忽略了什么。

这两个问题配合起来效果很好。一个负责补充 AI 的盲区，一个负责补充人的盲区。

其实我感觉这两个提示词的本质都是让 AI 反思。

之前看过 OpenAI 和 Anthropic 研究员的访谈，他们多次听到类似的说法：让 AI 反思，是一个很重要的 AI 使用技巧。

比如让它写完一篇文章之后，不要马上接受，而是追问它，这篇文章里哪些表达可能不准确？哪些判断证据不足？哪些地方看起来顺，但其实逻辑不够严密？

为什么反思很重要？因为 LLM 的基本机制，就是根据上下文预测下一个词。

它很擅长顺着某个逻辑一路把话说圆，但这些话并不一定会经过严格的验证。

反思的作用，就是在模型输出之后，再回头挑自己的错。

尤其是在 AI Coding 里，这个流程非常实用。

因为 AI Coding 的基本链路大概是这样：我们提出需求，AI 开始执行，最后返回结果，我们接受结果，然后继续推进下一步。

比如刚才在 Codex 完成了一个小模块的功能开发。

这个模块基本上都是 AI 自己规划、自己思考、最后自己写代码完成的，我参与的不多，只是把需求给了它。

这种情况下我就可以问第一个问题。

AI 会列出来一些，有些一看就比较简单，不会有什么隐患，但还有一些我自己也搞不清楚，就继续追问下去。

还有一种情况是，我直接给完需求，告诉它我的实现思路是怎样的，然后让 AI 负责写代码。

因为执行思路是我自己的，所以在完成之后，我就让 AI 帮我检查一下，有没有什么盲区，有没有哪些边界条件没考虑到。这时候第二个提示词就很有用。

我感觉也没有说每轮对话结束都用这两个提示词，会根据情况来问。

总的来说，第一个问题是用来验收 AI 刚才的交付，第二个问题是用来复盘我自己对这件事的理解是否有疏忽。

打车和出租车师傅闲聊，他说干他们这行当，最终都得拼时间。

驾驶水平以及对路的熟悉程度大家都差不多，有的人可能今天运气好，接了个去房山的大单，但也不能每天都好，拉长时间看，运气也会回归均值，所以最终，就是看谁能熬时间。

他这话给我挺大启发。我们干其他的事情不也是如此吗？做成一个事，本质上是能力、认知和运气的结合。

运气我们无法主宰，但能力和认知是可以主动提升的。比如要去选自己喜欢+擅长的事情，这就是认知。

比如，选择什么时间点做什么事情，这也是认知。比如，判断什么时候该有耐心，什么时候该放弃，这也是认知。

而能力是指具体干一件事具备的技能，比如表达、沟通、剪辑、写作、运营等，这都是能力。

一件事没做成，或者暂时还没做成的话，我们还是应该尽量往能力和认知方向复盘，提高能力，提高认知，然后等待下一个机会点。

坚定地相信能力和认知对了，时间投入也到位了，结果也不会差。

这本讲个人成长的书，写得真精彩。

强烈推荐大家看看这本关于个人成长方面的电子书，书名是《Chop Wood Carry Water》，翻译过来就是劈柴挑水。我整整读了一周。

这本书讲了一套非常务实的成长的方法和逻辑，以及一个人在这个时代怎么跟自己相处。

我觉得挺反内耗、反焦虑的，读完很有启发。今天分享下我的读书笔记，希望对大家有帮助。

1、时间结构比目标更重要。我们每个人都会有一个阶段性目标。诸如刚毕业的时候想找到一份体面的工作，过几年后又想跳槽去大厂，看到 AI 的机会后，又打算转型做 AI 产品经理。

定目标很容易，我们每个人心底里都有个什么小目标。但难的是，我们愿意付出的时间和目标是否匹配。

举个例子，我想跳槽去大厂当 AI 产品经理，这是目标。但其实一整天也没有为这个目标做多少投入，那基本可以想象到，这个目标很难实现。这种结构下，目标更像一种心理安慰。

所以要么调整时间结构，要么调整目标。

2、圈子非常重要。书里有个观点我特别认同：我们更容易向身边的人靠拢。

跟什么样的人相处、交流，会直接影响我们的想法和思维方式。人就是环境的反应器。很少有人能跳脱出环境的影响。

我记得在哪里看过一个说法，我们的收入或者能力大概就是身边五个经常一起相处的好朋友的平均值。

虽然这不是一条严格可以论证的规律，但我自己观察下来觉得还挺准的。

如果身边暂时没有特别优秀的朋友，那我们现在也可以通过阅读、讲座、播客，把那些我们欣赏的人、厉害的人邀请到自己的生活里。这也是建立圈子的一种方式。

3、很多人做决策的时候特别容易被情绪影响。我年轻的时候就是这样，很多糟糕的决策其实都是情绪主导的结果。

情绪肯定是做决策时的一个重要因素，不可否认，但不应该让它占主导。

随着时间的累积，我们应该在一些人生的基本问题上，形成逐步稳定的价值判断。

比如应该交什么样的朋友，尽量不要有太多秘密，不要在背后算计人。这些原则可以自己记下来。

我很喜欢凯文·凯利写的《宝贵的人生建议》这本书。从前年开始，我也在照猫画虎，学习人家的方法，试着总结一些属于自己的东西，有大的价值观层面的，也有小的具体场景里的。

有了这些基本的原则之后，遇到事情就不至于纠结、内耗和反复横跳，也不至于被情绪带着跑。

4、目标和使命不是一回事。我们从小接受的训练基本都是目标驱动。

诸如考试要多少分、要考上什么学校、要进什么公司、要完成什么 KPI。

这些都很清晰，达成了就算完成。问题是，这套逻辑用久了，人会很自然地把人生也变成一个不断打勾的清单。

但能不能实现目标，跟机会、环境、运气直接相关，它是不稳定的。到了就松一口气，没到就觉得自己失败了。

使命不一样。使命不是一个终点，是一个方向。比如我希望能帮助更多人理解和用好 AI，这件事没有一个明确的完成节点，走一步就是一步，不存在失败不失败。

书里有句话挺扎心的：很多人爬了一辈子梯子，最后发现梯子靠错了楼。

一辈子都在追目标，追到了才发现根本不是自己真正想要的。

所以值得想一想：我真正在乎什么？如果不为钱活会做什么？这一辈子希望自己有什么样的人生状态？

想清楚这些，就是在找自己的使命。目标应该为使命服务，而不是反过来。

5、学会跟失败和挫折相处。没有人喜欢挫折，没有人喜欢失败，这是人性。

但回头去想，很多时候真正让我们成长的，确实就是那些挫折。

面对挫折的时候，到底是逃避还是咬着牙往前走，这确实是完全不同的两种人生态度。

我自己有一条原则：所有让我难受的时候，都是上天给的一次成长机会。

我应该借这个机会想一想，自己还有哪些地方可以优化，还有哪些地方没有想到。

挫折让我难受、让我焦虑，这是真的。但如果能看到挫折的另一面，遇到问题的时候就不至于那么胆怯和畏惧。

6、不要把所有事都当成考试。这一点对不自信或者心思敏感的人特别有用。

很多人好像默认所有事都需要证明自己。领导让干一件事，脑子里第一反应就是：这是在考验我的能力。

我知道在公司里肯定有这个成分，不能回避。但书里给了一个很好的思考角度。

如果大脑的默认模式是这是在考察我、我需要证明自己，注意力就会不自觉地切换到：我能不能过关？

别人会怎么看我？结果做事的策略就变成了怎么安全地应付这次测试，而不是我能从这件事里学到什么。

书里有一句话，Nothing is a test，it's only an opportunity to learn and grow。

如果能换一个角度去想，这是一次学习和成长的机会，同时也许也是一次考验，心态会放松很多，做事反而更好。

7、试一试 What Went Well 日记。这是一个特别具体的方法，对不自信或者容易自我批判的人尤其有用。

做法是这样的。日记最前面写两句话提醒自己：第一，我的价值来自于我是谁，而不是我做了什么。

第二，今天发生的一切都是让我学习和成长的机会。每次写日记之前先看一眼这两句话。

然后写 15 条今天做得还不错的地方，一定要具体。

比如今天开会之前提前想清楚了三个要跟团队沟通的关键点，比如面对别人的质疑没有立刻反击而是先复述了对方的问题，比如意识到自己状态不对主动出去走了十分钟。就是类似这样的小事。

一开始会觉得很难写，可能到第五条就卡住了。这很正常，因为过去二三十年，大脑一直被训练成只看缺点。

但 15 条一定能写出来，需要逼一下自己。写完之后再补两个成长点，就是今天学到的东西。

这个练习的目的是把大脑从只看缺点，训练成能看到自己在进步。

8、我们经常说打工当牛马来调侃自己的状态，好像所有事都是在给老板干。

打工的成分肯定在，但不应该把打工想成一种纯粹消极的事情。我们总以为在替公司干活，但其实所有的习惯、所有的选择，最终都会堆回到自己身上。

想清楚这件事之后，心态会不一样。

甚至我觉得每个人都可以假定自己未来有一天要创业，或者要自由职业。

如果保持这种心态的话，一个人就不会局限于只是打工然后按月拿到一份工资，能少干就少干，能摸鱼就摸鱼。

因为打算以后自己直接和市场交换交易，所以我很清楚，自己需要从现在的工作中积累哪些方面的经验、能力以及人脉。

这样的话，我们就非常清楚自己要什么，而不是鼠目寸光，做一天和尚撞一天钟。

说句实话，我自己从来都不觉得工作是出卖自己的时间换取一份薪水，也许表面上是这样，但那条若隐若现的暗线却时刻都在提醒我们：

除此之外，我还在为更远处的自己蓄力。

9、最后说一说这本书为什么叫劈柴挑水。

书里觉得，无论是工作还是生活，大部分时间我们都在做劈柴挑水的事。无论工种多高级，都需要处理那些重复的、甚至有些枯燥的事情，这就是常态。

很多人特别在意结果，比如想达成什么目标。结果固然重要，但我们几乎没办法直接控制结果。

而过程就是劈柴挑水这样的事，虽然看起来很小、很无聊，但完全在自己的掌控范围之内。

别老盯着山顶还有多远，专注做好当下的事，自然会走到山顶。用一句我很喜欢的话来说，因上努力，果上随缘。

Chop Wood Carry Water 电子书见评论区

我们团队用 Codex 踩的一个大坑。

想和大家真诚分享下我们刚刚周会上聊到的话题。这可能会是很多人使用 Codex 这类 Agent 产品会踩的坑。

简单来说，如果面对 Codex，我们只是不断地下指令、接受建议，没有理解和判断，那这些产出并不能真正算自己的能力。因为换一个人来点，结果也差不了太多。

面对能力越来越强的 Agent，我们可以不用亲自去处理每一个细节，但还是要知道这件事为什么这么做、大概是怎么解决的。

如果一开始不知道，也没关系。AI 做完之后，我们应该回过头去问它，然后再形成自己的经验和理解。

为什么会有这么一长段的感触呢？事情得从前半年说起。

今年春节后，我的小团队全员配备了 Codex。在内部的协作中，我们经常提到的黑话是：先让 AI 去干。

说实话，这个工作方式看起来简单，但真正做到其实挺难的。毕竟人有思维的惯性。

好消息是，经过几个月的刻意练习，大家已经养成了让 AI 先干的工作习惯。

但紧接着，我发现新的问题来了。有的同事开始不求甚解。Codex 说行他就行，说不行他也就不行。他不去研究背后的原理和逻辑。

举一个真实的例子。

之前我写过一篇教程，分享怎么把 DeepSeek V4 接入 Codex。

当时 Codex 还不支持第三方模型，所以需要借助 CC Switch 这样的桥接工具。

后来 Codex 宣布支持第三方模型接入，我心想，这下简单了。

于是我让同事研究一下，看看 DeepSeek V4 怎么快速接入。

他麻溜的截图把需求告诉给 Codex，结果 Codex 分析了之后，说目前还是没办法接入，因为协议不兼容。

他给我发了截图，就此打住了。

我当时以为他搞不定，于是接过来继续研究。后来确认，Codex 新开放的第三方模型，要求必须兼容 OpenAI 的 Responses API。

而 DeepSeek V4 还不支持这个协议。所以虽然 Codex 开放了第三方模型，实际上 DeepSeek 还是无法直接接入。

这事就这么结束了。

这周一，我一个做传统生意的好朋友告诉我说， 为啥一发图片，Codex 就报错。

我问了后才知道，它按照我之前的教程，接入了 DeepSeek V4，而 V4 本身就不支持多模态。

于是，我想折腾把 Kimi 的新模型接入到 Codex 中。毕竟这段时间，我用 Kimi 的新模型做 PPT、分析数据，效果还是非常好。这个模型是原生多模态的。

按我的预期，这次应该会快很多。因为第一次已经踩过坑了，只要先判断 Kimi 支不支持 Responses API，后面的思路基本就清楚了。

同事接过了新的任务，开始干。和之前的干法一模一样，他继续把文档和需求告诉 Codex，让 Codex 代劳。

Codex 分析之后，判断出来 Kimi 的模型因为协议不兼容，所以无法直接接入。

这时候，聪明的 Codex 给了他建议，说：要不我来写个桥接软件，这样就可以了。

他说可以。于是，Codex 按照这个思路搞定了。

然后他兴高采烈过来告诉我，任务完成。哈哈哈哈。我一问，发现他根本不知道这其中的逻辑和原理。

我说如果协议不兼容的话，那是不是我们直接用 CC Switch 这样的软件就行，没必要再自己构建一个。

他对这一切一无所知。我感觉这干法有问题，相当于他把所有的思考、理解都外包给了 Codex。

于是，就有了今天周会上我们的交流。

我的经验是，我们应该成为 AI 的 Leader，而不是传声筒。

Leader 不一定亲自干活，但一定知道为什么这么干。AI 可以负责执行，人要负责理解、判断和决策。

这让我想起左耳朵耗子之前的口头禅，要成为一个大家愿意追随的 Leader。

1、帮人解决问题。团队或身边大多数人都在问：这个问题怎么办？，而你总是能站出来告诉大家该怎么办。

2、被人依赖。团队或身边大多数人在做比较关键的决定时，都会来找你咨询意见和想法。

也许和 AI 沟通协作，我们仍然应该朝着这个方向努力。如果只是提要求，当传话筒，那我们心里完全没底。

吴军之前讲过一个故事。

1503 年，哥伦布的船队到达了牙买加。当地的原住民一开始热情地接待了他们，但后来因为船队有人偷了当地人的物品，原住民就拒绝再提供食物了。哥伦布他们面临断粮的危机。

哥伦布这个人略懂天文知识，随身带着一本天文年历。他翻了一下，发现 1504 年 2 月 29 号晚上会发生一次月全食。

月食发生前三天，哥伦布约见了当地的部落首领。他告诉首领，他的神因为当地人不再提供食物而感到愤怒，作为惩罚，三天之后，月亮会愤怒地变红，然后从天空中消失。

到了那天晚上，月食真的发生了。月亮逐渐变红，然后隐入黑暗。原住民吓坏了，赶紧向哥伦布求情。

哥伦布做了一通法事，说只要继续提供充足的食物，神就会宽恕他们。当地人就这么被拿捏了。

这个故事的本质是什么？哥伦布和原住民看到的是同一个月亮、同一场月食。

但哥伦布理解月食背后的天文原理，所以他能利用这个现象。原住民不理解，所以只能被这个现象支配。

同样的事情放到今天的 AI 时代。AI 工具摆在所有人面前，每个人都能用。

但如果仅仅停留在 AI 告诉我们答案，我们接受答案。AI 给出方案，我们执行方案。

AI 说做不了，我们也默认做不了，那这和原住民看月食没什么区别。

我越来越觉得，AI 可以成为我们的执行者，但不能成为我们的认知。

真正属于人的工作，是不断把 AI 给出的结果，重新变成自己的理解。

吴恩达三言两语，就把 Loop Engineering 说清楚了。

吴恩达果然厉害。前两天在他的 Newsletter 中，短短几句话就把 Loop Engineerring 这个新词的本质说清楚了。刚看完他的文章，结合着说下我的理解。

1、如果用一句话来总结的话，Loop Engineering 讨论的其实是，如何让 AI 像工程师一样，一边干活、一边验收、一边返工，直到达到要求。

一个程序员标准的写代码流程是这样的：写完代码、运行程序，然后发现 Bug，紧接着修改代码，继续测试，直到没问题为止。

现在越来越多的 AI Coding Agent 已经能够自己完成这个过程。

给它一份产品需求文档（Spec），再给它一套评测标准（Eval），Agent 就会进入循环：写代码 → 运行测试 → 发现问题 → 修改代码 → 再测试。

如果测试没通过，它会继续改。如果功能不符合需求，它也会继续改。整个过程不需要人工介入。

2、Loop Engineering 这个词听起来挺唬人，但核心思想其实并不复杂。

以前我们给 AI 提需求，更多是在描述想做什么。现在还需要提前告诉它，什么叫成功、什么叫完成，以及如何自动判断有没有完成。

这也是 Spec 和 Eval 存在的意义。有了这些标准，Agent 才能自己写代码、自己测试、自己修 Bug，形成真正的闭环。

3、吴恩达认为，如果把视角放到整个软件开发流程里，大家最近讨论的 Loop Engineering，只是一小部分。

所以他专门画了下面这张图，把软件开发拆成了三个嵌套在一起的 Loop。

在 Coding Loop 之外，还有第二层循环，叫 Developer Feedback Loop。

简单理解，就是开发者不断调整产品的过程。Agent 负责实现需求，开发者负责修正需求。

当我们看到一个功能真正做出来之后，经常会发现自己一开始想的和真正想要的并不是一回事。

于是开发者会重新修改需求，再交给 Agent 继续开发。这个循环的速度通常比 Coding Loop 慢得多，可能几十分钟，甚至几个小时才会发生一次。

但它决定的是产品会长成什么样。其实这部分讲的就是 Builder 要决定做什么，以及产品会长什么样。

诸如一个按钮放在左边还是右边，Agent 可以帮我们实现，但判断还得自己做。

4、在这层 Loop 还有个误区，很多人以为，开发者脑子里只要有了清晰的产品愿景，剩下的事情交给 Agent 就行。其实完全不是。

一开始，我们会先写一个大概的 Spec，交给 Agent 去实现。

等第一个版本做出来，自己真正用了一遍之后，往往又会发现：原来我真正想要的，并不是这个。哈哈哈，我就经常经历这样的过程。

于是再回过头修改 Spec，把之前没有想清楚、没有表达清楚的地方补充进去，再让 Agent 继续开发。

如果发现 Agent 总是在同一个地方犯错，比如某个用户流程总是走不通，或者某类输入总是处理不好，这时候就需要补充一套 Eval，把这些容易踩坑的场景固定下来，作为以后每次开发都必须通过的测试。

或者这么讲，第二层 Loop 就是不断校准自己的认知，并将这些理解逐步沉淀进系统之中。

5、我记得去年参加一个活动时，大家讨论过一个话题：如果 AI 的品味越来越好，是不是以后我们只需要说一个想法，它就能把整个产品做出来，人几乎不用再介入？

吴恩达说自己不太喜欢品味这个词。他觉得，相比 AI，人类真正的优势不是品味，而是拥有更多的上下文。

比如，我们知道用户是谁，知道他们的真实使用场景，也知道他们到底在为什么事情烦恼。这些信息很多都不在模型的上下文里。

只要人手里还有 AI 不知道的信息，就必须有人参与到这个 Loop 中，把这些关键信息持续注入系统。所以，Developer Feedback Loop 很难完全自动化。

6、最外层的 Loop，说白了就是获取真实世界的反馈。前面两层 Loop，解决的都是实现层面的问题。

而到了这一层，关注的是这个产品方向到底对不对，以及我们接下来要做哪些功能。

通过了解用户的反馈、分析数据或者研究竞品的产品等等方式，我们需要不断修正自己的产品判断。

诸如这个功能到底有没有必要做？用户真正的痛点是不是这个？产品是不是应该换一种交互方式？甚至，我们是不是一开始就选错了方向？

真实世界的反馈会不断影响开发者的判断。开发者再把新的理解更新到 Spec 中，交给 Agent 继续开发。这就是三层 Loop 之间的关系。

7、非常透彻。所有对 Loop Engineering 有所困惑的同学，都应该看看这篇文章。

文章链接：www.deeplearning.ai

最后，再画蛇添足一句，我感觉这些新词，真的就是换了种说法而已。之所以能爆火，核心还是因为这些概念，精准击中了目前 AI 行业正在发生的变化。

要我说，Loop Engineering 就是递归式的自我提升。Keep Building。

我们有时候需要的只是一个草率的开始。

年初用 GLM 5.1 做了这个博客，因为有斑驳的树影，很多朋友过来找我要源代码，也想做一个类似的。

刚刚翻了一下，他们建起来的博客都没怎么更新过。

我希望这个博客是我感性内心的自留地。

也许有一天我死了，那别人能在这里，看到这哥们曾经是个有趣的人，活的还挺深刻和热烈。

有幸听了清华姚班的毕业分享。

有幸听了清华大学交叉信息学院的毕业分享。

广为人知的姚班，就诞生在这个学院里。我自己看完特别有感触，言之有物。

姚期智教授是清华姚班的发起人，他反复提到未来的五年会和之前的十年、二十年非常不一样。

所以我们应该提醒自己，不要老用过去的逻辑去思考未来即将会发生的事情。

还有国内知名 AI 创业公司的董事长印奇，作为校友代表，也分享了他这些年在创业过程中的感触。

我最受触动的就是他说时间会奖励那些做难而正确的事的人。

这篇是我的笔记，本来是发给公司同事的。结果大家看了说有启发，我就改了改，也同步到这里。

姚期智教授反复讲了一个观点，未来的五年跟之前会非常不一样。我估摸着这句话他至少说了三四次。

我最近也在想这个话题。AI 从 ChatGPT 爆发算起，到现在满打满算也没几年。但已经有很多事的逻辑发生了变化。

远的不说，就说 Coding。程序员的工作方式已经彻底变了。昨天还和我一个同学聊，他说现在没 AI 的话，自己都不会写代码了。还有像我经常写文章，有了 AI 之后，日产量大概是之前的 5 倍。

就像这篇笔记，听完之后，我迅速用语音把想法说出来，再交给 AI 润色。大量细碎的活儿就省掉了。

这些活儿之前做起来也没什么价值感，现在交给 AI 刚刚好。

马斯克也说过类似的观点，他说不要用过去的惯性思维方式思考接下来几年会发生的事情。

我觉得我们要知道自己正处在近几十年最重要的一次变化当中。就像改革开放刚开始那几年，回头看，遍地都是机会。

我爸就经常后悔，说当时要是能把握住就好了。但这都是马后炮。

真正厉害的人，是在当时就能敏锐地意识到，这不是一阵风，而是整个时代在转向。AI 也是如此。

姚教授说，我们需要意识到，过去积累的很多技能，可能在接下来五年里有可能会失效。

这一点我理解，像一个好程序员的定义和之前已经不一样了。判断力依然重要，但纯粹写代码的能力，确实没那么值钱了。

他的意思是，千万不要用之前的默认路径，去思考接下来五年的事情。

当然，没有人能想象未来五年世界会变成什么样子。唯一可靠的就是保持独立思考，通过思考去判断自己认为正确的事情，不要被互联网上的信息投喂，变成一个人云亦云的人。

还有一句话让我特别触动。姚教授讲，一个人只有能够控制自己的环境，才不会变成环境的牺牲者。

这让我想起另一句话，人是环境的反应器。最早好像是从微信创始人张小龙那里听到的。

这些年我越来越觉得，环境对人的影响太大了。以前我可能觉得环境的影响只有 20%、30%，觉得自己可以出淤泥而不染。

但现在我倾向于认为，环境对一个人的影响可能有 90%，甚至更多。

所以要主动去控制自己的环境，选择自己的环境，保持独立思考。

姚教授也邀请了印奇作为 2010 届的校友代表分享他的经验。印奇确实很厉害，毕业之后就创立了旷视科技。

现在同时担任千里科技和阶跃星辰的董事长，在 AI 领域已经创业 15 年了。

最近我在用的模型 Step 3.7 Flash 就是他们公司的。

印奇的分享也很精彩。但我觉得最有分量的话，是他在最开始就说的，做难而正确的事（大致意思）。

这句话我也把它贴在公司的墙上，每天抬头就能看到，用来提醒自己。

说来惭愧，我是后知后觉的，这几年才慢慢意识到这几个字的分量。

甚至第一次听到这句话的时候还抬杠，为什么不去做简单而正确的事？非得做难的吗？

后来慢慢发现，无论减肥也好，创业也好，过日子也好，当面临选择的时候，那个正确的答案往往就是最难的那个。

一个人能不能长此以往地做难而正确的事，拉长到时间维度来看，就是个很重要的分水岭。

做难而正确的事，完整的表达应该是要做现在看起来难，甚至可能损失短期利益，但长期看一定正确的那些事。

印奇举了自己的例子。他毕业那会正赶上移动互联网浪潮，五道口几乎每个人都在开发 APP，随便拿个 BP 就能融资。

但他们在姚班期间就对 AI 这个方向很感兴趣，所以早早就笃定了这条路。

问题在于，当时的 AI 几乎谈不上产业形态。技术还在早期，应用很少，市场也没有共识，投资人更多是在观望。

所以创业早期融资也并不顺利。早期拿到第一笔钱，甚至是把项目包装成用新的交互方式做移动应用，让外界更容易理解它在做什么。

不过，他们并没有因为难而改变方向，只是表达换了一种更容易被投资人接受的方式。

现在回头看会觉得路径很清晰，但在当时，它意味着不确定的时间成本，以及持续投入但看不到回报的压力。

我理解印奇在讲这段经历时，更想强调的其实是，在很多关键选择上，重要的是在不确定里能不能坚持做难而正确的事情。

所谓难而正确，大概就是在短期没有确定性的时候，仍然愿意把时间放在长期可能成立的事情上。

我不知道别人怎么想这句话。但同一句话在人生不同的阶段听到，感触确实完全不一样。十多年前刚毕业的时候，悟性不深，听到什么难而正确的事，就觉得是鸡汤。

但现在自己在创业，每天面临不同的选择，我经常扪心自问：做这个选择到底是因为惧怕某种困难？是贪图了一条简单的路径？还是说这个方向确实是对的，只是因为它难？

独处的时候，我经常会这样拷问自己。

这两天高考成绩刚出来。昨天晚上我还在跟亲戚家孩子沟通志愿的问题，也跟他提到了这个。

可能有点端着了，但我确实觉得，这么多年来自己最大的感触就是应该去做难而正确的事。

报志愿不会决定谁的一生，但还是一个比较重要的节点。如果内心已经有喜欢的方向，就应该去选择那个方向。

拉长时间维度来看，一个人在自己相对喜欢和擅长的事情上面深耕五年、十年，一定能做出来成绩。

我们老家有煤矿。我就跟表妹说，去煤矿上班也是一种选择，可能稳定。

但应该想一想，到底喜欢这件事吗？如果不喜欢，其实就是在做一个简单而错误的决策。

这些话我不确定每个人都能听进去。但我相信，同一句话在不同的人生阶段去看，分量不一样。

我也把印奇的分享推荐给了他。印奇比我成功太多了，他来说这些话，分量也比我重得多。

字节对大厂 AI Coding 的反思，好真实。

字节技术副总裁洪定坤的分享，我来回看了好几遍，很有启发。

字节在 AI Coding 方面的实践还是很有代表性的，推荐所有做研发的同学都可以看看。应该会感同身受。

我看完记了一整页笔记，分享给大家。

我甚至觉得可以把这个分享理解为字节在 AI Coding 上的一些真实反思。

根据自己的理解，我把这个分享里对我有启发的几个判断展开来聊一聊。

其中会夹杂很多我自己的感触，想看原文的可以直接去找演讲全文。

反思一：AI 代码贡献率不该是 KPI

AI Coding 基本上都已经逐步进入了各个公司的生产流程。

很多人都在说自己的业务有 90% 的代码是 AI 生成的，乍一听，感觉很恐怖。

但其实，AI 对研发的提效没有外界想象的那么高。

洪定坤举了 TRAE 团队的例子。TRAE 本身就是做 AI 工具的，所以这个团队对 AI Coding 的采用非常积极。

过去半年里，他们有 94% 的代码都是 AI 贡献的。但人均需求吞吐率只提升了 60%，也就是之前的 1.6 倍。

这就有疑惑了，AI 写代码的速度至少是人的 10 倍以上，如果 90% 以上的代码都是 AI 产出的，效率至少应该提升 5 倍或者 10 倍吧？为什么只提高了 1.6 倍？

字节得出来的结论是，单一的指标，比如 AI 代码占比，根本没有办法代表真实的生产力。

如果把 AI 代码贡献率当成 KPI，结果就是大家都去优化 AI 的生成量，而不是优化交付能力。

看起来 AI 用了很多，但系统的效率并没有真正变好。

那为什么 90% 的代码都是 AI 写的，人效才提了 1.6 倍？一个很重要的原因是，写代码只是整个研发流程的一个环节。

写之前要理解需求、写 Spec，写完之后要验证功能、提交发布，这些环节如果还是传统方式，光把写代码加速了，整体效率提不上去。

洪定坤把字节在这方面的尝试叫做系统化的 AI Development，核心意思就是 AI 不能只管写代码，得让它进入更多的研发环节，整条链路都跑通，效率才能真正上来。

前两天出去的时候还跟别人争论这件事。现在还有不少公司在追踪员工到底用了多少 Token，说白了，这是在追踪过程。

更应该关注的是，用了这个工具之后，从结果层面去看，交付到底有没有变得更快、更可靠。

一个团队天天说自己 AI 工具用得贼溜，消耗了多少 Token，但没有什么有效的产出，那这到底是好事还是坏事。我觉得这是一个值得每个管理者思考的新问题。

反思二：功能正确≠工程可用

Vibe Coding 的理想状态是就像聊天一样，用自然语言表达自己的需求，最后做出来想要的产品。

如果哪里不对，再用自然语言和 AI 沟通，让它修改。这是过去一年 Vibe Coding 风靡的思路。

对于不太复杂的应用，这种方式完全没问题。我自己做的一些项目基本上就是这个流程跑下来的。

但只要是做生产级的软件，无论公司大小，流程肯定不是这样。

因为公司里必然有老代码，有一套约束。怎么复用已有的组件，安全和权限怎么处理，性能怎么保证，还有兼容性、可维护性。

正经写过工程代码的人都清楚，Vibe Coding 描述的那个状态是比较理想化的，更适合做小项目和验证想法。

真正的程序员虽然也在 Vibe Coding，但流程跟理想状态不一样。

字节内部做了一个实验来验证这个判断：三个模型，三个 Agent 框架，两两组合成 9 种方案，针对同一个需求，每组跑 100 次，总共 900 次。

结果发现，AI 在功能正确率上表现还不错，所有组合都超过了 80%，也就是说，AI 把功能写对的能力已经过了及格线。

但无论哪个组合，生成代码的工程质量都不太好。比如 UI 不对，没有复用组件，性能有问题，结构不符合规范。

这些问题大家在用 AI 写代码的时候应该都碰到过。

现在所有上了牌桌的 Coding 模型，都已经过了 Opus 4.6 这个级别的临界点，模型可以自主写代码了。

这个时候影响 AI Coding 成败的绝对不是裸模型，而是裸模型加上 Harness 的能力。

这个判断本身不算新鲜。

但我最受触动的是字节对 Harness 的理解。

他们的反思是，整个行业好像还是把 Harness 等同于 Agent 框架，诸如用 single agent 还是 multi agent，包含哪些角色，角色之间怎么配合。

这些当然重要，但字节在实践中发现，真正决定 AI Coding 能不能落地的，反而是更基础、更工程化的东西。

洪定坤把它叫做基建。

比如上下文工程有没有做好，架构的约束够不够清晰，团队的知识能不能有效沉淀下来，过去的技术债有没有梳理清楚。

这些看起来不那么性感的工作，反而直接影响 AI Coding 的效果。

实验数据也验证了这一点。同样的模型和框架组合，把这些基建结合进去之后，功能正确率直接从 80% 提升到了接近 90%，工程质量得分，也从之前 40 到 60 分的不及格水平，普遍提升到了 80 分左右。

基建做不好的话，可能的后果是，Vibe Coding 感觉快了，但实际整体可能更慢。工程的债，迟早得还。

反思三：代码门槛下降之后，团队怎么协同

洪定坤分享里有一个例子让我印象很深刻。

产品经理有个需求，发现还得等研发排期，就说那我自己来吧，用 AI 三下五除二就把功能给实现了。

确实这个功能不复杂。做完之后产品经理把代码给到研发，说我已经把代码写完了，现在你只需要帮忙把功能上线就行。

研发一看，不行。你这代码能跑，但不符合上线的规范，有权限问题、安全问题。

产品经理就很委屈，你们没时间做这个需求，现在我都做完了又不让上线。可研发看到的其实是代码质量的问题。

所以这里面就有一个需要所有人正视的事情，虽然代码的生成门槛虽然下降了，这并不代表系统的复杂度也下降了。

真实的业务系统里，代码要放到已有的架构里，要跟已有的模块配合，还要考虑各种各样的问题。

绝对不是谁写出来就能直接上线的。不然肯定会出问题。

怎么让不同角色的人用同一套工具和规范做出符合要求的代码，这是接下来大家需要去解决的。

字节的思路是在内部尝试工具化。比如把内部实践直接产品化，沉淀到 TRAE 里面，开放给所有人。

其实说白了就是工具化。

我看朋友圈有好多大佬也都在转这篇文章，应该还是有挺多共鸣的。

我感觉这一次分享多少也是一些拨乱反正吧。因为过去一段时间确实有很多听起来很离谱的言论，有些人会疯狂地炫耀自己使用了多少 Token，会认为这就代表着 AI Native......

强烈推荐大家看看原文。字节跳动的公众号就有。

给亲戚写的一些高考志愿填报建议。

这两天晚上一直在跟小姨家孩子沟通志愿的事，问了很多朋友，也查了很多资料，算是找到一条自己信服的填报逻辑。应该能帮大家少走一些弯路。

我不是志愿辅导机构的人，所以也不存在广告什么的，大家可以放心看。

当然，这里面有很多个人主观的判断，不是客观答案。

1、城市、学校和专业怎么排序？我觉得优先选好的学校。人是环境的反应器，环境对人太重要了。

特别是现在很卷，企业会看学校是不是985或者211。

我知道很多大佬都说优先选城市，我不太同意。我觉得如果学校明显好一档，那优先选学校。

两个学校差不多的时候，再去比较城市。最后才是专业。

2、专业要看孩子的兴趣，但兴趣这个东西需要有人引导。比如我高中的时候，明确觉得自己不喜欢当老师，不喜欢做重复的事。

但我当时就挺二的，觉得自己喜欢车辆工程。后来才想明白，我可能就是喜欢开车，跟学车辆工程根本不是一回事。这就是没人引导的结果。

如果有个人能告诉孩子这个专业要学什么，以后的工作大概是什么样子，给他一个具体的想象，让他自己判断一下，自己愿不愿意做这个事情。大家可以试试这个方法。

如果孩子实在没什么兴趣、没什么主见，我强烈推荐关注一下AI相关的方向。

即便现在很卷，计算机和AI相关的专业，未来就业还是会更好一些，能跟上这个时代的红利。

3、关于怎么找到自己的兴趣，推荐一本书，日本作家八木仁平写的《如何找到想做的事》。

这本书对我影响很大。它核心就说了一个道理：人一辈子应该去找自己相对擅长和相对喜欢的事。千万别年轻气盛，觉得自己什么事都能做好。你不是马斯克，就是一个普通人。

书里有非常详细的方法，教我们怎么去分析自己擅长的事，有时间的话建议快速翻一下。

4、对了，如果孩子考得不好，一定要明确地告诉他，考得不好和未来的人生没有必然联系。

我身边有太多例子了，高考考得好的人后来工作也一般，当年没考好的反而找到了自己的路。

高考只是一次考试，不是什么人生的判决书。我小姨孩子今年就考的不怎么样，那是我发给他的原话。

特别是AI时代到来的今天，学历的差距在被抹平。以前很多岗位设学历门槛，是因为没有更好的筛选方式。

现在一个人会不会用AI工具，能不能解决实际问题，这些东西拿出来一看便知，藏不住。学历的权重只会越来越低。

所以更重要的是告诉孩子，上了大学之后不要混日子。去主动做一些事情，去参加一些实践，找到自己擅长的方向，把能力真正提升起来。到了找工作的时候，能拿出来的东西比学历管用得多。

5、说完方向，说说具体怎么填志愿。最重要的一条，千万不要轻信小县城的辅导机构。

像我小姨在小县城，能找到的基本都是半吊子的机构，还特别贵。当然如果能找到像张雪峰团队那样比较专业的机构当然好，找不到的话，千万不要随便找一个就信了。

我认识一个做高考辅导的朋友，他们团队好多人，说句不夸张的话，连大学都没上过。这样的人能把志愿辅导好吗？

另外，即便找到靠谱的第三方机构，我也强烈不建议大家把志愿这事甩手交给对方。就和看病一样，医生只是其中的一环，每个人都应该是自己的第一责任人。

我的高中老师也在做这个生意。我过年回去跟他聊，他说最忙的就是六七月，因为他这时候要服务很多学生。

说句实话，我觉得只要学生一多，他的精力一分散，服务质量必然会下降。

6、那该怎么办？用AI。现在国内所有的AI产品出志愿报告都是免费的，千问、夸克都有，微信昨天也上了志愿服务的功能。

有人会说AI数据不准。我觉得这个担心可以反过来想一想：那些辅导机构的数据就准了吗？

AI背后接的是各省历年的录取数据，几十万条记录摆在那里，它不会因为今天接的学生多了就犯糊涂。以现在的技术来看，AI的志愿分析应该比99%的辅导机构要准。

就算担心不准也没关系，多用几个AI交叉验证。同一套信息分别喂给不同的AI，看看它们给出来的结果有没有重合。

如果三个AI都推荐了同一个学校，那大概率是靠谱的。如果某个学校只有一家推荐，就需要再仔细看一看。这样筛下来，数据就会准很多，比花几千块找一个辅导机构强。

7、交叉验证完之后，不要偷懒。找一张白纸或者打开电脑，把各个志愿按照第一志愿、第二志愿这样分门别类整理出来。AI可以帮忙出报告，但最后拍板的一定是自己。

如果整理完发现还是拿不准，继续跟AI聊。不用打字，直接用语音输入，把自己的纠结说出来。

比如两个学校之间选不好，就跟AI说清楚，我纠结的是什么，我在意的是什么，让它帮忙分析利弊。

相当于把AI当成一个资深的顾问，随时可以聊，不用看脸色，也不用花钱。

聊完之后再回来调整志愿表，这样一轮一轮磨下来，心里就会越来越有数。国内几个AI在这方面都做得不错，有条件的话也可以试一下ChatGPT。

8、跟AI全部梳理完还是拿不准，这个时候再去找老师。但注意，不是让老师从头给你做方案，而是带着自己整理好的志愿表去问。

跟老师说清楚，我已经做了功课，现在有几个地方拿不准，想请教一下，费用能不能便宜一些。这样老师的压力也小，给出来的建议反而更有针对性。

像刚才提到的我高中老师那样比较资深的专家，这时候就能给到一些AI给不到的东西。想起我一个朋友的亲戚，去年考得特别差，上专科。

老师就推荐了一个就业率不错的专科学校，学的是无人机，这个行当这几年还有红利。

这种判断靠的是他多年带学生积累下来的经验，哪个学校实际就业怎么样，哪个专业是虚的哪个是实的，这些信息在网上很难查到，AI也不一定能覆盖到。

所以整个流程其实就是：先用AI把大盘摸清楚，再找老师把细节确认一下。

9、不要轻信AI，也不要轻信老师。这两个都是工具，都有各自的盲区。

老师的局限在于信息面。像我高中老师在小县城，他带了十几年学生，经验是有的，但他的信息量是有限的。

你跟他聊AI相关的专业，他肯定不知道这里头的想象空间，因为这不是他的世界。

AI的局限在于颗粒度。它能告诉你这个学校去年录取分数是多少，但它不知道这个学校某个专业的老师水平怎么样，不知道哪个学校的宿舍条件好、哪个学校的学生毕业之后真实去向如何。这些东西要靠人去打听。

现在互联网这么方便，问AI，查小红书，找在读的学长学姐聊一聊，跟各种人交流，信息源越多越好。

最后综合起来，自己做判断。报志愿这件事，花钱买不到一个标准答案，但花时间是真的能少走弯路。

10、我还是强烈推荐张雪峰之前和吴军的连麦直播，大家可以自己搜，一共20分钟。

吴军和张雪峰都是教育方面的真专家，他们的观点还是很值得一看。

吴军说，如果家庭收入不高，选专业的时候优先让孩子掌握一门实实在在的技能。

不要去够那些听起来高大上但离就业很远的方向，先让自己有一个能养活自己的本事，这是阶层跃迁最现实的路径。

我挺认同这个判断的。很多家庭其实经济条件一般，但报志愿的时候心态上不愿意承认这一点，总想着让孩子一步到位，去冲一个听起来体面的专业。

结果孩子学了四年，出来发现这个方向要么得继续读研才有出路，要么市场根本不需要那么多人。家里又没有资源兜底，孩子的压力就会很大。