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