在 AI 技术快速发展的今天，我们需要重新思考如何与这些智能系统协作。以下是我在 AI 实践中总结的核心认知和方法论。
一、思维范式的根本转变
必须假定 AI 本质上是不靠谱的——这不是悲观，而是清醒的认知。这要求我们完成一次思维范式的转变：从编写确定性的代码，转向驾驭概率性的结果。让 AI 自主思考与规划，真正解决用户问题。
这种转变意味着我们不再追求每一次都完美无误，而是要建立一套能够容错、能够持续优化的系统。传统软件工程追求的是“零缺陷”，而 AI 工程追求的是“可控的不确定性”。
二、重新定义目标：从完美到可控
我们的目标不是让模型永远答对，而是让系统始终不失控。这个目标的转变至关重要。具体来说，不追求绝对完美，而是追求整体任务成功率（Mean Success Rate）的上升。
核心手段是减少失败的“类型”，这是高 ROI 的选择。与其试图解决所有可能的错误，不如识别出最常见、最致命的几类失败模式，针对性地进行防御和优化。每消除一类系统性失败，就能显著提升整体的可靠性。
三、Context 与 Prompt：理解真正的上限
在 AI 应用开发中，有一个常被忽视的真相：Prompt 决定了下限，但 Context 决定了上限。
许多人把精力都放在打磨 Prompt 上，试图通过更精巧的提示词来提升效果。但实际上，Context 才是决定 AI 能力天花板的关键因素。Context 不是简单的信息拼接，而是构建高信噪比的数字环境。
一个好的 Context 应该像一个精心布置的工作台，所有必要的工具、材料、参考信息都触手可及，没有多余的干扰。AI 在这样的环境中，才能发挥出真正的潜力。
四、工程实践的务实哲学
在实际开发中，我们常常需要做一些“不够优雅”的补丁和变通方案（Workaround）。这时候需要记住：如果一个 Workaround 是管用的，且是以一种人类阅读友好、易于长期维护的方式加入系统的，那它就是合理的。
这也是工程演进的一部分。随着模型能力的提升，这些补丁未来可以被优雅地移除。不要为了追求理论上的完美而牺牲实际的可用性。工程的本质是在约束条件下做出最优选择，而不是在理想条件下追求完美。
永远不要在前期方案阶段偷懒节省时间。Plan 模式本质上是一种“人在回路”的产品设计哲学。前期多花时间思考架构、设计容错机制、规划迭代路径，能够在后期节省数倍的调试和返工时间。
五、人的新角色：从执行者到连接者
当某一天你可以向一个能解答一切的 AI 提问时，如果你却不知道该问什么——这将是最大的困境。问题比答案更重要。
我们的新角色是 Connector——帮助 AI 获取它无法触达的隐性世界。AI 可以处理海量的显性知识，但那些隐藏在经验中的直觉、在特定情境下的判断、在人际互动中的微妙信号，这些都需要人来提供。
这也引出了一个新的能力公式：经验 + 好奇心 = 核心壁垒。
在 AI 时代，纯粹的知识储备不再是壁垒，因为 AI 可以记住更多。但经验带来的判断力，加上持续探索的好奇心，这种组合是 AI 无法替代的。经验让你知道什么是重要的，好奇心让你不断发现新的可能性。
结语
AI 工程不是传统软件工程的简单延伸，而是一个需要新思维、新方法的全新领域。接受不确定性，建立容错机制，关注系统性优化而非局部完美，构建高质量的 Context，保持人的判断力和好奇心——这些将是我们在 AI 时代持续创造价值的关键。
技术在变，但工程的本质不变：在约束中寻找最优解，在不确定中建立可控性，在复杂中创造简洁。
