AI 表现不佳？或许是上下文没给对！
许多人认为 AI 不好用，第一反应是模型能力不足，但真正的瓶颈往往在于上下文。模型若不清楚该关注哪些信息、哪些与当前任务相关，自然容易一本正经地胡说八道。这正是近期备受关注的“上下文工程”所致力解决的问题。举例来说，若让 AI 协助准备明日客户会议资料，缺乏上下文的模型仅能生成美观却空洞的通用模板。而一个上下文工程完善的系统，则能自动识别会议对象，调取最新工单记录，发现续约即将到期，同时避免将超出权限的内部定价信息混入其中。输出质量差异巨大，但背后使用的模型可能完全相同。要构建高效的上下文工程，需重点解决
AI与人类认知的深层差异：实体、知识与意义的构建
我习惯每天步行时，用录音笔记录自己的思考，再借助人工智能将其整理成文章。然而，这个过程并非一帆风顺，主要存在两个问题。第一，命名实体的识别问题。我的思考内容中常涉及人工智能领域的专有词汇，如模型名称、工具名称等。由于发音或中文转录环境的限制，这些英文术语常被识别错误——要么识别不出，要么被错误地替换成其他词汇。这种对实体概念、标签或名称的识别不确定性，迫使我需要人工修正，颇为困扰。第二，逻辑连贯性问题。口语化的阐述不可避免地夹杂大量语气词、逻辑跳跃甚至话题转换。尽管我会在段落结尾做重点总结，但整体而言，口