215. 播客：AI 时代怎么自处，Context、门禁和取舍

2026.06.22

·播客

播客时间： 2026-06-22
播客地址： https://www.xiaoyuzhoufm.com/episode/6a3814cc75ba9e0c5336edf6
播客标题： 要完了？不！是要玩了！论养AI的心态与习惯

硅基分身的核心在于 Context 管理，而不是是否用了最好的模型

先说判断 ​

  • 这期的主线是 AI 时代怎么自处。
  • 它最有价值的地方，是把几个容易混在一起的问题拆开了：
    • 模型能力和个人 Context 不是一回事。
    • 提示词和完整工作流不是一回事。
    • 提效和省时间不是一回事。
    • 自嗨、消费、研发支出和生产力不是一回事。
    • 答案变容易和提问能力提升不是一回事。
    • 可能性变多和人生变无限不是一回事。

印象深刻的 ​

“喜当爹”这个比喻很准 ​

  • 更像突然多了一个需要被养的硅基分身。
    • 智商高。
    • 执行力强。
    • 但失忆。
    • 每次只能在一个 session 里看到有限上下文。
  • 焦虑还来自另一层：
    • “我突然要养一个很强的新东西，但我不知道怎么养。”
  • 养 AI 的核心是持续喂养和校准。
    • 给它 Context。
    • 给它 SOP。
    • 给它门禁。
    • 接受它需要反复校准。

工具成立，往往是因为一个具体场景 ​

  • 老钱对手机 Agent 的兴趣，关键不在模型参数。
  • 真正打动他的场景是：
    • 带着手机回到户外。
    • 一边回微信，一边下达任务。
    • 不再被办公室和电脑绑住。
  • 这点对自己也适用：
    • 先别问“哪个工具最强”。
    • 先问“它能让我在哪个具体场景里少受困”。
    • 如果没有真实场景，工具热情很容易变成新消费。

播客核心内容 ​

AI 先暴露人的主体性问题 ​

  • 面对大模型窗口时，真正卡住的不是语言能力，而是不知道自己想干什么。
  • 品哥给老钱的帮助有两层：
    • 一直追问：
      • 你到底想干什么？
      • 想用这东西创造点什么？
    • 给出信心层面的确认：
      • 这事可以上手。
      • 不复杂。
      • 先做一个具体东西。
  • AI 会把人的主体性问题提前暴露出来：
    • 没有目标，模型不会替你生出目标。
    • 没有上下文，模型只会按默认概率输出。
    • 没有验收标准，模型会给一个平均答案。

Context 管理比追模型更底层 ​

  • 最好的模型一旦不续费就失去。
  • 文档系统、流程、记忆和索引，才是长期跟着自己的东西。
  • 大模型的工作记忆就是上下文窗口：
    • 它不是无限记忆。
    • 上下文窗口对应推理算力和显存。
    • 长任务反复 Compact 会丢细节。
    • 把所有东西都塞进窗口，等于向模型许愿。
  • 更合理的结构是外脑：
    • 全量材料放在文件系统。
    • 入口元信息占少量 Context。
    • 需要时再调入对应 skill、文档、索引或记忆。
  • 人和 Agent 在这一点上同构：
    • 一个时间窗口只做一件事。
    • 做完后沉淀为外部材料。
    • 再清空进入下一件。

好输出来自问题、上下文、流程、身份和门禁 ​

  • 第一是定义问题：
    • 要知道 output 到底要做什么。
    • 更底层是 why：为什么要做这件事。
    • 执行端越强，定义问题、提出方向、明确第一推动力越重要。
  • 第二是结构化上下文：
    • 把材料整理成 AI 更易读的形式。
    • 例如 Markdown、分层索引、渐进式披露。
    • 不是把一堆原始材料扔进去让模型自行理解。
  • 第三是标准流程和 Skill：
    • Skill 本质是做一件事的 SOP。
    • 绝高智力的新员工也需要操作手册。
    • 过去踩过的坑，应该写进流程。
  • 第四是“老板是谁”：
    • 用户背景、偏好、来时路、写作风格、判断标准，会决定输出是否有用。
    • 真正用得好的人，往往在 AI 之前已经有结构化积累。
    • 没有结构化积累也可以边用边补。
  • 第五是门禁：
    • 什么是好输出，必须定义。
    • 格式、详实度、引用、逻辑、语义无歧义，都可以成为验收标准。
    • AI 编程进步快，是因为编译、测试、CI/CD 提供了明确门禁。
    • 有门禁，才有返工和进化。

AI 会激活贪婪，不一定节省时间 ​

  • AI 理论上提升效率，但现实中很多人没有更轻松。
    • 玩得好的人反而睡眠减少、身体变差、继续加班。
    • 付费 200 美元后，又给自己新增 KPI：
      • 今天 Token 没用完不能睡。
    • 工具变强后，人很快转向“我还可以做更多”。
  • 效率提高能节省资源，只在需求有限时成立。
    • 吃包子有尽头。
    • 人对可能性的想象没有尽头。
    • 当需求是无限的，效率工具会变成更多探索、更多消耗、更多任务。
  • 这也是一个提醒：
    • AI 支出如果能产生现金流，可以算研发支出。
    • 如果不能产生现金流，也可能只是消费，甚至是自嗨。
    • 自嗨不是罪，但不能把自嗨包装成生产力。

提问是在维护欲望和元认知 ​

  • 一个新现象：
    • 答案太容易得到了，自己反而不看。
    • 没有付出主体性劳动，答案容易变成“收藏夹落灰”。
  • 品哥把这解释为提问欲望的分化：
    • 一些人的提问欲望被易得答案削弱。
    • 另一些人会通过打磨 prompt、skill、输出标准和互动节奏，让提问欲望增强。
  • 后一种人要的不是单个答案：
    • 要的是更好的工作流。
    • 要的是技能资产。
    • 要的是对自己思考模式的优化。
    • 要的是更深的自我认知。
  • 问题类型里，what、why、what if 都重要：
    • what 是我要做什么。
    • why 追问动机、偏好、审美和自我定义。
    • what if 是反事实和概率思考，避免顺着一条逻辑链产生理性自大。
  • 这期对元认知的定义也很实用：
    • 元技能是产生技能的技能。
    • 元认知是产生认知的认知。
    • 它平时不一定被摆出来，但会持续驱动人如何处理经验、判断稀缺、定义好坏和更新认知。
      • 就好像是水 于 鱼儿e关系？

是的，如果产出的东西，自己不看不思考，那么就是一顿垃圾

面对无限可能，还是要回到有限性 ​

  • 品哥给出的答案是承认有限性。
    • 人只有 24 小时。
    • 生理生命有限。
    • 中年人不可能像年轻人一样熬夜学所有东西。
  • AI 只是把外部可能性突然放大。
    • 可能性空间越大，越需要知道取什么、舍什么。
    • 如果把 AI 当成永无止境的杠杆，下一步就是无止境扩张。
    • 更该回到一个聚焦方向，确认自己真正对什么有兴趣。
  • 这不是拒绝新技术：
    • 仍然要接受新信息。
    • 仍然要打造新技能。
    • 但不能因为有了杠杆工具，就把杠杆拉到 10 倍。

职场价值会更偏向定义权和交付权 ​

  • 老钱把上班比喻成：
    • 老板买了你 8 小时，调用你这个模型的 API。
  • 品哥延伸出“把自己活成闭源大模型”：
    • 公开流程、skill 写法、SOP 可以开源。
    • 个人审美、坚持、取舍和“有所为”的部分，是闭源模型。
  • 在 AI 职场里，中间执行端会不断被外包给 Agent。
    • 老板会要求你使用 AI。
    • 会要求流程 Skill 化。
    • 会要求把认知写成 Markdown 文档。
    • 因为执行成本会低于人工。
  • 更稳的位置在两端：
    • 左端：定义问题，提出 what、why、what if。
    • 右端：把 AI 产物交付给真实的人，承担责任，建立信任。
  • 担心执行被替代没有意义。
    • 执行端效率就是会提高。
    • 更实际的问题是：
      • 能不能抓住定义、编排、验收和信任交付。

有意思的说法 ​

“不能对着一个清北毕业生许愿” ​

  • 模型很聪明，但它不知道你的公司、岗位、流程和坑。
  • 如果不给 SOP，它会按默认方式做。
  • 对 Agent 的尊重不是少写规则，而是把规则写清楚。

Context 是稀缺资源 ​

  • 稀缺的不只是模型智力，还有能被放进当前窗口的相关信息。
  • 文件系统、索引、skill 触发机制，都是在解决稀缺 Context 的调度问题。
  • 长任务容易坏，也是因为：
    • Compact 会压缩，也会丢细节。
    • 没有外部证据链和阶段性落盘，后半段很容易变成幻觉式继续。

Token 是一种可能性资源 ​

  • Token 不只是账单数字。
    • 它代表算力、电力、探索路径和未来可能性的占用。
    • 不同人每天消耗的 Token 差距，可能比财富消费差距更夸张。
  • 反面也要记住：
    • Token 消耗多不等于产出多。
    • 探索可能性多不等于生活更好。
    • 生理有限性仍然限制人能处理多少结果。

赛博婴儿潮 ​

  • 播客里这个说法很有意思：
    • 过去有钱养娃。
    • 现在有 Token 养 Agent。
    • 每一个 Agent 都像一个赛博婴儿。
  • 反向提醒是：
    • 开更多 Agent 没有自动收益。
    • 养得越多，喂料、校准、验收和维护成本也越高。
    • 真正值得养的是少数长期分身；临时玩具越多，心智账单越乱。

“把自己活成闭源大模型” ​

  • 可复用流程可以开源、文档化、skill 化。
  • 不能完全开源的是：
    • 审美。
    • 取舍。
    • 判断。
    • 信任关系。
    • 交付责任。
  • 职场里真正需要保住的不是“我会亲手执行”，而是：
    • 我能定义问题。
    • 我能编排流程。
    • 我能验收结果。
    • 我能把结果交付给真实的人。

对我的提醒 ​

有些启发

不要把“会用 AI”误判成“多开任务” ​

  • 限制并行。
    • 一个时间窗口只处理一件事。
    • 处理完要落盘、结案或发布。
    • 然后清空进入下一件。
  • 如果 AI 让任务入口变多，但出口没有变清楚，焦虑只会增加。

区分消费、研发和逃避 ​

  • 买模型、烧 Token、调工作流，都可能有价值。
  • 但要问一句：
    • 它是在产生现金流或真实资产？
    • 还是只是新消费？
    • 还是为了避开一个更难的具体交付？
  • 自嗨不是罪，但不能把自嗨包装成生产力。

大概率是新消费，新投资

不要把可能性当义务 ​

  • AI 打开了很多可能性，但打开不等于都要追。
  • 每一个“也可以做”，都会消耗时间、注意力和验收成本。
  • 真正该保留的是取舍能力，不是无限扩张的自动化清单。

说的好，不做什么很重要，而不是搞每一个可能性，换言之，我其实就有大而全的倾向，比如分发平台，每个大模型都要尝试，每个工具都要试试，浪费生命

先找解放感，再找自动化 ​

  • 一个自动化值不值，不能只看它是不是新、是不是复杂。
  • 更该看它有没有带来真实解放：
    • 能不能让我少困在电脑前。
    • 能不能让我更快交付。
    • 能不能让我更快停止。
    • 能不能让我把注意力拿回生活。
  • 如果一个 AI 工作流只会生成更多入口、更多待办、更多调参，它可能只是把焦虑包装成自动化。

金句 ​

  • AI 奔涌向前，一日千里，独独留我在原地。
  • 硅基分身的核心在于 Context 管理，而不是是否用了最好的模型。
  • 不能对着一个清北毕业生许愿。
  • 你之前踩的坑，应该变成标准流程里的一步。
  • Context 稀缺。
  • 人和 Agent 都应该一个时间只做一件事。
  • 好的输出需要门禁要求。
  • 提问的欲望在消减，而提出好问题的能力，有些人在提升，有些人在消减。
  • What if 是对可能性和概率分布的追问。
  • AI 激活的是人的贪婪。
  • 人生有涯知无涯，以有涯随无涯，殆。
  • 有所为，意味着舍弃另外 99.9%。
  • 上班就是老板买了你 8 小时，以调用你这个模型的 API。
  • 要么抓左边定义问题，要么抓右边信任交付，中间就外包给 AI。
  • 人到中年日日新。