几场 AI 分享之后，我被自己的偏见提醒了一次
本文基于近期几场线上、线下 AI 分享后的个人记录整理，插图为 AI 生成。
前言
最近听了几场分享，线上线下都有。听完之后，我越来越觉得：多听别人真实踩过的坑，才会慢慢推翻自己原来那些“自以为是”的判断。
说是自以为是，其实也不完全是。AI 这个方向的技术变化和信息变化太快了，很多之前看起来合理的判断，放到新的实践里已经不成立。现在我会刻意记录这种变化：哪些想法被推翻了，哪些判断变得更坚定了，以及这些变化背后的原因。
这篇文章就是一次这样的记录。
RAG 还有做的必要吗？
我之前看到过 Claude Code 相关的讨论：早期版本尝试过 RAG、本地向量库等方式，后来发现由模型驱动的 grep、glob、文件读取等 agentic search 方式，在代码场景里效果更好，于是放弃了传统 RAG 路线。
这个说法的出处可以参考 Boris Cherny 在 Latent Space 访谈《Claude Code: Anthropic’s Agent in Your Terminal》中的表述。他提到团队最终采用 agentic search，原因之一是它在 Claude Code 的场景里表现更好，同时也规避了索引过期、安全和隐私等复杂问题。
当时我一度被这个结论“带偏”了。我开始倾向于认为：既然朴素的命令行搜索已经够好，那是不是很多场景也没必要做 RAG、向量化搜索或者复杂检索系统了？
最近听到一些真实经验和测试之后，我意识到：这是我把代码场景的经验，错误外推到了更大的真实世界。
Claude Code 的场景至少有两个特殊性：
- 它处理的是代码
- 它主要面对英文和稳定的符号体系
代码场景：关键词天然可靠
在代码里，方法名、API 名、变量名、业务字段往往有规律可循。语言关键字是有限的，业务字段也相对稳定。只要扫到关键字段，相关代码就很容易被精确锁定。
简单说，代码场景有两个优势：
- 命名趋同：同一个概念通常会反复出现在函数名、变量名、文件名里。
- 召回优先：写代码时宁可多看一点，也不能漏掉一个相关修改点。
所以在代码场景下，grep / rg 这种精确或半模糊搜索，确实非常高效。它没有排序、没有语义相关性，也未必是问题。因为开发者本来就需要逐个确认命中的地方，避免遗漏。
但如果把这个经验搬到生活场景或知识库搜索里，问题就来了。
如果你是 Google，你不能把所有包含关键词的结果不排序地丢给用户；如果你做的是企业知识库，也不能让用户自己在一堆命中结果里逐条验证。真实世界的检索，相关性排序本身就是产品价值的一部分。
中文场景：表达天然发散
英文技术文本里，一个名词往往比较稳定。固定场景通常就用固定单词，变体没有那么多。
但中文真实表达完全不一样。尤其在生活、业务、客服、会议纪要这些场景里，人会使用大量口语化、上下文省略和同义替换。
比如同一件事，可能会被说成：
- “我去买个菜”
- “顺路补点吃的”
- “晚上家里没东西了”
- “下班去超市一趟”
它们可能指向同一个意图，但精确检索很容易匹配不上。如果分词再不合理，搜索条件还会被拆得更乱。
所以，代码里的关键词命中，不等于中文生活场景里的意图命中。
不要把局部成功当成通用规律
回到标题问题：RAG 还有必要做吗？
我的答案是：当然有必要。但更准确地说，我们不应该只讨论 RAG，而应该讨论“检索能力”。
向量化搜索也好，关键词搜索也好，混合搜索也好，甚至 agentic search 也好，本质都是为了让系统更快、更准地找到上下文。Claude Code 不是在否定所有 RAG，它只是证明了：在 Coding 工具这个特殊场景里，传统 RAG 未必是最优解。
真正值得警惕的是我们自己的偷懒：
看到一个成功案例，就把它简化成一句口号，再拿去解释所有问题。
这才是偏见的来源。
如果再往前想一步：是否可以完全交给 AI 自己建立索引、理解意图、拆分查询、选择工具、反复检索？也许可以。未来我们需要的可能不是一个单纯的向量库，而是一个更接近 AI agent 的索引引擎。
向量可能是其中一种靠谱方案，但不会是唯一答案。
风控是人的价值
我之前讨论过一个问题：AI 越来越强之后，人的价值在哪里？
最近的交流里，不止一次有人提到一个词：背锅。
是的，当 AI 的工作出现问题时，领导最终还是要找一个人负责。它很难找一个“不存在的 AI”负责，也很难真的让模型公司替你的业务结果负责。最后责任还是会落到人身上。
从表面看，人的价值似乎变成了“背锅”。但我更愿意换一个角度看：
如果背锅是一种价值，那么提前找锅，就是拉开价值差距的机会。
这也是有经验的程序员和没经验的程序员之间最大的区别之一。同样的 AI、同样的模型、同样的环境，有经验的人会主动补充更多场景，也更容易预判可能出问题的地方。
比如代码已经写好了，有经验的人可能会继续问：
- 并发场景下会不会有问题？
- 数据量变大后会不会超时？
- 失败后有没有重试和回滚？
- 权限、边界值、异常输入有没有覆盖？
- 这个方案后续维护成本会不会变高？
普通开发者可能看到功能跑通就结束了。但如果你不主动告诉 AI 使用场景，不明确要求它考虑并发、异常和边界，它通常不会自然地把所有防护都补齐。
所以我越来越觉得，未来人的重要价值之一就是：预判和风控。
没经历过手写代码的人，可以直接上岗吗？
讨论“背锅”时，有朋友问了一个问题：如果以后很多人没有经历过从错误里摸爬滚打、手动排查 Bug、追底层原理的过程，他们还能直接上岗吗？
我的回答是：迟早要上岗，也一定会有人让他们上岗。
只不过他们接触工作的方式会完全不一样。过去新人主要和代码交互，现在新人可能更多是和 AI 交互。过去要学的是如何设计系统、如何写代码；未来还要学的是如何把目标、约束、风险和验收标准讲清楚。
这当然有问题。没有经历过底层细节的人，风险感会弱，判断力也需要时间培养。但这也是必然发生的过程。我们不能因为路径变化，就假设新人一定不行。
真正应该锻炼的仍然是：学习能力。
AI 时代工具越来越多、变化越来越快。谁能在新事物出现后，用最快速度理解它、掌握它，并合理运用到工作中提效，谁就更有机会直接上岗。
当然，这个能力很难通过面试看出来。
个人上下文的价值
人的脑容量是有限的。越往后越会发现，自己越来越容易忘记东西。新东西出现得越多，旧东西被自然遗忘的速度也越快。
最近听到的分享里，很多同学已经开始构建自己的上下文。最简单的方式是每天写日记，也有人把工作记录、会议纪要、思考过程、消费记录、读书笔记都沉淀下来。
它的价值不只是“方便回忆”，而是让 AI 能帮你重新调用过去的自己。
比如：
- 总结本周工作
- 复盘最近的问题
- 整理最近的开销
- 汇总过去一年的对外演讲
- 回看最近十年犯过的错误，找出重复模式
- 对比过去类似投资或决策，判断这次是否应该延续同样策略
在 AI 出现之前，很多人就在说“第二大脑”。但那时的第二大脑大多只有存储，没有真正好用的读取。因为搜索太麻烦，很少有人会主动翻自己过去的记录。
现在不一样了。
当 AI 拥有了你的一部分长期记忆，它可能更像你。说得极端一点，它甚至可能比某个时刻的你更了解过去的你。
所以现在开始积累个人上下文，我觉得是一个很值得做的选择。未来这些数据也许会成为一种更长期的个人资产。
AI 工具的主观能动性
一个受欢迎的 AI 工具需要具备什么条件？
如果是以前，我的回答会很简单：能帮我解决问题。
但现在不够了。因为 AI 已经足够强，一个成熟智能体能完成的任务越来越多。工具之间继续内卷“质量”当然重要，但还有一个更关键的差异点：主观能动性。
领导喜欢什么样的人？积极主动，有 Ownership。
现在 AI 工具某种程度上已经像你的下属。什么样的 AI 工具更容易出彩？我觉得也是主动。
如果一个工具只会听你指挥，你不说它不做，那它仍然只是工具。你说什么，它做什么；问题解决完，它的使命就结束了。
但如果它像员工一样，今天完成任务，明天早上自己检查，发现新问题后主动汇报，那体验就完全不一样。
所以反过来看，AI 工具越能向“可靠同事”靠近，越容易被人长期使用。不是因为它拟人化，而是因为它开始承担了持续推进和主动发现问题的角色。
整体快，才是真的快
最近很多公司都在做 AI 改革，希望把 AI 融入工作流程。最先提速的一定是研发，因为研发离 AI 最近，也最容易把 AI 用起来。
但问题是：研发提速之后，实际整体产出提升了多少？
我听到的一些结论是：确实快了，但没有想象中那么快。
原本大家以为，一个月的代码现在一周写完，效率至少应该提升 3 到 4 倍。但实际落地后，可能只有 1.5 倍。原因很简单：研发快了，不代表流程快了。
以前有人说，写代码只是产品交付里相对简单的一部分。过去很多研发会不服，毕竟代码都是自己辛辛苦苦写出来的。但现在 AI 把编码速度拉起来之后，这件事反而更清楚了：
- 需求还是要讨论
- 设计还是要确认
- 测试不一定能自动化
- 发布仍然需要审核
- 跨部门流程仍然很慢
- 业务决策仍然需要人拍板
除了研发之外的一切如果都没有快，单点提速就很容易变成功能堆砌和 Token 浪费。
所以 AI 时代下，任何部门都可能成为效率短板。只有把 AI 合理融入整个产品生命周期，整体效率才会真正提升。
总结
除了上面这些思考，我最近也调整了自己使用 AI 的方式。
以前常见的做法是：让 AI 出方案，然后人点 yes。最后如果落地有问题，再让它改。久而久之，人反而容易丧失自己的思考能力。
现在我更倾向于先在脑子里构思一个方案，再让 AI 给方案。然后我会故意引入另一个假设：
“小王提出了另一个方案，是这样的……你来对比一下。”
让 AI 做取舍、调研和反驳。
我发现，对比最容易暴露问题：
- 我自己方案里的漏洞，AI 往往能指出来。
- AI 方案里的漏洞，我也能发现，尤其是那些依赖真实上下文的部分。
这种方式让我从 AI 里学到不少，尤其是在全局考虑和扩展性上，往往能得到更好的方案。同时，它也能提醒我：别把思考完全外包给 AI。
AI 会越来越强，但人的判断、上下文、风控和主动学习能力，仍然会决定最后能走多远。
微信
支付宝
