文 | 智能降級

近來看到個最好玩的消息，大致下面這樣：

看到這個內容的時候，我是真的笑噴了。

這其實意味著大家花了很多時間做所謂的智能體，創造的全是負價值。

原因特簡單。

來自過去產研陣營的人類總是覺得，可以通過加入人類以為讓AI更好的知識（表現為提示詞，本質是規則）來提升AI在特定方向的表現。

這些所謂的“人類知識”和"小技巧"，表現出來就是提示詞（prompt），本質上則是一堆給AI的規則。

這些東西有助于提高限定目標下的精度，但對于一個大模型來說，實則是一種戕害，是一種“智能降級”的行為。

大模型的厲害之處在哪？

在于它學了海量的數據，內部形成了一個模擬真實世界的、極其復雜的概率模型。它有種“涌現”出來的、我們都還沒完全搞懂的通用智能。

你加進去的那些規則，就像是給一個想象力無限的畫家，硬塞了一本兒童涂色書，還規定他必須在框框里涂色，不能出界。

你以為你在“優化”他畫蘋果的能力，實際上你廢掉了他創作《星空》的可能。

當你面對的需求，敞口巨大、千奇百怪、無限貼近真實世界的時候——比如一個律師的日常工作——你那點“局部優化”就變得得不償失。

你閹割掉的通用智能部分所帶來的損失大于你費勁匹配上的那部分需求上的收益。

最終就化成用戶的三個字：不好用。

這就是“智能降級”，也就是現在做智能體的典型陷阱。

更要命的是，大模型本身，還有像通用搜索這種腳手架，它進步越快，陷阱就挖得越深。

要規避“智能降級”這個大天坑，核心就一句話：

別再嘗試教AI“怎么思考”，而是要給它“思考的材料”。

（背后的原則就是我們23年就開始提到的智能優先）

人類得承認AI的“腦子”（底座模型）在無屬性的智能上已經比人強了，所以不要嘗試當一個蹩腳的“老師”，而是當它的“情報官”。

給它提供它原本接觸不到的、高質量的、獨家的“情報”，也就是數據和上下文。然后相信它的智商，讓它自己去推理、去判斷。

當然因為你要更了解你想干什么，所以需要一個比較復雜的評估系統。

（這部分很復雜，本篇不展開）

沿著這個思路，讓智能體有價值方向其實很清晰：

方向一：深挖“獨占性上下文”

通用大模型，懂的是公域。

它不知道你公司上周開了什么會，不知道你們最重要的客戶是誰，更不知道你們的王牌產品是怎么研發出來的。

這些，就是你的“獨占性上下文”。這是你唯一的、也是最堅固的護城河。

我們以前的說法：數據的邊界是應用的邊界。

智能體的首要價值，就是把這些散落在公司各個角落的、內部的、私有的數據，安全、高效地喂給大模型。

說白了，就是給AI開“內網權限”。讓它能看到所有郵件、聊天記錄、會議紀要、代碼庫、產品文檔、客戶關系管理系統（CRM）里的數據。

當AI能看到這一切的時候，它就不再是一個只會說胡話的“互聯網嘴替”，而是一個真正懂你業務的“數字員工”。

人類要做的主要不是用什么技巧提高智能，而是要補數字化的課。上面這事深挖的話，背后是數字成本和生產關系問題。

不管怎么樣，人這部分才是最大的成本和障礙。

方向二：提供“高勢能工具箱”

光能看還不行，還得能干活。

但這個“干活”，不是你規定好一步兩步三步的僵化流程。

而是你給它一堆“工具”，就像給一個聰明的工人一個工具箱，里面有錘子、有扳手、有電鉆。然后你告訴他，目標是“把墻上那幅畫掛起來”。

他自己會判斷，是該用釘子和錘子，還是用膨脹螺絲和電鉆。

這個“工具箱”，在數字世界里就是各種API。比如“查庫存”、“下訂單”、“發郵件”、“創建日歷”……

一個好的智能體，應該是一個能熟練使用你給的工具箱、去自主完成你交待的目標的“高級打雜工”。它有腦子，也有手腳。

方向三其實是自我優化，這更難搞，這篇文章里面不展開了。

前面的第一二點并非是Ai領域的問題，和過去的ERP、數字化等等重疊度更高。一定程度是補課和融合。陳果同志經常講的內容，在這里是很有用的。比如：

說了這么多，那到底什么樣的產品才能避開“智能降級”的坑？

我們可以拿市面上兩種不同形態的產品做個對比，一下就明白了。

失敗的形態：那個5萬美元的合同AI

這種產品，我稱之為“工作流AI”。

它明顯的問題是靈活度不夠，而靈活度不夠則是因為整合深度不夠。

它的邏輯是，在一個封閉的軟件內部，預設好一個“分析合同”的流程。然后讓AI來填充這個流程里的某些環節。

這時候當人可以和AI高頻交互的時候，你的工作流帶來的就基本是壞處。

它的問題可能是：

1. 上下文缺失：它只知道你上傳的這一份合同，不知道這份合同的背景、談判過程（可能在郵件里）、相關的歷史合同（可能在另一個文件夾里）。它是個“睜眼瞎”。

2. 流程僵化：它把你和AI都鎖死在一個固定的流程里。律師想換個角度問點問題，想讓AI結合點別的信息，門兒都沒有。這就是“智能降級”的重災區。

3. 價值孤點：它的價值，僅限于“分析合同”這一個孤零零的場景。它無法把這個能力，和你公司的其他工作流串聯起來。

成功的形態：Glean這樣的產品

Glean的本質是一個“上下文平臺”。

它所有的貢獻在于確保我們反復說過的：現實理解縱深。

它什么流程都不預設。它的唯一目標，就是打通一家公司內部所有的數據孤島，把Slack、Google Drive、Jira、Salesforce……所有系統里的數據全都連接起來，形成一個統一的、可供AI檢索和理解的“企業知識圖譜”或“企業大腦”。

這部分最麻煩的活其實并不是大模型出現后才做好的。

國內當年說的數據中臺其實和這活非常類似。

只不過做數據中臺的公司估計掛個七七八八了吧，這從一個側面也反應了AI深度應用的現實難度。

下面是我隨便找的一個中臺的圖，大家可以和Glean的架構比比：

(https://juejin.cn/post/6844904164292575246)

下面是Glean的架構圖：

對比下來會有個可怕的結論：想做智能體先做好數據中臺...

做不好數據中臺，智能體一樣不好用，至少牽涉生產關系的肯定不好用

Glean本身，就是那個最牛的“情報官”。它不教AI怎么思考，它只負責把最全、最準的“情報”喂給AI。

當一個智能體被架設在Glean這樣的平臺上，它就活了。你問它：“上個季度我們最重要的客戶‘ACME公司’那邊有什么進展和風險？”

一個“孤島AI”會一臉懵逼。

但基于Glean的智能體是這么干的：

1. 調取ACME公司在CRM里的所有記錄。

2. 調取與ACME相關的所有郵件和Slack聊天記錄。

3. 調取內部關于ACME項目的會議紀要和周報。

4. 然后，它調用大模型的通用智能，把這些碎片化的信息綜合起來，給出一個有理有據、包含洞察的回答：“進展是XX合同已續簽，但風險是他們的關鍵接口人最近在郵件中抱怨我們的交付延遲，相關討論在XX的Slack頻道里有記錄。”

你看，這整個過程，沒有任何人去預設一個“客戶風險分析”的死板流程。

Glean這種形態，就不太會出現“智能降級”的問題。

因為它做的不是“減法”（用規則限制AI），而是“乘法”（用數據拓寬AI的視野）。它的核心價值，不在于設計了多厲害的prompt，而在于構建了多么厲害的“數據通路”。

當底層大模型從GPT-4升級到GPT-5，那個5萬美元的“孤島AI”可能就廢了。

但Glean的價值反而會暴增。因為更強的大腦，配上更全的數據，能產生的智能是指數級增長的。

再強調下，上面的內容被我簡化了，用于說明方向，真做開發的時候，累計偏差等處理有很復雜的過程。需要架構、領域模型等的綜合。我1年多以前寫過些這類文章。

說到底，這背后是一種根本的范式轉變，一種“智能優先（AI First）”的原則。

過去的思路是“流程優先”，我們設計好流程，讓AI來打輔助。這背后本質是人類優先，流程用于固化某種期望。

而“智能優先”是倒過來的：我們默認有一個聰明的“大腦”在C位，我們所有的工作，都是為這個大腦搭建一個能讓它發揮最大價值的環境。

我們以前管這個叫：if else調整到any then的思維模式。

這個原則推到終極形態，就是“無人公司”。

未來的組織，不再是靠人類員工執行成千上萬個僵化的SOP（標準操作程序）。而是把整個公司的業務邏輯，都封裝到一套智能體體系里。

怎么封裝？ 不是寫死板的代碼，而是為智能體體系定義好：

1. 目標（Goals）：比如，“維持公司產品A的庫存量在1000到1200件之間”。

2. 上下文（Context）：給它接入實時的銷售數據、供應鏈數據、物流信息（Glean模式）。

3. 工具（Tools）：給它調用采購系統API、向供應商發郵件API、向人類主管發預警API的權限。

這些都需要個底座，這個底座就是我們基本干黃的數據中臺。

然后，這個智能體體系就會像一個生命體一樣，7x24小時地自主運行，自己做決策，自己調用工具去執行。

人類的角色，從執行者，變成了目標的設定者和最終結果的監督者。

所以，規避給AI“上規矩”并且最終產生“智能降級”產品，首先要整明白個基礎問題：AI是啥，是干啥的！

(不過說起來很尷尬，我寫了快兩年智能原生、智能優先、無人公司，不說別人，我的朋友們好多好像還是不咋理解或者認同）