P2认知：先看清你在和什么打交道

我从 2024 年开始高强度用 AI 编程工具，Cursor、Windsurf、Claude Code、Codex 都用过，各种模型轮番换。用到后面，我越来越少关心哪个最聪明，越来越多地关心另外几件事：我给了它什么，这件事错了收不收得回来，它到底替我干了哪些活。

原则 01　模型是常量，Context 是变量

Context，中文常译作上下文，指 AI 在回答你之前能看到的全部东西：你的问题、你给的文件、它之前做过的事、你定下的规矩。同一个模型，喂给它不同的 Context，得到的是完全不同的结果。我把过去两年 199 篇公众号原文提炼成书的时候，反复在白板上写的就是这一句。

一台能干活的 Agent 工作台，我拆成四层：上下文层管它凭什么知道你的事，模型层管谁在思考，能力层管它能动手做什么，闸门层管什么时候必须停下来问你。大部分人只在模型层上花心思，哪个最强，哪个最便宜。可模型是所有人都能买到的。

这一条我交过一笔很贵的学费。2024 年上半年，我和团队在做一个微信群总结机器人，那时模型的上下文窗口只有 8K，群聊记录塞不进去。我写了一个 K 型压缩算法：首尾多保留，中间压缩，递归压到 6K 以内。这是我们的核心技术。几个月后，窗口从 8K 涨到 200K，它一夜之间归零。

原则 02　先问失败成本，再挑模型

最常被问的问题是：用哪个 AI 最好？我的回答是，不要信仰单一模型，也不要信仰单一产品。模型能力、价格、产品形态都变得太快，今天最顺手的，不一定适合下一个任务。我的做法是按任务分层。

分层看的是同一件事：做错了，收不收得回来。改错一段文案，重来一遍就是了；发错一封邮件、删掉一个文件夹、转错一笔钱，都收不回来。前一类大胆试，后一类把 AI 放进更窄的边界，让人做最终判断。

地基本身也是失败成本。第五期报名时，有位学员写“Codex 一直用不了”。在我看来这不是他的问题，是依赖结构的问题：一台建在你控制不了的东西上的工作台，它随时可以不是你的。

原则 03　大头在交付和查证，不在生成

很多人以为用 AI 就是让它写东西、画东西。我在外滩大会上分享过自己一年的 Skill 调用数据，1,852 次里，排在前面的四类是这样的：

四类合计 1,178 次，占 63.6%。这个数字只是下界，子 Agent 的调用没有算进去，Claude 的早期会话记录也有裁剪，但比例足够说明问题：我用 AI 最多的地方，是交付、判断和查证，而不是生成。

生成可以很快。第一期创造营下午我要连讲 4 小时，那份 60 页的 PPT，是我中午用 Claude Code 半小时内生成的。可写出来只是第一步：写得对不对，能不能发出去，发出去之后能不能找回来、能不能复盘，这些才是真正花时间的地方。

原则 04　与其追十个工具，不如固化一个判断

大二那年，我在一家金融科技公司实习，用一周自学了 VBA，然后两小时干完了全组一周的活。那一刻我第一次意识到，编程会颠覆传统行业，因为它让一次判断可以被无限次使用。

再往前，2015 年我在理想论坛上发过一个股票指标，叫“南川三代分时”，卖 3000 块一份，卖出去几十份。我人生第一笔靠脑子赚的钱，来自把一套判断固化成了别人能直接用的东西。

所以我对软件的理解一直是：软件就是把一个重复发生的判断，固化成一个别人也能按下去的按钮。 插件和 Skill 固化的也是判断，载体从股票指标换成了代码和 AI 能执行的说明书。

原则 05　最大的红利，在它会而你不知道的那一格

怎样知道自己的 Context 缺了什么？我常用一个四格的乔哈里视窗：横着看它知不知道，竖着看你知不知道。

把“我知道、它不知道”的东西写下来交给它，是上下文工程。去探索“它知道、我不知道”的那一格，是学习。两件事都比换一个模型有用。可绝大多数人只在左上角用 AI，把它当搜索引擎，问的都是自己本来就能查到的东西。

左下角那一格，我是被撞进去的。2026 年 4 月准备第一期海报时，我迭代了小几十个版本。快定稿的时候，Claude Code 自动压缩了一次上下文，注意力出了偏差，误以为我要重构设计。它给自己设了一个“设计、实现、审阅、再设计”的循环，几分钟后交出一版让我震惊的成品，一次通过。我盯着屏幕想：设计真的不存在了。

常见误区

• —把 AI 当搜索引擎。只问它你本来就能查到的东西，就永远停在左上角那一格。
• —以为换一个更强的模型就能解决问题。结果不好时，先查 Context，再怀疑模型。
• —追着工具跑。每周都有新模型、新产品，与其追十个工具，不如把一个判断固化下来。