AI 编程：许愿式、命令式，以及人与 Agent 的价值边界 #

← 返回AI 实践与思考

今天逛某乎，看到一个拿 DeepSeek-V4、Claude Opus 4.7 做对比的话题，其中一个观点让我很有兴趣。

有人把 AI 编程粗略分成两类：许愿式和命令式。

1. 许愿式和命令式 #

许愿式，就是只给目标，不给行动细节，让 AI 自己探索、交互、生成方案，并推进执行。

命令式，就是把流程、步骤、约束条件尽量说清楚，让 AI 按要求执行。

很多人讨论模型强弱，比较的其实是许愿式场景下的表现。
你给一个模糊目标，自己几乎不做拆解，模型直接往下做，最后给出产物。

这种方式的问题很直接：

1. 结果可能偏离预期；
2. 成本通常更高。

2. 成本在大规模场景里更重要 #

小项目里，许愿式的成本问题不一定明显。
简单任务本身就便宜，返工代价也不高。

大型盈利组织不是这种情况。
组织内部每个流程、每个节点，都要算成本。

很多系统存在的原因，就是为了压低成本。
ATM 就是一个例子。没有 ATM 也能办业务，安排人工坐在窗口也可以。人工效率未必更高，成本通常更高。

每次听到别人说某个大模型特别强，我对这种判断一直有保留。
我自己长期采用的方式，基本都是命令式。

3. 细节越清楚，对模型能力的要求越低 #

我通常会把任务细节、执行步骤、边界条件、输入输出尽量说清楚。

这种情况下，用一个大致够用的模型，执行效果通常就不错。
我试过有的任务拆开之后，用genmini2.5也能完成得很好。

这里有三个很实际的判断：

• 细节越清楚，对模型智力上限的要求越低；
• 流程越明确，对模型自主探索的依赖越低；
• 任务拆得越合理，模型之间的能力差距越小。

这也是我对很多模型排行榜保持距离的原因。
你已经把问题定义清楚、步骤安排清楚，真正需要的往往是一个稳定、听指令、成本合适的执行者。

4. 长任务能力，本质上是一套方法 #

有些评测会提到，某些模型的长任务能力很强。

我对这件事的理解是，长任务能力对应的是一整套方法：

• 如何定义问题；
• 如何分析问题；
• 如何拆解任务；
• 子任务如何继续细分；
• 如何保证执行完成；
• 多任务如何调度；
• 哪些适合串行；
• 哪些适合并行；
• 偏差出现后如何纠正。

这类能力更接近 Agent 的发展方向。
Agent 需要持续增强复杂任务的分析、拆解、调度、复用能力。

5. 人该沉淀什么 #

如果 Agent 会持续变强，人就需要把自己的位置放得更清楚。

我认为最值得沉淀的是两类东西：

1. 行业独有的知识；
2. 可复用的问题解决模式。

每次都从 0 开始探索，成本会一直留在自己这边。
流程沉淀得越多，复用空间越大，执行成本越低，利润空间也越大。

探索式任务适合交给高能力模型或 Agent。
任务做完之后，复盘、抽象、固化，价值更高。

6. 真正应该积累的是自己的工具链 #

会用 AI 完成一次任务，不足以形成壁垒。
把经验整理成方法，把方法沉淀成流程，把流程做成自己顺手的工具链，才会持续产生复利。

这套工具链至少要满足几个条件：

• 自己能理解；
• 自己能复用；
• 自己能迭代；
• 自己能持续优化。

成本始终存在，利润始终存在。
问题复杂度总会落在某个位置。

复杂度压在 Agent 里，Agent 的价值会持续上升。
复杂度压在自己的经验、方法、工具链里，人的价值会持续上升。

7. 即使未来被替代，积累仍然有效 #

未来就算很多具体工作会被 AI 接管，这些积累也不会失去意义。

工作方法有价值。
抽象能力有价值。
复盘能力有价值。
造轮子的经验也有价值。

能自己做出一个轮子，说明你掌握了构建的方法。
这个轮子以后有没有用，不决定这段积累的价值。
你的思考能力、系统化能力、抽象能力，会在这个过程中继续增长。

工具会变，模型会变，Agent 会变。
对问题的理解能力、对经验的沉淀能力、对方法的复用能力，会长期保留在自己身上。