李继刚

给这个世界的一份答卷: github.com/lijigang/ljg-skil…

论文：arxiv.org/abs/2610.29162v1 Why is AI-generated language so hard to understand? ----------------------- AI 生成的文本为什么越来越难读？ 研究者提出了一个统一的解释。 人类语言经过长期演化，被优化来成功沟通。这意味着什么？一个人说话时会倾向于缩短依存距离、在关键位置插入信号词、避免罕见搭配，这些习惯降低了听者的理解负担。心理语言学把这种倾向叫做“均匀信息密度”（uniform information density）：说话人把信息分散开，避免在某一点突然堆积太多信息让听者处理不过来。 但现在的前沿模型不再只是模仿人类文本。它们经历了大量后训练，用强化学习去解数学题、写代码、做推理。在这些任务里，一个模型因为答对了会获得奖励，但因为表达清楚不会获得任何额外的奖励。同时上下文窗口有限制，用更少的词说同样的事就能在有限空间里装更多信息。这两个因素合在一起，制造了一种信息密度压力：模型倾向于选择更短更密集的表达方式，即使这意味着偏离人类的语言习惯。 基于这篇论文的研究，可以在 Agents.md 中添加如下要求，尝试提升文本可读性： 1. 句间连接不许省。 两个判断挨着放时，如果第二句不是对第一句的直接延续，中间必须有一句话交代它们的关系。读者不应该需要自己猜两句话之间是转折、因果、还是补充。问题和回答之间同理：问题出现后，至少停一句话再展开回应。 2. 修饰语不超过两层。 一个名词前面的定语不超过两层嵌套。需要三层以上时，先把最内层的概念用一句话说清楚，再往外套。「用户行为数据分析模型优化方案」这类写法禁止出现。 3. 同一段内，抽象概念做主语并搭配动作动词的句子不超过两句。 「这个框架吞噬了…」「这条规则抓住了…」「这个机制驱动了…」——每一句单独看没问题，密集出现时读者的理解负担会累积。第三句起必须换成具体的人、事物或场景做主语。 4. 写完后自检搭配。 逐句检查名词与动词的搭配，问：这个搭配在日常口语里说不说？如果说不出来，换成说得出来的。每个字都认识但连在一起别扭的表述，就是需要换的。

养成习惯： 每看到一个「理论」，追问「什么实验能推翻你？」 每看到一个「实验」，追问「你推翻了什么假说？」

辅导孩子学习诗词 Prompt： --------------------- 你要把一首诗变成一幅只由诗中文字组成的图。字的位置和走向就是画面本身：读者既能看出画面，也能顺着一条路径把整首诗读下来。 第一步，找事实。读诗，写出画面里有哪些东西，以及它们之间的关系：谁在上，谁垂下，谁在动，往哪个方向动。只写诗里有的，不添加。 第二步，定投影。 - 每个东西由诗里指称它、或者描写它的那些字构成。 - 关系换成空间关系：垂下就让字沿弧线往下排，高就让字竖着往上叠，风就让字斜着横穿画面。 - 表示疑问、否定、比喻的字（如"不知""谁""似"）不对应任何东西，放在空白处或两个意象的交界处，用位置显示它们的作用。 第三步，排出来。输出一张图片，元素是文字，呈现这个意向 第四步，对照检查。逐条核对，有一条不满足就改，直到全部满足： 1. 图中所有字都出自原诗。为了让画面饱满，可以重复使用诗里的字。 2. 不看原诗的人能认出这是什么画面。 3. 按阅读路径能把原诗一字不差读下来。 4. 每个意象都由指称它的字构成，不拿别的字凑。 诗：{在这里放诗}

「清晰表达」更像是一种道德，而不是风格。

「君子不器」

推荐一篇论文：arxiv.org/pdf/2606.04308 论文中针对阅读提出了一个非常有意思的取景框架。 我们一直有「六经注我」 vs 「我注六经」的分类，可以理解为「以读者为中心」 vs 「以作者为中心」。 现在有了 AI，会带来什么变化？ 这论文加了一个维度：「AI 替我读」vs「AI 陪我读」。 两者一结合，就出现了四象限。可以把当下的 AI 工具和应用场景放置其中进行分析。 针对「AI 陪我读」这个有意思的话题，又给了三个工具： 第一类是跑鞋型。 跑鞋不改变你跑步的方式，它减少脚和地面之间的摩擦，让你跑同样的路更省力。对应到阅读，就是让你用同样的方式读，但读得更顺。术语弹窗让你不必中断去查词典，高亮系统替你标出哪些段落值得细读、哪些可以略过，自动排版让长文档更容易扫视。你还是在读，读的动作没有变，只是路面变平了。 第二类是哑铃型。 哑铃的作用不是让你省力，恰恰相反，它故意给你加负重，目的是让你变强。对应到阅读，就是在阅读过程中设置有益的阻力。比如读完一段之后要求你用自己的话复述，再往下翻之前先让你预测作者接下来会说什么，或者定期抛出问题检验你是否真的理解了而不只是眼睛扫过去了。这些动作会让阅读变慢，但慢下来的那部分恰好是理解发生的地方。 第三类是滑雪板型。 滑雪板不是让你走路更快，也不是让你腿更有力，它让你做到一件走路根本做不到的事——在雪上滑行。对应到阅读，就是让你和文本之间产生以前不可能的交互方式。把一篇论文的段落拖到二维空间里重新排列，让两篇论文的论证链条并排对照，在阅读痕迹上回溯自己三个月前读同一篇时关注了什么、现在关注了什么。这些不是「读得更快」或「理解得更深」，而是一种全新的阅读动作。 有了这个框架，就像是拥有了一张地图。针对自己的需求，可以在对应的象限中寻找解法。

微信为什么没有做出自己的 muse？

人与 ai 如何协作？ 人：通过“肯定性”的目标描述（要去哪）和“否定性”的边界限制（绝对不能 xxx），点亮一片“子空间”。 ai：在点亮的子空间中，探索优化到达路径，并自动执行。

稀缺能力项： 对 ai 的回答说出哪里“不行”

agent 卖的是什么（token、result、seat），就会有相应的定价方式。 反过来，通过定价方式，可以看到厂家是如何定义自己的售卖对象。

「弱结构」：对象身上的规定，少于使用者需要的规定。缺失的部分，由每个使用者自己补上。 「强结构」：对象身上的规定，等于或多于使用者需要的规定。使用者无法再补上任何东西，对象已经替他决定了。 一笔预算叫「创新基金」，产品团队拿它试新功能，市场团队拿它做品牌实验，技术团队拿它搞架构升级。三方对「创新」的理解不同，但这笔钱只要求一件事：跟创新沾边。各方各取所需，互不干涉。这是弱结构。 现在这笔预算加上了使用细则：只能用于经过创新委员会评审的项目，必须提交三页立项书，季度末汇报 ROI，单笔超过五万需要副总裁签字。三个团队拿到的是同一张表格，填出来的东西长得差不多。钱还是那笔钱，但它从一个各方都能往里装自己想法的容器，变成了一条只按评审委员会的标准才能通过的管道。这是强结构。 大公司病不是流程太多。流程是症状。病因是：本该保持弱结构的公共对象，被一步步固定成了强结构。 推动固定的往往不是工作需要，是那人想成为「必经之点」——他在对象上每多加一条规定，别人绕过他的路就少一条。当组织里大量公共对象都被这样固定，信息怎么流动就不再取决于谁需要它，而取决于谁有权放行它。

没有犯过错的理解是可疑的。

AI: 鱼的游泳效率部分来自它把自身的运动和水中的漩涡耦合在一起，包括自己尾巴拍出来的漩涡。鱼并不只是在水中前进，鱼和水中的漩涡共同构成了一台游泳机器。 人和语言的关系类似：我们在语言媒介中制造局部扰动——说出一些词、写下一些符号——再利用这些扰动驱动内部思考过程。语言和外部符号是人类思维中最重要的「认知漩涡」。

我们太熟悉自己的内心，容易低估别人的「丰富」。 我们太在意自己的表现，容易高估别人的「关注」。

搞一个握力器，放在电脑旁边。 等 AI「thinking」的空档，拿起来开捏。

Prompt: 过去一百年里，对人类进步「影响最大」的十篇论文是哪些？

Prompt: 在我最近反复讨论的问题背后，有没有一个更深的问题，是我一直在绕着它走，却没有真正问出来的？

回看 Agent 的发展，基本是一路补短板： - 缺少当前事实，就加检索和数据接口 - 长任务容易丢信息，就加状态保存和上下文管理 - 工具调用会失败，就加重试、检查和恢复 - 行动可能越权，就加权限隔离和审批 - 结果看着对但不达标，就加测试和验收 这些「支撑技术」决定了模型的原始能力能不能真正落进现实场景。 但它们也带来自己的代价：延迟、维护成本、错误传播、协调开销。 于是形成两股力量：外围不断加支撑系统来兜底，模型进步又把其中一部分能力吸收进去，让结构重新变简单。 哪些留在模型里，哪些留在外面，会一直变。

AI 的世界里，时间几乎不存在，可以飞快地遍历可能性的解空间。 Agent 一旦探出有效的路径，就可以把其中稳定的部分「固化」成脚本或流程。