“所以，你又要往何处去呢？”

引言

作为一个生活在 2025 年的人，只要还在与互联网产生交互，不可避免或主动或被动的被 Ai 和它的产物 “包围”。信息生产的速度和生产的方式相比以前任何时间都要快而多，搜索获取知识并使用的门槛也比以前任何时间都要低。与此同时 “碎片化的知识点让人产生学会了的错觉” 这个概念也让我比之前任何时候都对此感到警惕，同时站在现在回忆起23年尝试让 GPT 扮猫娘的尝试，竟有了沧海桑田之感。

所以我决定梳理下截止目前的使用感想，旨在提供一个视角，对我个人的意义来说也许是一个快照。由于我从事开发工作，所以我的视点主要会围绕着LLM来展开，它可以做什么，还做不到什么，有什么优缺点，以及怎么使用它来达成自己的需要。

现状

这个领域变化之快令人乍舌，虽然在现在已经能明显的感觉到一个阈值：在一个范围内的问题各家模型的能力拉不出质的差异，但在实际的工作或者说解决问题上，依旧还是能明显的区分出“高下”。

基于这个前提，我个人认为当前最直观感受到巨大能力差异的，更多的在于使用模型的业务，也就是围绕着LLM构筑的各种工程化应用，但每当有人基于LLM构筑各种复杂的工程提升其通用能力并获得关注后没多久，LLM自身往往会针对这块进行“升级”使得即使不依赖复杂的工程也能达到类似的效果，然后这个基础就会不断循环递进，得益于此现在即使不去找各种提供垂直领域的业务也能直观的认识到它的魅力，当然解决实际垂直领域问题的时候那些第三方业务提供商还是更具优势。

我在日常中使用 LLM 的主要有三个场景

• 一个是开发任务（工作中的，或者自己搞的小玩具，解决工作中或者生活中遇到的相关问题）
• 一个是综合性的人文社科场景（学习/了解新概念，梳理思路/情绪 ）
• 最后一个则是投资（收集信息，分析，辅助投资决策）

工作开发主要得益于公司提供的 Github Copilot 和 Cursor，其它基本是在网页中进行的。

开发

这大概是最能体现 LLM 进步的场景了，有大量的需求，大家也愿意为之付费，从开始写一些玩具一般的工具函数和代码片段补全，到现在基于 Agent 的工程化开发和修改，无论是做业务开发，还是独立开发者，无论是新应用架构还是去给历史老项目添砖加瓦，只要应用得当，甚至可以到提出：“Code is cheap，Show me your talk” 的地步。相信随便翻翻都能找到讲这方面如何如何神奇的论点，所以在此不再赘述，我只想谈谈目前阶段我感受到的。

个人感觉 Ai 编程最适合下面两个场景，在一个非常规范的项目里做修改或者从头开始生成一个非常符合规范的项目。重点在于“规范”，有利的点在于 Ai 不会嫌麻烦，如果有规范它会不留余地甚至刻板的遵循，而不利的点也在这里，它会搞出非常冗余的代码，比如开发的时候它会“忘记”自己写过或者已经存在的工具函数，而重复造差不多的轮子，直到用户指出来，或者如果你描述的不清楚它会写出很多“宏大”的方法，然后实现出一个看起来好像正确但完全不符合业务需要的巨大结构。

经验来说，这里首先需要指导 Ai 写一个需求文档，和真正的需求文档一样，如果你描述不清楚你的需求，最终开发的时候就会需要反复沟通，而和单纯的需求文档不同，这个需求文档需要包含技术实现的细节，比如如果你需要刷新图表某一块的功能，让它自动实现它很有可能直接给你把DOM销了重建，但如果你指定它使用某个类库的某个方法，并指引它找到文档（有的时候也不一定需要，但给文档总是最保险的），它则会非常优雅的处理它。

Ai 的产物有点像做泥塑，如果你提供一个设计图和基本骨架，它能给你塑造的栩栩如生，而你直接说我要一个栩栩如生的雕像，那大概率只能得到一层斑斓的外壳。如果不只是做一些玩具，那么首先需要知道自己想要的效果怎么实现，或者至少有一个大概方向，经过一些细化和填充才能得到质量不错的代码。

日常

目前来说 Ai 一个大的落地方向是日常的情感陪伴，这方面我了解的不太多，印象来源于一些新闻或者广告，我本身并不算很积极的把情感投射在这个方向，但也并不抵触，也会进行一些尝试，不过更多的还是作为知识库或者“老师”的使用比较多。

比较常用的是 gemini 和 kimi 作为参考有的时候也会用用 chatGtp 和 deepseek，主要还是前两个。gemini 的分析能力更为柔和，而 kimi 的联网搜索是“外显”的，而且可以搜索微信公众号中的内容，用中文需要一些确定信息的时候更可靠。至于用途则比较随意，除去一些工具性的询问，还有比如某一天看到旅行者号的通信部分恢复，就心血来潮的从旅行者号的历史问到宇宙的边界，从光锥聊到基本粒子模型，从因果聊到意识来源，仿佛我又成了一个孩子，很多问题并不是完全不知道答案，但在这种对话中总能得到一些不一样的点，或是补充或是修正，从中得到了某种我不能准确形容的快乐。我也尝试使用过图片识别能力，比如把一个情绪轮盘丢进去问上面有哪些内容，这块的结果并不可靠，基本就只能是参考，需要不少人工比对，由此可见类似的用法都还不怎么堪用。

除了向外探索，向内探索也是一种用法，输入自己的想法，状态，情绪，事件，输出对这些的视角和分析，有的时候也能得到一些小的建议，不过总的来说Ai总是会倾向于与你的“视点”相同（只要不是什么原则问题），这就需要你刻意的去提出相反或者不同的视点来“看见”全貌，同时通过把抽象的事物输出文字自己的思维会逐渐“冷静”下来。不过，这块的输出多少有一些套路感，具体有多大意义其实是个见仁见智的事情，个人感觉，无论输出的内容是什么，这个思考的过程多少就会有些帮助。

投资

这块其实属于日常的衍生，单独列出来是因为我认为这块与前两块对 AI 的理解有明显的不同，从使用上更接近于“业务开发”，这是最容易有“有用感”的地方，同时也是幻觉最多的地方，大概有这么几块。

• 收集信息：这块在效率上是质的飞跃，虽然本质上是对搜索引擎进行聚合，问题点是由于太有效率了很难对信息进行核对，不过在大的方向上问题基本是可靠的，现阶段比起直接问“什么数据是什么”去问什么数据来源于哪里会更可靠一些，梳理一些时间点和来龙去脉以及对可能的结果进行讨论是一种启发。
• 技术分析：直接把K线或者截图之类的输入进去，让它基于技术理论量能，市场情绪之类的进行解读，基本能生成一个看起来很有道理的报告，但这一块存在许多相互冲突的解读角度。更多体现的是你选择什么样的技术工具（以及这些工具是什么），作用更多的是节约学习和应用的时间，作为辅助判断。
• 信息分析：比如国家统计局这类机构发布的经济报告丢进去让它解读，这方面是当前做的看起来最好的部分，能提供不同的视角，进行思辨性的讨论，不过“思辨”只是“思辨”并不等于“事实”，同时Ai更多的是放大你的“思路”（无论正反），这方面就是一个不断修正的过程。

将上面几块结合，其实可以得到一个“业务“

1. 生成一个需要关注的数据列表
2. 定期让AI去搜集这些数据并给出分析报告
3. 根据分析报告和自己的风格作为基准调整投资配置

我在这半年间进行了验证，关注宏观数据和新闻来对股基，债基，商品的投资比例做平衡。目前的结果来说，时间太短，而噪音太多，有时有一些同质化，对于突发情况除非你提前有一定的判断，不然基本是后验性的。不过作为判断依据（比纯粹的情绪）要好，而作为复盘工具可以覆盖到一些自己考虑不到的观点。

总结

总的来说，从业务视角来说，现在的 Ai 与其说它是“万能的许愿机”更像是一个“蒸汽机”，它提供了名为“脑力”的一种可以承载做功的力，各种业务都是在梳理出思考路径后让这种“力”去推动。虽然不能直接类比，就像“蒸汽机”最开始只是提供一种方向上的力，最终却带来了工业化大生产一般，现在这种“思考”层面的力最终会如何改变社会生产的图景也在逐渐变得“现实”。

不过总的来说对此我依旧比较乐观，认为这是“人类增强”的一个过程，增强的是“思考”层面，就比如交通工具发明之后，人会更容易去远方旅行，不过即使如此人也不会放弃走路。但与过于依赖交通工具出行，最终自己走路的体能会逐渐弱化一样；过于依赖机器借与的脑力，也会付出相应的利息，那是以“自主性”为代表的“自由”和名为“思考”的能力。