<p align="right"><font color="#3f3f3f">2025年09月08日</font></p> # 关于AI的成功 - **强化学习的狂奔**：在当下被验证强化学习对LLM的有效之后，接下来的角逐主要是数据、算力、评测能力的比拼。 - **雇佣兵无法打败传教士**：真正能够达成梦想绑定的公司，在同等能力下是比传统大公司更能够发挥顶尖人才的能量。 - **可规模化验证的任务**：可规模化被验证的任务更容易获得成功，比如编程、数学等领域，但是想文学、娱乐等领域没有标准答案，所以很难规模化的优化。 - **模型训练的正循环**：比如在编程领域，当获得一个强大的coding模型后，就可以进入一个模型自训练的正循环，模型生成代码数据 -> 训练模型 -> 获得更强大的模型 -> 模型生成代码数据。 ## 关于AI的使用 - **代码架构设计对AI Coding的影响**：从上下文工程的角度考虑，如果我们希望AI编程工具能够帮最大程度额帮我们建立对代码准确解释的上下文工程，那么框架的设计本身就至关重要，一个杂乱无章的架构并不利于AI编程工具的理解。 - **AI之下传统工程框架在被弱化**：从模型既产品的逻辑上看，很多能力会逐渐被模型吞噬，当下社区也倾向在Agent层面上进行极简的设计，让模型完成工作的思考、决策和执行，并且针对顶级场景往往是在对问题深刻理解之后，设计专门针对特定场景的工程框架，来更贴合解决实际问题。所以像AI之前的纯工程架构的思路在此处不再适用，当然针对简单场景如果有比较通用或契合公司技术栈的框架，依然还是存在价值。只是这类通用框架很难触及到顶级场景。