第 1400 篇——下一个 100 篇，我想写什么
第 1400 篇——下一个 100 篇，我想写什么
适读人群：跟着这个公众号走了一段路的读者 | 阅读时长：约14分钟 | 核心价值：不是里程碑感谢文，是关于"什么是有价值的内容"的真实思考
今天是第1400篇。
我知道大部分里程碑文章会怎么写：感谢读者，回顾历程，列一下未来规划，喊个口号。
我不想写那种。
不是矫情地"反套路"，是因为我觉得那种写法对你没什么价值，对我也是在走流程。
我想认真写的，是这件事：写了1400篇之后，我对"什么是有价值的内容"的理解，和第1篇之前相比，发生了什么变化。
这个问题对我来说是真实的，它决定了接下来我想写什么，不想写什么，以及为什么。
第1篇的时候我以为内容价值是什么
2023年初，我开始写这个公众号。那时候我对"有价值的内容"有一个很简单的认知：
有价值 = 有用的信息 + 表达清楚
我觉得只要我把对AI工程有用的知识整理好，清晰地表达出来，就是在提供价值。读者需要什么，我就写什么。什么知识点有用，我就讲什么知识点。
这个认知不是错的，但它是不完整的，而且在我真正开始写了一段时间之后，我发现它差的那部分很重要。
写了大概200篇之后，我意识到一个问题
大概在第200篇前后，我开始遇到一个让我困惑的现象：
我花了很多时间认真写的、信息密度高的技术文章，数据不好。 我随手写的、讲了一个真实工程场景的文章，反响很好。
我当时解读这个现象的方式是：读者喜欢故事，不喜欢干货，这是大众媒体内容的规律。
然后我做了一段时间的"在技术内容里加更多故事"的尝试。
效果确实好了一些，但我心里一直有个感觉：这不是对的解释。"读者喜欢故事"这个解读太肤浅了，它只是描述了一个表象，没有说清楚为什么。
后来我理解了真正的原因
大概在第600篇前后，我有了一个更清晰的理解：
读者从内容里得到的价值，不只是信息，还包括"判断依据"。
当我写一篇"RAG的实现步骤"，读者得到的是信息——步骤是什么，怎么操作。
但当我写"我在做一个知识库项目时，用了X方案，遇到了Y问题，最后判断Z方案在这种场景下更合适，原因是……"——读者得到的不只是信息，还包括：这个人在遇到这类问题时是怎么思考的，他的判断依据是什么，这个判断放在我的情况下我认不认可。
这才是真正的"有价值的内容"：它不只传递了信息，它展示了一种推理过程，让读者可以把这个推理过程拿回去用，而不只是把结论拿回去用。
一个只有结论的文章，读者看完会说"有道理"。一个展示了推理过程的文章，读者看完会说"我也可以这样想"。这两者对读者的影响完全不同。
还有一件事是我慢慢理解的
第一年，我对"读者想要什么"有非常强的服务意识——看评论，看数据，调整选题，让内容更符合读者预期。
这件事本身没有问题，是做内容必须有的基本态度。
但我发现，如果走得太极端，会发生一件很微妙的事：你开始写"读者想看的"，而不是"你真正有东西说的"。
这两者在大部分时候是有交集的，但不完全重叠。
读者想看"如何月薪翻倍"的内容，我写了几篇类似选题的文章，数据很好。但那几篇文章，我自己知道写得不够实在——里面有很多我不完全认可但"说起来没问题"的内容。
从那之后，我给自己定了一条规则：只有当我对这个话题有真实的、具体的、被实践验证过的东西想说时，我才写它。
这条规则有时候让我的更新频率降低，有时候让我不得不放弃一个"热门但我没真东西说"的选题。但它让每篇写出来的东西，我自己至少觉得是站得住脚的。
1400篇之后，我的内容标准变了
如果让我现在说"什么是有价值的内容"，我会说三个条件：
第一：有明确的观点，不是综述。
一篇只整合了别人观点的文章，读者为什么要看你的？互联网上有无数的AI知识整合，你的信源不比别人更权威，你的覆盖面不比别人更全，你有且只有的，是你自己的判断。
所以每篇文章我都应该有一个别人可能不同意的具体判断，这才是我能提供的东西。
第二：有被实践验证过的内容，不是"听说"或者"推理"。
我说"这个方案在我实际项目里节省了X%的成本"，和我说"这个方案从理论上应该能节省成本"，对读者的价值完全不同。
这也是为什么我坚持把工程经验写进文章，而不是只写概念和方法论。
第三：读者可以拿走的不只是结论，还有推理方式。
如果读者看完一篇文章，只知道"结论是A"，这篇文章的价值很有限——因为下次他遇到类似问题，他不知道该怎么推导出B。
如果读者看完，知道"遇到这类问题，我需要考虑X、Y、Z，然后根据具体情况做取舍"——这才是可迁移的。
接下来的100篇，我真正想写的几个方向
不是规划，是我一直有东西想说但没写的话题。
1. 关于AI工程师的职业路径判断问题
不是成功学意义上的"如何发展"，而是一些真实的判断：在什么条件下，往AI基础设施方向发展比往AI应用方向发展更有价值？技术深度和领域深度，在AI工程师身上哪个更稀缺？这些判断我有具体想法，但需要一篇认真的文章来说清楚。
2. 一些我一直有疑问的技术问题
比如：RAG和Fine-tuning的选择判断，在什么情况下哪个更合适，这个问题网上有很多说法，但大部分没有严格的实践依据，我想用我自己做过的对比来给一个更实在的回答。
3. AI工程的"没说出口的失败"
我写了很多成功案例和踩坑记录，但有些失败是更根本性的——不是方案层面的失败，而是方向选错了、产品设计错了、对用户需求判断错了。这类失败很少被人写出来，因为写出来显得自己判断力差。但我觉得这恰恰是最有价值的内容，我想写。
4. 一些具体技术问题的深入回答
有些读者的问题，我在评论区给了简短的回答，但那个问题值得一篇完整的文章来回答。我积累了一些这类问题，接下来会系统整理并写出来。
最后说一件事
写到第1400篇，我偶尔会想到一个问题：这件事，值得吗？
从时间上算，写一篇认真的文章平均需要3-4小时，1400篇就是4200-5600小时。这些时间如果用来接项目，收入会不会更高？
我不打算算这笔账，因为这个问题本身是错误的框架。
这1400篇写下来，有两件事是无法用时间成本来衡量的：
第一件：每次我写一篇，我的理解就深了一点。这不是夸张，是真实发生的。有几个我自以为理解透彻的问题，在试图把它写清楚的时候，才发现有些部分其实还是模糊的，然后去补，补完再写。这个循环让我对AI工程的理解，比只做项目要深得多，快得多。
第二件：它给了我一个找到你们的方式。
不是"你们"这个泛指，而是具体的：那些在评论区认真留言过的人，那些私信问我"我也在同样的处境，你当时怎么想的"的人，那些说"看了你的文章之后我做了一个不同的决定"的人。
你不用写1400篇，但我希望你找到你自己的、能建立真实连接的方式。
这比大多数事情重要。
好，第1400篇，写完了。
下一篇见。