第 1500 篇——站在这里往回看，往前望
第 1500 篇——站在这里往回看，往前望
适读人群：所有在AI转型路上的人 | 阅读时长：约15分钟 | 核心价值：站在1500这个数字上，对写作这件事、对AI工程这个领域，说一些我真正想说的话
1500这个数字，我盯着看了很久。
不是因为它让我感动——里程碑数字本身是没有意义的，意义是我们附加上去的。我盯着它看，是因为我在想：站在这个位置上，我有什么是真正想说的，而不只是"恰好适合在第1500篇说"的？
这篇文章，我不打算再讲"我从哪里来"——失业、转型、第一篇文章，那些故事我在1300篇时候写过了，写得足够了。
这篇，我想说三件事：写作这件事让我理解了什么，AI工程这个领域我现在有什么更深的判断，以及我认为接下来最值得关注的那一两件事。
写作这件事，让我理解了什么
我写文章的初衷，老实说，不是很纯粹。
最开始是因为失业，需要建立一点可见度，需要让别人知道我在做什么、我懂什么。写作是一种主动对外的方式。
但写了几百篇之后，我发现写作改变我的方式，和我最开始预期的完全不一样。
我以为写作会帮助我"传播知识"。实际上，它更多地帮助我发现我的知识里有多少漏洞。
每一次我想把一个我"懂"的东西写清楚，我都会发现我其实有很多没有想清楚的地方。这是一个非常不舒服的发现。写文章的过程，是一个持续地把自己的理解暴露在自己面前的过程。很多我以为我懂的东西，我发现我只是大致知道，精确描述的时候就开始混乱。
所以这1500篇，与其说是知识的输出，不如说是我用写作来迫使自己清晰化的1500次练习。
还有一件事。
写了这么长时间，我发现真正持久的内容，从来不是最"有用"的内容。
那些我专门为了"实用"写的文章，比如"10个AI工具推荐"、"5步学会XXX"，流量可能还不错，但我问自己：有没有人真的因为那篇文章而不同了？很少。
反而是那些我写得最费力、最不确定"有没有人看"的文章——写失败经历的，写真实困惑的，写我自己不确定的判断的——那些文章才真正留下来了，在我自己的记忆里，也在读者那里。
这让我对"有用"这两个字有了新的理解。
真正有用的东西，往往不是直接告诉你"你该怎么做"，而是帮助你更准确地看到"你现在在哪里"。位置感清晰了，方向自然就清晰了。地图比道路本身更有价值。
AI工程这个领域，我现在有什么更深的判断
两年多前，我刚开始做AI工程的时候，我把这个领域理解为：怎么用AI的能力解决实际问题。
现在我认为这个理解是对的，但不完整。
更完整的理解是：AI工程的本质，是在不确定性很高的情况下，做出可以被检验的决策。
这句话需要拆开来说。
"不确定性很高"——模型的行为是概率性的，不是确定性的。同样的输入，不同时候可能给出不同的输出。这不是Bug，是基本特性。工程师的任务是在这种不确定性里，建立足够可靠的系统。
"可以被检验的决策"——这是我觉得AI工程和"AI实验"最大的分界线。实验可以说"我们试了这个，大概有用"。工程必须能说"这个系统在这些条件下表现如何，我有数据，我有评估，我可以在生产环境验证"。
很多"AI工程"实际上停在了实验阶段。原型好用，一跑生产就出问题，因为缺乏这种系统性的检验机制。
这个理解让我对"AI能力进步"这件事有了更清醒的看法。
每隔几个月就会有"新的突破性模型"出来，然后有一批内容说"这次真的不一样了，之前的一切都要重写"。我已经见过这个循环很多次了。
模型确实在进步，而且进步很快。但工程判断力的进步远比模型能力的进步慢。今天很多AI应用的问题，不是模型不够好，是工程能力没有跟上——评估体系缺失、边界条件没有处理、监控和故障恢复没有到位、用户预期管理不到位。
这意味着：如果你花大量时间跟着模型更新跑，跟着新框架跑，你会永远在追，因为这些东西一直在变。但如果你把时间投在"构建AI系统的工程判断力"上，那是一个可以积累的东西，新的工具出来，你能快速判断它对你有没有用，而不需要每次都从零开始焦虑。
这个判断，是我这两年做下来最确信的一个。
接下来最值得关注的那一两件事
我不做预测，只说我认为值得投入注意力的方向。
第一：AI系统的可靠性工程，而不是AI能力本身
大多数关于AI的讨论集中在"AI能做什么新的事情"，但接下来几年，企业真正会付大钱解决的问题，是"AI系统怎么才能可靠地工作"。
这包括：评估和测试体系（怎么知道你的AI系统在生产上是否在按预期工作）、监控和可观测性（AI系统出了问题怎么快速定位）、回退和降级机制、数据质量管理。
这些事情不性感，不容易做成爆款内容，但它们是AI从实验室走向真实生产的真正门槛。能把这件事做好的人，在接下来几年会非常值钱。
第二：AI工程师的判断力，而不是AI工程师的技能
我认为接下来最稀缺的不是"会用LangChain"或者"会做RAG"的人——这些技能会越来越商品化，门槛会越来越低。
最稀缺的是：能在一个具体的业务场景里，准确判断"AI能解决这个问题的哪些部分"、"AI不应该解决这个问题的哪些部分"、"这个方案六个月后会不会后悔"的人。
这种判断力，只能从真实的项目经验里来，不能从教程里来，不能从文章里来（包括我的文章）。
所以如果我现在给一个刚入门AI工程的人一个建议，不是"多看什么教程"，而是：想办法参与到一个有真实用户、有真实压力的项目里去，哪怕参与方式不完美。真实的项目压力，会教给你在任何地方都学不到的东西。
站在这里，往前望
1500这个数字之后，这件事继续。
不是"接下来我要做更大的事"——我不喜欢这种仪式感叙事。就是继续，找值得写的东西写，找真正想说的话说。
我知道AI这个领域接下来几年会发生很多我现在无法预测的事情。有些文章我现在认为是正确判断的，到时候可能被证明是错的。这是正常的，我对这件事没有焦虑。
唯一让我希望保持的，是这1500篇里我认为最值得保留的东西：
在这件事的真实面貌没有清晰之前，不要假装它清晰了。
AI工程是一个年轻的领域，很多事情的答案还不知道。我不知道，大多数人也不知道。在这种情况下，说"我不确定"是诚实，不是软弱。说出自己当前最好的判断，同时承认它可能是错的，比假装确定更有价值。
这1500篇，我尽力在做这件事。接下来，也是。
谢谢你读到这里。
不管你是第一次看到这个公众号，还是陪我从第1篇走到了第1500篇——你花时间读这些文章，这件事对我来说是真实的重量，不是数据。
我们继续。