GAI：最伟大的直觉

不要再试图让大语言模型替你进行深度思考了。

在过去两年深度折腾各类效率工具、整理待办数据与账单的过程中，我逐渐摸索出面对 AI 最恰当的姿态：把它当成一种“伟大的直觉”。

这是一种极其宝贵却又充满不确定性的能力。伟大，在于它跨越了个体认知的边界，快如闪电地帮你完成模式识别、扫清认知摩擦力；直觉，则意味着它同样会不知何时就自信满满地信口开河。

面对这种伟大的直觉，我们该如何去“用”？我的答案是放弃全盘托付，转而驾驭它，围绕它建立一套去伪存真的个人生活工作流。落到具体操作层面，无非是“用、验、纠、通”四个步骤。

一、系统 1 的寄生与我的四个“直觉入口”

丹尼尔·卡尼曼把人的思维分为两类：系统 1 是直觉，快如闪电，不费力气，擅长模式识别，但也满是偏见；系统 2 是理性，缓慢沉重，需要刻意启动，负责检验和修正。大语言模型出生的那一刻，我就隐约觉得它天然是系统 1 的寄生体——只要给它喂足了上下文，它总能在我们还没想清楚问题时，就给出一个像模像样的答案。

所以我开始把它嵌入日常系统，不求它绝对正确，只求利用它强大的瞬间直觉。

• 第一个入口，在我的工作日历上。 上个月做加班统计，我把工作日历的粗略数据喂给系统，它瞬间算出了进度：目标进度 10.7/40 小时，并贴心地提示“工作日还需加班 29.3 小时，平均每个工作日 5.9 小时”。这种“秒出”的模式识别能力，是任何人类系统 1 都难以企及的。更妙的是，它甚至能觉察到这种高强度加班不可持续，主动建议我根据时间安排将大头挪到周末，以对冲工作日的压力。

• 第二个入口，在我的书房里。 以前研读经典，遇到评价两极分化，去搜索引擎找答案是个极易打断心流的过程。现在，我在系统里建了一个“AI 问书”。点击的瞬间，系统已在后台将书籍元数据作为 Context 静默注入。它能结构化地向我剥析，南怀瑾《老子他说》的争议，本质上是“经史合参”的通俗解读与严谨学术考据之间的冲突。

• 第三个入口，在我的家庭药箱前。 面对生病时的用药焦虑，这套系统同样能提供瞬间的决策支撑。当我分不清“风寒”还是“风热”感冒颗粒时，呼出“AI 问药”，它能凭直觉瞬间生成一张对比表格。从核心病机、典型症状到舌象脉象一目了然，将晦涩的医学说明书转化为了普通人能看懂的行动指南。

• 第四个入口，在我的财务账单里。 面对繁杂的信用卡流水，我写了一套带提示词的 JSON 导入器。哪怕只是截一张账单图片扔进去，AI 强大的视觉直觉也能根据我过往的分类习惯，自动将“小象超市”归为“餐饮”，把“滴滴”划入“交通”。这省去了我手动清洗、对齐数据的无尽烦恼。

二、技术变迁：从补全到文本 Skill，一场关于上下文的回归

我是怎么实现这些入口的？这些实践并非凭空产生，它们精准地踩着大语言模型技术演进的节拍。这段不算长的历史，其实就是一部“上下文主权”的争夺与回归史。

最早是补全 API 的时代。GPT-3 的 text-davinci-003 只能接收和输出纯文本。你要小心翼翼地把指令和示例揉进一段长文里，像古代方士念咒炼丹一样，求得一个未必靠谱的回话。上下文全靠手工拼接，极其笨重。

随后进入 Function Calling 时代。模型开始感知外部世界，不再直接输出答案，而是生成一段 JSON 指令交由外部函数执行。这看似给系统 1 装上了手脚，但随之而来的问题是：它经常选错工具、填错参数。对于生态而言，函数调用的权限、格式和规范太过苛刻。那种适合精确代码的 API，并不适合主要依靠概率预测来回答问题的 LLM。带着镣铐跳舞，只会让它离“直觉”的本意越来越远。

再往后，MCP 登场，试图为所有工具制定统一标准，让模型像操作系统一样挂载外设。幻想很丰满，实则过于沉重。仅仅为了读取一个本地文件，就要搭建一套标准的服务端，这彻底违背了系统 1 的轻量化原则——最好的工具调用，应当如呼吸般自然，而不是像启动一台精密仪器般繁琐。

兜兜转转，于是便有了近期基于文本 Skill 赋能，通过 CLI 直接调用本地生态的 Agent 模式。模型不再生成 JSON 去调用繁琐的函数，而是按需读取技能文件，通过终端原生执行的命令行输入输出来实现生态交互。在这里，文本既是思考，也是行动。用户无需封装厚重的 API，一段精准的 Prompt 就能让 LLM 利落地完成“把账单截图转为规范 JSON”的任务。

这不仅仅是技术的做减法，更是一种哲学层面的回归：一切皆文本，一切皆对话与上下文工程。

三、四步实践：在直觉之上架起理性的桥

面对这股庞大但野性的直觉力量，经过无数次试错后，我摸索出一个四步循环，专门用来“调教”这个系统 1，让它尽量向真实靠拢。

第一步，用：一次性投喂完整上下文。

不再跟 AI 漫无目的地闲聊，而是把任务、数据、规则打包成结构化的 Prompt。比如我的待办导出功能，设计初衷就是为了导出指定日期内的完整 JSON 元数据（保留日期、列表、标题、时间）。我可以直接把这些干净纯粹的数据投喂给外部更强大的大模型，去做深度的周报分析。上下文越完整，它的直觉越精准。

第二步，验：把 AI 的产出当成初稿，永远不信任它。

每次导入账单，AI 虽然能自动清洗，但我知道它有时会偷懒（比如把“盒马鲜生”误判进“生活”类）。我必须对着那张支出分布的饼图逐条核对。这一步毫无技术含量，却是“去伪”的关键。直觉再惊艳，不经检验也不过是漂亮的幻觉。

第三步，纠：将修正经验沉淀回提示词。

发现“盒马鲜生”是餐饮不是生活？没问题，我就在提示词的类别规则里，把它硬编码进餐饮那一行，确保下次 AI 不再犯错。这种持续反馈，就像在给系统 1 持续打补丁。纠错的本质，就是把系统 2 的理性思考，重新编码进系统 1 的直觉网络里。

第四步，通：让直觉在工具链里自动流淌。

待办数据导出成 JSON，账单清洗后进行可视化分析，再交由外部工具生成报告。我用统一的格式化文本，把 AI 嵌进日常的每一环工作流中。直觉由此不再是一次性消费品，而成了可以管道化、自动化的底层基础设施。

四、内核：独立思考才是系统 2

把 LLM 当作系统 1 的“伟大的直觉”，确实极大延展了我的认知边界和处理效率，但我始终铭记卡尼曼的另一句警告：系统 1 是“自动运行的，你无法随意停止它”。

LLM 也是如此，它给出的答案常常自信满满、细节丰满，却极可能是一本正经的胡说八道。因此，再强大的直觉，也需要一个“不信任它”的人在旁边盯着。那个人，就是我的系统 2——独立思考的自我。

去伪存真，去的是 AI 直觉里的幻觉与虚妄，存的是经得起跨领域验证、逻辑推敲的内核。这个过程，与南怀瑾先生讲《老子》时强调的“经史合参、以经解经”不谋而合：不盲从一家之言，而是多方参究，找到那个直指真实的东西。

说到底，无论技术怎么迭代，工具怎么演进，我们面对 AI 的姿态，始终应当像一个谨慎的骑手，驾驭着一匹感知力超群、但也容易受惊的烈马。伟大的直觉赋予了我们一往无前的速度，但唯有独立的思考，才能确保我们抵达正确的地方。