1. 当"AI参考"成为一个栏目：我在信息过载里做减法的真实动机
"AI参考·第1期"这个标题摆在我面前的时候，我第一反应不是"要写点什么"，而是"我到底想给谁看"。过去大半年，我陆陆续续被身边做产品的、做运营的、做开发的朋友问过同一个问题：现在每天冒出来的AI工具、模型更新、行业动态这么多，到底哪些值得看，哪些可以直接划走？这个问题听起来简单，但真正回答起来非常费劲，因为信息本身不缺，缺的是筛选和判断。
我做这个栏目的出发点很朴素：与其每天转发一堆链接，不如定期把一段时间内真正有信息增量的东西整理成一份"参考"。注意是参考，不是教程，不是评测，更不是新闻汇总。参考的意思是，我把我看到的、试过的、想明白的东西摆出来，你自己判断对你有没有用。第1期之所以叫第1期，是因为我想把它做成一个可持续的系列，而不是一次性输出。
这个栏目适合什么人看？我大致画了个像：一是需要快速了解AI领域近期变化但没时间深挖的从业者；二是正在犹豫要不要把某个AI能力接进自己项目里的开发者；三是对AI有兴趣但被各种夸张标题搞得很疲惫的普通读者。如果你属于这三类中的任何一类，这份参考应该能帮你省下一些时间。它不承诺让你变成专家，但至少能让你在跟别人聊起AI的时候，不至于只能说"最近好像很火"。
在正式展开之前，我想先把一个前提说清楚：这份参考里的所有判断都带有我个人的偏好和局限。我会尽量把"事实"和"我的看法"分开写，事实部分你可以直接拿去用，看法部分你最好带着怀疑看。这不是谦虚，而是我觉得任何一个人的视角都不足以覆盖AI这个领域的全貌，包括我。
2. 我筛选AI信息时用的三层过滤法
2.1 第一层：这条信息有没有"可验证的新东西"
我每天接触到的AI相关信息，粗略估计有几十条，来源包括技术社区、行业群聊、朋友私信、各种订阅推送。如果每一条都认真看，一天下来什么正事都干不了。所以我给自己定了个硬标准：一条信息如果里面没有任何"可验证的新东西"，直接跳过。
什么叫可验证的新东西？举几个例子。某个模型发布了新版本，并且给出了具体的评测数据和可访问的接口，这是可验证的。某篇文章说"AI将彻底改变某个行业"但没有任何具体案例和数据支撑，这就不可验证。某个开发者分享了自己用某个工具踩坑的完整过程，包括报错信息和解决步骤，这是可验证的。某个账号发了一句"某模型太强了"配一张截图，这基本不可验证。
这个过滤标准帮我砍掉了大概七成的信息。剩下的三成里，还有一部分是重复的，比如同一个模型更新被十个账号转发，内容大同小异，我只需要看最早的那条或者信息最全的那条就够了。
2.2 第二层：这条信息跟我或我的读者有没有关系
过了第一层之后，我会问第二个问题：这个东西跟我正在做的事、或者跟我读者的实际需求有没有关系。这里说的"有关系"不是指"听起来相关"，而是指"能落到具体动作上"。
比如某个新的图像生成模型发布了，如果我只是觉得"挺好看"，那它跟我没关系。但如果它支持了我之前一直想要的一个功能，比如更精准的局部重绘，或者它的接口调用成本比现有方案低了一半，那它就跟我的项目有关系，我会认真研究。再比如某个AI编程助手更新了，如果它只是把界面改好看了，那跟我没关系；但如果它新增了对某种我常用的语言或框架的支持，那就有关系。
这一层过滤的关键是诚实。很多时候我们会因为"这个看起来很厉害"而舍不得跳过，但厉害不等于有用。我见过太多人收藏了一堆工具，最后真正用起来的没几个。与其收藏一百个，不如吃透三个。
2.3 第三层：这条信息我能不能用自己的话讲清楚
最后一层过滤最狠：如果我不能用自己的话把这条信息讲清楚，说明我还没真正理解它，那它就不应该出现在我的参考里。这个标准逼着我去查资料、去动手试、去把模糊的地方搞明白。
举个例子，前段时间有个关于"上下文窗口扩展"的技术讨论很热，我一开始只是大概知道"能让模型记住更多内容"，但具体是怎么实现的、有什么代价、实际用起来效果如何，我说不清楚。于是我去翻了几篇技术说明，自己跑了个小测试，才搞明白这里面的取舍。这个过程花了我一个下午，但正因为花了这个时间，我现在才能比较有底气地跟别人解释这件事。
这三层过滤法听起来简单，但执行起来需要一点自律。我的经验是，刚开始会不习惯，总觉得"万一漏掉了什么重要的呢"，但坚持一段时间之后你会发现，真正重要的东西不会只出现一次，它会反复出现在你的视野里，而那些只出现一次就消失的，大概率也不重要。
3. 第1期里我真正想聊的三件事
3.1 模型能力的"够用线"正在快速下移
这是我这段时间感受最深的一个变化。一年前，如果你想做一个稍微像样的AI应用，你得盯着最强的那个模型，因为稍微弱一点的模型出来的结果根本没法用。但现在情况不一样了，中等规模的模型在很多任务上的表现已经跨过了"够用"这条线。
我拿自己做过的一个文本分类任务做了个对比。这个任务是把用户反馈分成十几个类别，之前用最强的模型跑，准确率大概在九成出头，但成本很高。后来我换了一个小得多的模型，准确率掉到了八成七左右，但成本降到了原来的十分之一不到。对于这个具体场景来说，八成七已经够用了，因为后面还有人工复核的环节。省下来的成本可以让我把这个能力铺到更多的业务线上去。
这个变化的意义在于，AI应用的门槛在降低。以前很多小团队或个人开发者做不起的东西，现在可以做了。当然，"够用"的标准因场景而异，有些场景就是需要最高精度，那该用大模型还是得用。但对于大量日常任务来说，中等模型已经能扛住了。
3.2 工具链的成熟比模型本身的进步更值得关注
大家平时聊AI，注意力大多在模型上，谁又发了新版本，谁又刷新了榜单。但我自己的体会是，过去一年真正让我工作效率提升的，不是某个模型变强了，而是围绕模型的那一圈工具变好用了。
具体来说有几个方面。一是调用方式越来越统一，很多平台都提供了兼容的接口格式，换模型的时候不用大改代码。二是调试和监控工具越来越完善，你能清楚地看到每次调用花了多少钱、返回了什么、哪里出了问题。三是部署和扩缩容的方案越来越成熟，以前要把一个模型服务跑起来得折腾半天，现在有现成的方案可以用。
这些东西不像新模型发布那样有话题性，但它们决定了你能不能把AI真正用起来。我见过不少人兴冲冲地试了某个新模型，觉得效果惊艳，但一到要集成进自己的系统里就卡住了，因为工具链不配套。所以我现在看AI领域的进展，会花不少精力在工具链上，而不是只盯着模型排行榜。
3.3 "AI参考"这件事本身需要克制
做这个栏目之前，我犹豫了很久。犹豫的原因是我知道自己很容易陷入一种状态：为了更新而更新，为了显得有内容而堆砌信息。这种状态在AI领域特别常见，因为信息更新太快了，你总觉得不跟上就会被落下。
但我后来想明白了，参考的价值不在于多，而在于准。与其每期塞二十条内容，不如认真聊三五件我真正想明白了的事。所以第1期我给自己定的规矩是：宁可少写，不写凑数的东西。如果某一期我确实没什么值得分享的，那就停一期，不硬撑。
这个克制也体现在我对热点的态度上。有些东西确实很热，但如果我自己没试过、没想清楚，我就不写。跟风写的东西，读者一眼就能看出来是空的。我宁愿写一个冷门但我真正用过的东西，也不愿意写一个热门但我只是听说过的概念。
4. 把AI信息变成自己东西的几个实操习惯
4.1 建一个"待验证"清单，而不是"收藏夹"
我以前有个坏习惯，看到有用的东西就丢进收藏夹，然后再也没有打开过。后来我改了个做法：建一个"待验证"清单，每条只写一句话，说明这个东西是什么、我为什么觉得它可能有用、我打算怎么验证它。
这个清单跟收藏夹的区别在于，它是有行动指向的。比如我不会写"收藏了一个新的语音识别工具"，而是写"这个语音识别工具号称支持实时转写，下周找个会议录音试试，看准确率和延迟能不能接受"。这样写的好处是，我每次打开清单都知道下一步该干什么，而不是面对一堆链接发呆。
清单我会定期清理，验证过的就移走，超过一个月没动的就删掉。删掉的时候我会问自己：当初为什么觉得它有用？现在为什么没去验证？通常答案要么是"其实没那么有用"，要么是"我忘了"，前者说明我的判断需要调整，后者说明我的执行有问题。
4.2 用"最小可验证实验"代替"全面调研"
面对一个新的AI能力，很多人的第一反应是去读文档、看评测、做全面调研。这个做法没错，但太慢了。我的习惯是先设计一个最小可验证实验，用最短的时间、最少的成本，看看这个东西到底行不行。
比如我想知道某个模型在长文本摘要上的表现，我不会去读它的技术报告，而是直接找一篇三千字的文章，让它摘要，然后我自己看结果好不好。这个实验可能只花我十分钟，但得到的信息比读半小时报告更直接。如果实验结果不错，我再去做更深入的调研；如果结果不行，那我就省下了后面所有的时间。
这个习惯的关键是控制实验的规模。最小可验证实验不是随便试试，而是带着明确的问题去试。你得提前想好：我要验证什么？什么样的结果算通过？什么样的结果算不通过？想清楚这些，实验才有意义。
4.3 把"我学到了什么"写下来，哪怕只有三句话
这是我坚持最久的一个习惯，也是我觉得最有用的一个。每当我搞明白一个AI相关的概念或工具，我会强迫自己写三句话：它是什么、它解决什么问题、它的局限是什么。这三句话不用给别人看，就是写给自己的。
写这三句话的过程，其实是逼自己把模糊的理解变清晰。很多时候我以为自己懂了，一动笔才发现说不清楚，那就说明还没真懂。这个习惯帮我避免了很多"以为自己懂了"的尴尬。
这三句话我会存在一个文档里，按时间倒序排列。过一段时间回头看，能清楚地看到自己的认知是怎么一步步变化的。有些当时觉得很重要的东西，后来发现其实没那么关键；有些当时没在意的东西，后来成了常用的工具。这种回顾本身就很有价值。
5. 第1期踩过的坑和留下的遗憾
5.1 差点把"参考"写成了"教程"
初稿的时候，我不知不觉就把一些内容写成了操作步骤，比如"第一步打开某个页面，第二步点击某个按钮"。写完之后我自己读了一遍，发现这根本不是参考，这是教程。参考和教程的区别在于，参考给的是判断和视角，教程给的是步骤和操作。两者都有价值，但混在一起就会让读者困惑：你到底是想帮我做决定，还是想教我怎么操作？
后来我把那些操作步骤都删了，只保留判断和结论。如果读者对某个工具感兴趣，他完全可以自己去找教程，不需要我在参考里手把手教。参考要做的是帮他判断"这个东西值不值得花时间去学"，而不是替他学。
5.2 在"客观"和"主观"之间反复摇摆
写参考类内容最难的一点是平衡客观和主观。完全客观的话，就变成了新闻汇总，没有价值；完全主观的话，就变成了个人日记，对别人没用。我在初稿里反复摇摆，一会儿写得很克制，一会儿又忍不住加入大段个人看法。
最后的处理方式是：事实部分尽量客观，标明来源和条件；看法部分明确标注是我的个人判断，并且说明判断的依据。比如我不会写"这个工具很好用"，而是写"我在某个具体场景下用了这个工具，它在这个场景下的表现是这样的，我认为它适合类似场景，但换一个场景可能就不适用"。这样读者既能得到信息，也能知道这个信息的边界在哪里。
5.3 遗憾：有些东西我想写但还没想清楚
第1期里我刻意回避了几个话题，不是因为它们不重要，而是因为我还没想清楚。比如AI对某些具体职业的影响，我看了很多讨论，但自己没有一个站得住脚的判断，所以就不写。再比如某些技术路线的优劣之争，我知道各方观点，但没有亲手验证过，也不敢下结论。
这些遗憾我记在了一个单独的清单里，作为后续几期可能的方向。我觉得承认自己没想清楚不丢人，硬写自己不懂的东西才丢人。参考的价值建立在可信度上，一旦读者发现你在不懂装懂，整个栏目的信任就没了。
6. 关于后续几期的一些想法
第1期做下来，我最大的感受是这件事比我想象的要费精力，但也比我想象的有意思。费精力是因为每一句话都得自己先想明白，没法糊弄；有意思是因为在整理的过程中，我自己对很多问题的理解也变得更清晰了。
后续几期我打算保持第1期的基本框架，但会在几个地方做调整。一是增加一个"我最近试过的东西"板块，专门记录那些我亲手用过、有具体感受的工具或方法，哪怕它不是很热门。二是减少对行业大事件的评论，因为这类内容已经有很多人在做了，我不需要再重复一遍。三是如果遇到我特别想聊但还没想透的话题，我会先写一个"半成品"版本，把问题摆出来，邀请读者一起讨论，而不是硬憋出一个完整结论。
至于更新频率，我不打算定死。有东西写就写，没东西写就等。我宁愿让读者等一段时间看到一篇有内容的，也不愿意每周准时推送一篇凑数的。这个选择可能会让栏目的增长慢一些，但我觉得值得。
如果你看到这里，说明你对这个栏目至少有一点兴趣。我的建议是，不要把它当成必读的东西，而是当成一个可选的参考。你觉得有用就拿去用，觉得没用就关掉，不用有任何负担。AI这个领域变化太快，没有人能保证自己说的都是对的，我能保证的只是：我写的每一句，都是我自己想过的。
