鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

在AI面前,人类终于不说谎了

编程导航
编程导航
2025-12-24 23:51
阅读 142
编程导航
2025-12-24 23:51
阅读 142

文 | 长三角momo

我有个朋友,最近爱上了他的上司,一个职场女强人,他花了三个月心理建设,终于表白了。在他表白后,他的女上司并没有拒绝他,也没有接受他,就这么一直暧昧着,保持着说不明道不清的关系,他很烦恼,没有办法告诉任何人这个事。

于是,他把他们之间的聊天记录,全部发给了千问,问AI这个女生到底什么意思,分析她的心理。经过一周的文本分析后,AI给了他一个结论,这个女生不爱你,她之所以没有直接拒绝你,是因为觉得你能力很强,应该留在公司,怕直接拒绝后,伤了你的心,从而离开公司。她想留住你继续工作,但是对于感情,希望你知难而退,自己意识到不可能。

他为了加固这个答案,又把发给AI的聊天记录,发给了我。我看完之后,用我长达20年的渣男经验,得出的答案,几乎一致。

我和AI,都是他在这段情感经历中的参谋和树洞。

我恍然大悟,AI已经在不知不觉之中,悄然无声地走入了人类的情感生活,走入了我们的社会,影响了人与人之间的感情,左右了人类的很多决策,当我们还在讨论AI是不是有很大泡沫的时候,殊不知,我们已经人在AI时代了。

人和AI已经开启了新时代,去年是元年。

人类为何会选择跟AI咨询问题?我觉得首先要明白什么是“树洞”。

多年以前,很多人喜欢交笔友,在远方有一个陌生人,倾听自己,但是,我后来问过很多人,你们会什么都说吗?答案依旧是否定的,对方是人,就不会绝对安全。

但是,我最近发现一个有意思的现象:人类在AI面前,会变得很诚实,把内心深处任何疯狂的想法,都告诉AI,然后问询答案。在人类看来,AI比人类更安全。

树洞之所以是树洞,是绝对安全。

前天,千问公布了2025年用户的十大高频使用场景:股票、八字、情感咨询、朋友圈文案、景点推荐、双色球号码、失眠、解答这道题、离婚财产分割、人生的意义。

我看完后感觉,在AI面前,人类终于不说谎了。

白天炒股,晚上算命,深夜问人生。入世、出世,现实的一面,天真的一面,脆弱的一面,就连动了离婚这种念头后,都要先去问问千问。很多有钱人,可能有了这个念头后,连律师都不敢问,毕竟要先布局,免得被未来的“前妻”、“前夫”提前知道了风声,占了大便宜。

在短视频的世界中,流行一个段子:一个男人在开车,手机突然响了,然后老婆把手机拿过去,男人一转方向盘,直接把车开到悬崖下去。一句话总结这个段子,没有一个男人,可以活着从手机里走出来。

我感觉在下一个时代,这句话,可能要改一改了——如果AI里的对话不能及时清理,可能没有一个人,可以活着从AI里走出去。AI这个树洞,在下一个时代,将比现在任何一家公司的算法,更加了解用户的内心深处,你的所有善恶,你的做人原则和尺度……今天的抖音算法如果经常让你吃惊,那么未来的AI会让你觉得,自己都不了解自己,它甚至可以预判你。

这样的局面,能够脑洞大开想象的事情太多了。未来的人类离开这个世界后,AI完全有能力,让你的数字分身永远活在这个世界上。TA拥有你的记忆,知道你的思维逻辑,也知道你的全部喜好,甚至知道你爱人都不知道的私房钱藏身之处。

这算不算某种意义上的永生?

AI作为人类的数字助理,这个趋势,势不可挡。AI公司一定会推出这样的收费服务,用户也一定会为这个服务买单,每个人都有一个私有AI,按月付费,买断自己的AI。可以幻想一个场景,AI只要看到或者听到是你老婆打开你手机在用,立刻就会变成你最好的“兄弟”,帮你圆场。

另外,千问今天公布出来的这些关键词,让我也产生了一些其他思考,我觉得我的一部分工作,将来可能要被改写,我们必须学会与AI协同。

比如股票,炒股十年的老韭菜,最引以为傲的看线水平,在AI面前变得分文不值,这个不用抬杠,我已经测试过了,我家里一堆看线型韭菜选手,最近都放弃自己看线了;算命的也要学新技能,之前只要按照书籍经典来算的,现在AI全部都能给出答案,甚至还能结合面相和生辰八字一起看;很多小律所,之前还能赚点基础咨询的律师费,现在AI也会,律师必须比AI干得更好,才有人找。

一切都会被重新定义,每一片雪花的形状都会变化。

最离谱的是,以前,我的姨妈,拍了几张美美照片后,还会找我帮她写朋友圈配文,现在也不找我了,AI用得飞起。

AI正在像二十年前的office套件一样改变人类的工作方式,协同,在所难免。

我突然想起了一件往事,我十六岁那一年,站在屋檐下,看雨从天而降,砸在地面上,我想我四十岁的时候,会是一种什么场景呢?那个时候,我在干什么,什么处境?现在,我快四十岁了,外面还在下着雨,回过头看十六岁的我,那一天,其实我已经在走向四十岁的路上了,路程并不远,只是我误以为我会在那里停留很久。

我们,已经在AI时代了,没有什么明天可言,就是今天。

原文链接: 在AI面前,人类终于不说谎了
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
朱雀AI检测助手朱雀AI检测助手
🔥 热门文章
1
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
480
2
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
430
3
我的第一个出海产品!7 天 2 万
370
4
又一个国产版 Codex 神器,也来卷办公了!
370
5
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
340
6
DeepSeek 重磅开源的超级 Agent,到底是个啥?
330
7
最近在落地 AI Native 项目,卡在团队资产协同这块,想请教下社区各位有实际落地经验的同学: 我们现在的资产分为三块:项目文档(PRD/ADR/ 运行手册)、Agent Skill(业务技能、执行 SOP、提示词包)、MCP 工具服务定义。 目标是做到:人和多 Agent 共用一套可信资料源,Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线: - 文档:Markdown + ADR,带元信息,支持 RAG 检索 - Skill:单技能包目录化,带版本、评估用例、依赖声明 - MCP:项目级声明文件纳入 Git 但实际协作里遇到不少疑问,想参考大家成熟的实践: 1. 大家团队里,文档、Skill、MCP 三者是怎么组织目录和版本管理的?有没有稳定的仓库结构模板? 2. 多人协作时,Skill 的变更评审、灰度升级、依赖管理怎么做?如何避免本地版本不一致、“本地能跑别人不行”? 3. MCP 是统一中心化网关模式,还是大家各自本地启动 + git 同步配置?权限白名单、调用审计这块有什么好方案? 4. 有没有成熟工具链做自动同步(类似 agentmeld /teamai-cli)、变更校验、eval 回归门禁? 5. 文档和 Agent 的打通:哪些文档放进 Git 作为可信真值,哪些放外部知识库,边界怎么划分? 如果有现成的仓库样例、目录规范、团队协作流程,非常希望能分享参考,感谢!
280
8
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
280
9
人工智能前沿部署工程师(FDE) · 概 览 与 方 法 论
270
10
QuireKit 编辑器的 AI-Native 是如何设计的?谈谈我对真正 AI-Native 的理解
250
11
告别“金鱼记忆”:我开发了一款能当“第二大脑”的浏览器 AI 助手
250
12
ARTS 1101: 最长回文串与子序列匹配、一次 URL 请求的来回之旅与如何验证 AI 的交付
230