FDE 比程序开发难多了

FDE 比程序开发难多了。

最近我把自己的几个小程序都加了 AI 功能。小程序里那种"要有确定结果"的功能，我用 AI coding 很快就能做出来，效果也基本就是自己想要的样子。但一涉及到 AI 的功能，结果往往并不如人意。

这不是大模型的原因——我用的也是很多大 Agent 底座同样的模型。真正的差距在于驾驭大模型的能力。甚至有时候我把它写出来了，都不知道 AI 的结果是依据一个什么样的步骤出来的：我只是给了它要用哪些数据、要输出哪些内容。实际上 AI 就是这么运作的，但在这个过程里不好好拆分、不一个一个工程化，最后得到的可能就不是你想要的，或者说结果就不如意。

报告和建议可以模糊，企业场景不行

当然，目前我用到的 AI 能力，并不是要它给我一个确定的结果，比如 1+1 必须等于 2。AI 只是产出报告和建议，这些内容最终是要交给人去判断的，所以不是十分重要。

但如果运用到了企业的层级，进入了非报告、非建议的场景，AI 要能给到符合甚至高于人的判断和结果，这就变得非常重要了。就类似于我们使用 AI 编程：我给它描述我想要的一个产品，它自己在里面不断运作，最终产出一个高于人制作的产品——现在这类 AI 编程 Agent 做得非常好了。

未来这种 Agent、智能体，会在企业里用得越来越多，可能有非常多的垂直细分行业值得去探索。无论是借助当下开放性的大公司基础底座，还是完全自己制作，以后会有很多很多类似的需求。那个场景是令人向往的，同时其强大程度是非常高的。

拆到不能再小，再组合起来

我目前感受到的就是：得把一个要解决的问题，拆解成很多个很小很小的、小到不能再小的工程化步骤，然后让它们组合在一起。这样输出的结果，才可能满足甚至高于人们的期望。这种能力非常重要。

就跟人和石头，其实在细小的层面是同一种东西组成的，但实际的效果却千差万别，那么地不同。这就是不同的组合产生不同效果的能力。

DeepSeek Harness 之所以什么都是插件，就是这个原因：它让组织里比较小的单位是插件，一个一个的插件可以互相调用、互相协同。在以后的产品里，对于 AI 的内容，我应该往这个方向去实践——拆得很小了，我也能知道它是怎么运作的。否则你出一个 AI 功能，但你不知道它是遵循什么样的规则去输出的，甚至可能是没有任何规则。

这是最近感悟到的一点。