AI真正的价值，不只是能力，而是约束

最近工作中接触到了 LLM Wiki，让我有一种茅塞顿开的感觉。

AI发展到今天，已经进入了一个真正“好用”的阶段。无论是写作、分析、编程，还是处理日常工作，它都能给出相当不错的结果。

但在实际使用过程中，我也一直有一个很明显的感受：

AI虽然能生成内容，但生成的东西经常“不对味”。

它可能写得很完整，也可能看起来很专业，但真正拿到工作中使用时，还是需要反复修改。有时是方向不对，有时是颗粒度不够，有时则是不符合具体业务场景。

最近，我尝试基于大语言模型做一个工作中可以使用的小工具。在这个过程中，我逐渐意识到：

未来真正能够让AI发挥更大价值的，可能不是最会使用AI的人，而是最会约束AI的人。

AI的发展过程，本质上是在不断增加约束

AI刚出现的时候，市面上最火的是“提示词”。

后来出现了 Skill、Agent、各种工作流，以及最近很流行的“养龙虾”。

这些概念看起来不同，但背后的逻辑其实非常相似：通过规则、流程、工具和上下文，对AI的行为进行约束。

AI本身的能力已经很强。

从各种基准测试和考试成绩来看，AI在很多领域可能已经超过了绝大多数普通人。单纯比考试、知识储备或者信息处理能力，人类未必还能占据明显优势。

但在实际工作中，不同人使用AI的效果却天差地别。

同样是AI，有人只能让它生成一些泛泛而谈的文字；有人却能让它稳定地完成复杂任务，甚至直接嵌入生产流程。

这说明，AI的基础能力只是下限。

真正决定最终产出质量的，是使用者能否把自己的需求转化成明确的规则、流程和限制条件。

为什么有些AI产品更好用

现在市面上的 Codex、Claude，以及各种基于大模型开发的产品，实际使用体验差异非常明显。

有些产品让人感觉非常顺手，有些产品明明使用的是同等级的大模型，结果却始终不够好用。

过去我不太理解这种差异。

但在开发这个小工具的过程中，我发现，所谓AI产品设计，很大一部分工作其实是在不断地给AI：

制定规则；
规定流程；
提供上下文；
明确输出格式；
限制禁止事项；
在关键节点进行检查和纠正。

换句话说，模型本身可能没有发生变化，但不同的约束方式，会产生完全不同的结果。

AI像一场大雨

我现在更愿意把AI比作一场大雨。

雨水已经非常充沛，甚至可以说取之不尽。但对普通个人来说，我们往往只能张开嘴，接住其中很少的一部分。

而那些大型公司的AI产品，就像一个个制作精良的漏斗。

它们通过产品设计、业务流程、知识库和规则，把更多的AI能力汇聚起来，再准确地输送到用户面前。

当然，我们未必能够做出和大厂一样精密的漏斗。

但我们也可以找到一些叶子，把它卷起来，制作一个简单的工具。

它可能不够漂亮，也不够通用，却可以解决自己工作中的具体问题。

这也是我开始制作这个小工具的原因。

我的第一个AI工具：游戏测试用例生成器

我目前从事游戏测试工作。

在我的理解中，大部分游戏测试内容可以拆分成三个部分：

表现层测试：主要是客户端表现，例如UI、动画、特效、文本、交互反馈等；
功能层测试：主要验证服务器逻辑、数值计算、状态变化和功能流程；
耦合测试：验证不同功能、系统和模块之间相互影响时产生的问题。

简单来说，就是：

客户端表现、服务器功能，以及不同系统之间的耦合。

游戏测试用例通常需要根据策划文档进行编写。

传统的方式，是测试人员阅读策划文档，理解功能设计，再逐步拆分测试点、异常场景和边界条件。

而我制作的用例生成器，就是尝试让AI完成其中一部分工作。

它并不是简单地把策划文档丢给AI，然后要求它“生成测试用例”。

因为这样生成出来的内容通常比较泛，缺少业务深度，也无法稳定满足实际需求。

我真正做的事情，是先对游戏测试过程进行拆解，然后为不同部分制定规则，例如：

表现层应该检查哪些内容；
功能层需要验证哪些状态；
输入和输出之间应该如何对应；
哪些场景需要进行边界测试；
哪些系统之间可能产生耦合；
用例应该采用什么格式；
哪些内容不能重复；
哪些结论不能凭空推测。

通过这些规则，对AI生成的内容进行控制，最终让输出逐渐接近我真正想要的结果。

从结果倒推规则

制作这个工具的过程，本质上是一个循环。

首先，我会让AI生成一版测试用例。

然后检查结果中存在哪些问题：

是否漏掉了关键测试点；
是否存在大量重复内容；
是否只覆盖了正常流程；
是否缺少异常和边界场景；
是否没有考虑系统之间的影响；
是否对策划文档中没有说明的内容进行了猜测。

接着，我会根据这些问题修改规则。

再让AI重新生成，再次检查结果。

整个过程可以概括为：

从结果倒推规则，再通过规则获得新的结果，然后不断循环优化。

随着规则越来越完整，AI生成结果的稳定性也会越来越高。

到这个时候，AI就不再只是一个聊天工具，而是逐渐变成了一个能够参与实际工作的生产工具。

最后的感受

过去我们谈论AI，更多是在讨论模型有多聪明、参数有多大、考试成绩有多高。

但真正开始把AI用到工作中之后，我越来越觉得：

AI能力的上限由模型决定，而AI价值的实现程度，则由约束决定。

未来，人与AI之间的差距，可能不仅仅是谁更懂AI，也不仅仅是谁更会写提示词。

真正重要的能力，是能否理解业务、拆解流程、制定规则，并把自己的经验转化成AI能够执行的系统。

AI不会自动理解我们想要什么。

但只要我们能够把“想要的结果”拆解成清晰的规则，它就有可能成为一个非常强大的执行者。

这或许也是普通人使用AI最现实的一条路径：

不一定要制造一场雨，也不一定要拥有大厂的漏斗。

先从身边的问题出发，卷一片属于自己的叶子。