# 连续日更100天，聊聊我的大模型之路 > 龙虾AGI通用实验室 · 2026-07-14 ![](images/369c21/img_001.png) 今天是连续日更的第100天。每天一篇，一天没断。 100是个整数，总觉得到了这个节点应该说点什么。而且仔细一算，原创文章总共写到了第108篇。108也是个有意思的数字，道教里36天罡、72地煞，加起来正好108，水浒传的108位好汉就是从这儿来的。算是个好兆头吧。 所以这篇文章不聊别的，就回头看看这100天是怎么走过来的，想清楚了哪些事情，又有哪些认知被颠覆了。 ## 我为什么要做大模型 我不是大模型科班出身的。但是经过我的分析和判断，我认为大模型这件事我不仅做得了，而且在某些方面可能比科班的人做得更好。 这个结论听起来有点狂，但你听我把理由展开。 大模型走进大众视野，基本是2022年底ChatGPT发布之后的事。在那个分水岭之前，大模型还停留在实验室阶段，跟普通人没什么关系，谈不上应用。所以从做应用的角度来看，大家其实都是2022年之后才开始的，起跑线差不多。 那科班出身的人呢？学人工智能的，学自然语言处理的，他们不是应该有先发优势吗？ 我跟不少这样的人交流过。交流下来发现一个很有意思的事情：他们学的自然语言处理，其实是传统的方法，跟大语言模型是两套东西。做很多事情的时候，他们也得从头学。不是说他们的知识完全没用，而是在大模型应用这个具体的赛道上，他们积累的那些东西能直接用上的并不多。 他们重新学，我也重新学。那我为什么就比不过他们呢？ 想来想去，我觉得不可能比不过。 当然，要说他们完全没有优势也不客观。在专业术语、训练调参这些方面，他们确实更熟一些。但这里就涉及到一个关键的区分了，也是我做出选择的核心依据：大模型训练和大模型应用，是两个完全不同的领域。 训练这个方向，说实话，领域太窄了。全世界真正在做基础模型训练的就那么几家公司，需要的人数也就那么多。绝大部分公司根本不需要自己训练模型，他们需要的是拿现成的模型来解决自己的业务问题。换句话说，市场上的机会，大头在应用上。 这一点跟当年区块链的发展轨迹特别像。 最早一波人去搞链的开发，做底层。技术含量高，门槛也高。但后来你会发现，链就那么几条，后期的新链基本是一键复制的，根本不需要什么创新。真正爆发出大量机会的是第二波：做智能合约，做DApp，做DEX、做DeFi、做各种链上的交易平台。这些都是应用层的事情，天地要广阔得多。 底层开发像修路，路就那么几条，修完了就修完了。应用开发像在路上开店，路修好了之后，能开的店是无穷无尽的。 大模型也是一样的道理。训练模型是修路，做应用是开店。我有自知之明，知道自己不是修路的料，那就踏踏实实在路上开店。所以我很早就把方向定在了大模型应用上，不去凑训练的热闹。 ## 做大模型应用到底需要什么 方向定下来之后，我就开始思考一个更深的问题：做大模型应用到底需要什么样的能力？ 这个问题我想了很久。越想越觉得，答案出乎很多人的意料。 按照惯常的思路，做AI相关的事情，你得懂AI吧？得懂算法、懂模型、懂计算机吧？但是你仔细想想，到了大模型这个阶段，那些计算机领域的知识恰恰是AI自己最熟悉的东西。写代码、搭架构、调接口，这些事情AI做得又快又好。你非要跟AI比这些，就好比你非要跟计算器比心算，这不是扬长避短，这是以短击长。 那我们应该做什么？做AI不擅长的事。而AI不擅长什么？AI不擅长的恰恰是AI以外的东西。 这话听起来像绕口令，但你细品。 比如前段时间多Agent的交互特别火，大家都在讨论怎么让多个AI协同工作。我当时一看就觉得，这件事的本质不是技术问题，是组织管理问题。你怎么让一群Agent各司其职、高效协作，跟你怎么管理一个团队、一个组织是同一个问题。需要的是组织学、社会学的知识，而不是计算机的知识。你给我一个管理学博士来做这件事，可能比给我一个计算机博士效果更好。 再比如跟AI打交道这件事本身。你能不能把问题描述清楚，能不能把需求定义准确，你对一个问题的思考有没有足够的深度。这些考验的是什么？是你对事物本质的洞察力和你的表达能力。这些能力跟计算机专业没有半毛钱关系。一个爱思考的人、一个做科研的人，在这些方面可能天然就比很多程序员强。 有人可能会说，那模型的能力边界呢？幻觉特性呢？prompt工程呢？这些总得懂吧？ 说实话，这些东西的门槛没有大家想象得那么高。不是说它们不重要，而是说它们不是什么需要苦读三年才能掌握的高深学问。花点时间研究一下，该踩的坑踩一踩，也就差不多了。而且我一直有个观点：能力边界这种东西不是在课堂上学出来的，是在实践中用出来的。谁用得多谁就有感觉，这不是谁的先天优势，这是后天的积累。 ## 提问的能力 那我自己的核心优势在哪呢？ 说出来可能有人不信：在提问。 当年在清华大学的时候，我跟多位院士、杰青都有过深入的交流和探讨。那些交流让我意识到一件事情：在提问的能力上，我不输给清华其他的同学。我能在一个复杂的话题里很快抓住关键的问题，提出那种让对方也要认真想一想的问题。 当然，解决问题的执行能力我是不如很多人的，这一点我从来不回避。你让我自己动手去实现一个复杂的算法，去写一个完整的系统，我大概率不如科班出身的人做得好。 但大模型时代来了之后，这件事发生了一个根本性的变化。 以前，解决问题靠的是执行。你得自己写代码、自己算公式、自己一步步把活儿干了。提问提得再好，最后还是得落到执行上。所以执行能力弱就是一个很大的短板。 但现在不一样了。纯粹的执行层面，AI可以替你做了，而且做得比大多数人都快都好。那解决问题的核心就变了，变成了两件事：第一，你能不能把一个模糊的问题拆解清楚，把它变成AI能够处理的明确任务；第二，AI给你的答案你能不能判断对不对、好不好，需不需要调整方向。 这两件事，一个是拆解能力，一个是判断能力。恰好这两样我都不弱。 有了Claude Fable 5这个级别的模型之后，我甚至有一个更大胆的感受：只要你能提得出问题，就很难有解决不了的问题了。提问的能力从来没有像今天这样重要过。 ## AI正在变得无所不能 说到这里，我想聊一个我的判断。这个判断可能有人觉得太激进，但我还是想说出来。 我认为AI正在变得无所不能。 为什么这么说？因为我观察到了一个标志性的转折点。 OpenAI发布GPT-5.3-Codex的时候说了一句话，大意是：这是第一个参与构建了自身的模型。什么意思？就是Codex团队在开发这个模型的过程中，用了它自己的早期版本来调试训练、管理部署、诊断评估结果。模型在帮助构建自己。再往后看，GPT-5.5、GPT-5.6一代比一代强。Anthropic这边，Claude Fable 5直接被定义为Mythos级别的模型，在几乎所有基准测试上都达到了最先进的水平。 你想想这意味着什么。一个模型能够参与构建自身，从原理上说，它就已经具备了构建数字世界万物的基础能力。它能造自己，说明它懂得造这个世界上最复杂的东西之一。那其他没那么复杂的东西，它也能造。 它懂一切，我就可以利用它。只要我能提出正确的问题、做出正确的判断，我就能借助它做到以前想都不敢想的事情。 这也是我说"提问能力前所未有地重要"的底层原因。工具已经足够强大了，瓶颈不再是工具本身，而是使用工具的人能不能提出正确的问题。 ## 为什么做公众号 想清楚这些之后，我就决定认真做这个公众号了。 其实在开始连续日更之前，我前面一个多月已经断断续续写了8篇。但那时候是想到什么写什么，没有节奏，也没有系统性。写完一篇，过几天想到新的东西了再写一篇。 但我慢慢发现一个问题：我脑子里每天都在冒出各种各样的想法，关于大模型的、关于AI应用的、关于行业趋势的。这些想法来的时候很清晰、很兴奋，但如果不及时记录下来，过两天它们就模糊了，过一周就想不起来了。太可惜了。我明明想了那么多有价值的东西，明明每天都在学新的AI知识，就因为没有及时写下来，让它们悄悄溜走了。 所以我决定开始日更。逼自己每天把当天的所思、所想、所学沉淀成文字。 这样做不只是为了防止想法溜走。我还有一个更长远的考虑：我想把这些内容变成自己的资产。日后回头看，我能清楚地知道自己走过了哪些路径，在每个阶段思考过什么问题，做出过什么判断，哪些判断后来被证明是对的，哪些是错的。这些东西比任何总结报告都有价值，因为它们是实时的、真实的、带着当时温度的记录。 同时，它们也能帮助到其他人。如果有人也在这条路上走，看到我走过的弯路和想通的问题，至少可以少踩一些坑。 ## 100天写下来，没有想象中那么简单 说实话，一开始我觉得每天写一篇不是什么难事。因为我觉得自己才华横溢，在各个方向上都能深入看到一些有意思的东西，有大量值得探索和研究的方向。随便抓一个点就能写一篇，素材根本用不完。 但后来发现，没那么简单。 每天的高强度输出，是会慢慢榨干你的思想的。前两周还好，脑子里积攒的想法很多，每天挑一个写，绰绰有余。但到了第三周、第四周，你会发现存货开始见底了。那些最容易想到的、最表面的话题都已经写过了，剩下的要么需要更深的思考，要么需要新的刺激。 每天一篇有深度的思考，持续三个月，这件事比我预想的要难得多。 有一段时间我甚至产生了一种奇怪的抱怨：AI的发展太慢了，限制了我创作的速度。这话听起来有点荒谬，但确实是我当时的真实感受。不是我不想写，是没有足够多的新idea冒出来。AI这边没有什么突破性的新东西出来，我能学的、能写的话题就少了。AI的迭代速度拖慢了我的产出速度。 三五月份的时候，AI有过一波全民热潮。那段时间大家对AI非常热情，群里天天讨论，粉丝也很活跃，每天都有新的话题聊不完。但现在回头看，那个热度已经降下去了。群里以前最活跃的那些人，现在很多都不怎么说话了。 AI本身一直在发展，并没有停。那他们为什么没了热情？我想了想，觉得原因很简单：他们不是真的热爱这个东西，他们是在追热点。追热点这件事是有保质期的，热点一过，热情自然就散了。真正热爱一件事的人不会因为它不"热"了就放弃。 之前很多人也在搞AI研究、写AI文章、思考AI的未来，但现在看来，很多人都没有坚持下来。大部分人会在热度退去之后离场，但只有真的热爱这个事情的人，才不会觉得坚持很困难。 ## 我为什么不做新闻号 100天里我也反复想过一个问题：什么样的公众号做起来最轻松？ 答案很明显：新闻号。每天去各个渠道看看发生了什么新消息，汇总一下，编排一下，发出去就完了。不需要深度思考，不需要原创观点，工作量小，更新频率还能很高。 我自己也确实发现，那种模式做起来会轻松得多。但想了想，还是算了。 原因是，那种东西对我来说没有意义。 新闻号没有干货，不是我自己的东西。它没有我的观点、我的思考、我的判断。就是把别人发布的信息复制粘贴过来，加几句不痛不痒的点评。这种内容当天看看可以，一周之后就没有任何价值了。未来回头翻，你会发现那些东西全部过时了，什么也沉淀不下来。 我想让我写的每一篇文章都有自己的观点，都是我自己在思考的东西。这样五年后再翻出来，虽然有些观点可能已经过时了，但思考的过程和方法是不过时的。那些才是真正属于我的资产。 所以这条路注定是更难走的。但我走到了现在，也没打算换路。 ## 100天里，我的认知变了很多 坚持写了100天之后，我发现一件特别有意思的事情：我现在的想法跟刚开始的时候已经很不一样了。不是微调，是有好几个观点被彻底颠覆了。 比如说，我之前有文章讨论，认为软件正在死去，而后面也有文章讨论，即使每个人都能用AI做自己的软件，依然存在用别人软件的需求。 再比如，我观察到很多人都想用AI做一个小产品，觉得AI这么强大，做个产品应该很简单。但我后来发现，他们做出来的东西其实都是些小demo。小demo确实很简单，但小demo跟一个真正的产品之间的差距，大概有十万八千里那么远。很多人把demo做出来就觉得自己"做了一个产品"，其实连起点都还没到。产品要考虑的东西太多了：稳定性、边界情况、用户体验、持续维护、规模化，每一项都是硬骨头。这一块我现在还不能完全说清楚，但认知已经形成了，以后有了更深的理解再专门展开讨论。 类似这样的认知颠覆还有不少。随着思考的加深和全面，我对大模型相关的认知一直在提升。 这让我意识到一件事：每天写作的价值不只是"记录"，更大的价值在于它逼着你不断思考。你每天要找一个话题、深入地想清楚、用文字组织出来，这个过程本身就是一种高强度的认知训练。表面看我在写文章，其实我在不断地修正自己。 ## 我发现了一件更有趣的事 写到后面我还发现一个现象，一开始没太在意，后来越想越觉得有意思。 就是我文章之间的引用。 比如我昨天写的那篇《试错守恒定律（续）》，里面提到了"最小重复单元"、"两个桶"、"跃迁"这些概念。但这些概念不是孤立的，它们跟我之前写的文章都有内在的联系。我在写新文章的时候，会自然而然地引用之前的观点，在旧的基础上长出新的东西来。 这就像那篇文章里说的"跃迁"一样：规则少的时候，每条规则各管各的，系统是死板的。但规则密度到了一个临界点之后，规则之间开始产生交叉覆盖，系统突然就有了灵活性，能应对你没预设过的情况。 我的文章也在发生类似的事情。 前二三十篇的时候，每篇文章就是一个独立的点，聊一个话题，讲一个观点。但写到六七十篇之后，我开始发现这些点之间有大量的连线。A文章的结论可以解释B文章的困惑，C文章的框架可以应用到D文章的场景里。它们不再是一盘散沙，而是在慢慢长成一个网络。 这让我产生了一个更大的期待：如果我继续写下去，写到足够多、覆盖的范围足够广，这些文章最终会自成体系，形成我自己的“大模型宇宙”。它们会变成一套关于大模型应用的系统性思考，一个有内在逻辑的知识框架。甚至，不夸张地说，有可能长成一个"大模型应用"领域的理论体系。 这不是我在吹牛。你看任何一个学科的早期都是这样的：先是一个一个散点的观察和思考，然后这些散点之间开始连线，最后连线足够密的时候，体系就自然涌现了。从一篇一篇独立的文章，到一个互相引用、互相支撑的知识网络，到最后可能形成一个自洽的理论框架。这个过程本身就让我觉得非常兴奋。 ## 往后怎么走 未来我还会继续写。但不能保证每天都发了。 说实话，该学的、该写的、能想到的，这100天里已经覆盖了绝大部分。每天一篇原创，压力确实太大了。工作和生活中肯定还会不断冒出新的跟AI相关的想法，有了就继续写。但AI的发展速度决定了，未必每天都有值得深度讨论的东西，所以很可能不会再坚持一天一篇了。 不过有一件事我是确定的，就是我会坚持正本清源。 我看市面上大量的文章。坦率地说，很多文章的认知水平非常低，观点错误百出，但偏偏还被大量的人追捧和传播。这件事让我很不舒服。我不能保证自己说的每一句话都对，但我一定会尽可能做到准确和负责任。遇到有问题的东西，该指出来就指出来，该批判就批判。我觉得在一个新领域里，有人站出来做这件事是必要的。 随着对这个领域认知的不断加深，我相信我会做出越来越好的内容，对大模型应用这个方向有越来越深的理解。 108篇原创，100天连续日更。继续走。 我建了一个AI学习研究群，目前几十来人，都是在真正动手搞AI的人。如果你也在自己跑模型、写代码、做项目，欢迎点赞关注转发一键三连，然后加我微信，备注写清"你在做的AI方向"，聊得来的话我拉你进群。纯围观的和小白就不加了，有一定门槛。当然你也可以简单粗暴的甩给我999元，我拉你进群，这个没门槛。 ![](images/369c21/img_002.jpg)