原创 李继刚 2025-05-03 09:00 北京
盲人摸象，持续接近真相。
输入
即刻
品牌之品，乃人品、作品、产品。三品由一词贯穿，乃品牌之牌。
@ChatV
成长看得见：育儿的 10 个量化指标
想提高什么就衡量什么，想衡量就要有可量化的指标。
有量化，提没提高就清清楚楚；无量化，一切都是模模糊糊。
在育儿这件事上，可以量化什么？
上面这段总结，始于最近一件事。我家娃从小就喜欢写字、画画，连出去旅游也要带上纸笔，从 1 岁到 5 岁，每个月至少要写 500 张 A4 纸。但我们也没觉得他画画厉害。
前段时间，幼儿园搞活动，班级老师让他画几张画布置教室，然后又被其他几个班老师轮流请去帮忙画。我这才发觉，每天不起眼的积累，在这一刻看出不一样了。
育儿没有奇迹。量变引起质变，没有一定的数量积累，质变也无从谈起。事情做没做，是因；成绩好不好，是果。作为家长，我用心引导孩子去做，但对结果不强求。因上努力，果上随缘。日拱一卒，功不唐捐。
@ChatV
为什么写真正精确的提示词如此之难？
我们来看一个问题—— “中国历史上有多少个皇帝？”
这个问题够明确了吧！
但你这样去问 AI，再强大的 AI 也不可能给你一个确切的数字。
原因在于——
……..
当以上问题都不明确时，中国历史上的皇帝数量在 200+到 500+这个落差极大的范围类飘忽不定。
而归根结底在于——问题中看似非常明确的“中国”、“历史”、“皇帝”这三个词都是一个模糊的概念。
它们各自在大模型的语义向量空间中是发散的，而非收敛的。
所以，提示词的精确永远是一个相对的概念，这是由自然语言本身的特点决定的。
从这个意义上，写提示词的艺术并非追求绝对的精确，而是在注定的灰度中寻找足够清晰的边界。
我个人的一个强烈体会是：AI 给的答案往往不一定能符合预期，但它经常能提醒我更深刻地思考我提的问题本身。
@卫夕
出路
做培训，最重要的一件事是为学员想清楚“出路”。
有出路，学员学了，要么在职场上赚到钱，要么在市场上赚到钱。
对于教练来说，学员有出路，意味着三点：学员有钱买高客单的产品，学员愿意转介绍，有成功案例拿来宣传。
这样，不仅培训可以持续，还可以推出高客单产品。
如果没有出路，一直学，但是没有成事，也没有赚到钱，教练也没有成功案例宣传，培训就越做越难，可能做个几期就停了。
为学员想清楚出路，既是对学员负责，也是为自己持续做下去着想。
普通人的出路从哪里来？
中国人多，但凡可以赚钱的地方，你跑过去一看，都有一堆人在做，而且往往有几个巨头。越是成熟的行业，越容易被垄断，普通人的机会越少。
这些行业，培训针对的大多是职场技能，因为大多数人都在职场上班，单干赚钱的机会少。
中国改开这 40 多年，走过了西方一两百年的发展过程，这就意味着加速，意味着变化。在这种情况下，不断有新事物出现，或来自国外创新启发，或来自本土市场竞争，或来自央地政策推动。
每一个新事物出现，就有一个热点，此时，这里混沌初开，一片空白，才有普通人抓住红利，逆袭改命的机会。每一个热点出来，就有一片钻进去淘金的，也有在周围卖水卖铲子的。
为什么赚钱培训，往往都盯着热点？因为热点意味着普通人的出路。不管是以前的蓝翔挖掘机、新东方厨师、北大青鸟计算机，还是现在的私域、小红书、AI，之所以火，因为它们都是普通人的一条条出路。
@ChatV
强烈的个人风格其实不只需要聪明还需要勇气。
@julian.
宇宙的运行规则之一
——收益就是你创造的东西对世界影响力的占比
@Aretha.
为什么 AI 生成的 PPT 永远给你一种“正确的废话”的感觉？
因为当前 AI 只能重组现有知识，即“有中生有”。最终往往是数据集里各种结论的“平均数”。
人能跳过二手资料，直接分析原始数据，结合自己数十年的经验，产出新的知识，即“无中生有”。
当然，写 PPT、写文章、写视频脚本，这些任务看似简单，实际非常难。归根结底，我们想看的是“新知识”，而不是现有知识的组合搭配。
@Zero 君聊 AI
关于 MCP 的几个理解误区：
误区 1：MCP 协议需要大模型支持
MCP 全称模型上下文协议，是为了在用户与大模型对话过程中，补充上下文信息给大模型，让大模型更准确的回答用户提问而设计的。
在 MCP 出来之前，有多种方式可以实现上下文信息的补充，比如：
理解了给大模型补充上下文的原理，就可以知道，MCP 的本质，是指导应用层，如何更好的补充上下文信息给大模型。
模型收到回复提问请求时，MCP 工作已经完成了。
结论：MCP 协议不需要大模型支持，哪怕你使用古老的 gpt-2 作为问答模型，依然可以使用 MCP 协议补充上下文信息。
误区 2：只有支持 Function Calling 的模型才支持 MCP 协议
聊 MCP 协议，必须要理解 Function Calling 机制。
基本流程是应用层传递一堆工具给大模型，大模型意图识别，做一次 Pick Tool 操作，返回应该调用的工具名称和调用参数，再由应用层发起 Call Tool 操作，拿到结果重新给到大模型回答。
Function Calling 这套机制下有三个角色：应用、资源方、大模型。
两个核心步骤：Pick Tool 和 Call Tool。
MCP 协议定义了三个角色：主机、客户端、服务器。
跟 Function Calling 机制相比，MCP 协议相当于是把 客户端-服务器 作为一个黑盒。
整体视角看，MCP 协议有四个角色：主机应用、黑盒（客户端-服务器）、资源方、大模型
主机把请求给到客户端，客户端请求服务器，服务器对接资源方，主机最终得到黑盒返回的结果，作为补充上下文给到大模型回答。
Function Calling 是应用直接对接资源，MCP 是应用通过黑盒对接资源，对接更加标准化，资源接入成本更低。
Function Calling 是应用直接定义一堆工具，MCP 是应用从 MCP 服务器获取定义好的工具，应用无需重复编码。
涉及到工具调用的环节，MCP 与 Function Calling 的交互形式一致。都依赖大模型的 Pick Tool 能力。
所谓的大模型支持 Function Calling，是指大模型在 Pick Tool 环节，有更好的理解和推理能力，最终能返回更加准确的 Tool 和参数。
不支持 Function Calling 的模型，依然可以通过提示词工程实现 Pick Tool。只不过准确度不如支持 Function Calling 的模型。
结论：不支持 Function Calling 的模型，依然可以使用 MCP 协议补充上下文信息。
误区 3：大模型原生支持 MCP 协议
所谓的大模型原生支持 MCP 协议，正确的理解应该是大模型内化了 MCP 协议的定义，并且内置集成了大量基于 MCP 协议定义的工具。
当接到用户提问时，应用即使不给大模型传递任何工具，大模型依然可以基于内化的工具列表进行推理，返回应该调用的工具名称和调用参数给应用。
事实上，互联网上的资源是千差万别的，意味着对接资源的 MCP 服务器及其内部的工具是海量的，不可枚举的。
另一个关键点是，某些资源是私有的，需要用户鉴权的，大模型训练时不可能内化用户的鉴权凭证。
从这个角度来讲，大模型内化 MCP 协议下的海量工具，不现实也不可能。
某些模型厂商，也许是为了蹭 MCP 的热度，某些自媒体，也许是对 MCP 协议理解不到位，宣称某大模型原生支持 MCP 协议。
其实要表达的意思，也许只是，在随大模型一起发布的某个 agent 框架里面，加上了对 MCP 协议的支持。
结论：大模型原生支持 MCP 协议，这种说法是不专业的。大模型现阶段不可能原生支持 MCP。
本人认知有限，也许会有理解偏颇之处。欢迎补充交流。🙂
@艾逗笔
书
本周推荐书籍《解析物理的十层之旅》（[马来西亚]柯家浚著）。
一本物理科普书。作者对光，物质，能量，原子，做了认知梳理，每个都划分了十个层次的认知。
里面的数学公式以及作者所说的「这个很简单」「显而易见」的物理专业内容，都跳读过去，依然很喜欢这种十个层次，逐渐深入，接近本质的讲解方式。
输出
盯着问题，不要盯着解决方案。
过去几年收益最大的一个习惯：
给自己设定一个问题，用三年时间不断更新自己对它的答案。
希望将来的自己，心可以再定一些，能设定「十年时间」来探索「那一个」问题。
复杂是思想混乱的结果。
复杂是果，不是因。
想清楚了，自然就会呈现出「简单」。
成功是全面的合格，失败是某个环节的不及格。
冲突见人品。
冲突像是背景板，局中人的性情在其中突显。
以前是身体散步，
后来是思想散步，
现在是在 ai 的空间中散步。
雨像乐手。万物皆为乐器。
如果能抛离因雨带来的出行不便之愤闷，认真听雨在拨弄，敲打万物的声音，一场雨，可不就是交响乐吗？
所谓理解，即可做出正确的预测。
我拥有一项〝超能力〞，接近我，会随机掉落一本好书。
