语言是有损压缩。
每一句话都丢掉了说话者90% 的上下文。
人与人之间靠默契补全，而大模型靠概率补全。
概率补全的本质，是用「大多数人的大多数情况」去填充「你这一个人的这一个情况」。
这就是隐含假设——你没说的部分，AI 替你说了，但说错了。
语言是一种低带宽协议
我让 AI 帮我写一个登录页面，它给了我React + JWT + Tailwind 全家桶。
我只是想要一个原生 HTML 的简单表单。
一开始以为是 AI 笨。
后来意识到不是——我只说了「写一个登录页面」，剩下的全是它自己填的。
维特根斯坦说，语言的边界就是世界的边界。
日常交流中我们只输出了 10% 的信息，剩下的 90% 靠共同经历和默契补全。
AI 没有跟你共同生活过。
它不了解你的技术栈，不知道你的项目是一个三人团队的内部工具。
它做了唯一能做的事：用训练数据里的通用概率分布来填空。
你对导航说「带我去最近的咖啡店」，它默认你开车、要最短距离、要连锁品牌。
你只是想散步去一家手冲店。
你让 AI 写一封邮件，它默认商务场景、正式语气、同事关系。
你是写给老朋友的道歉信。
每一个你没有说出口的条件，都被替换成了统计学上出现频率最高的那个选项。
通用概率是对个体性的消解
大模型的底层是概率预测。
几万亿个 token 里学到的，是「大多数人大多数时候的选择」。
指令有任何模糊，它就滑向均值。
本质上是一种柏拉图式的操作——用理念世界的「通用」覆盖现实世界的「具体」。
但创造价值的地方恰恰在于偏离均值。
商业模式跟均值一样，市场早淘汰你了。
代码架构跟 GitHub 最常见的方案一样，也不需要自己写。
文章洞察跟搜索引擎第一页一样，没有人需要读。
不是 AI 不懂你。
是它的补全机制在结构上就倾向于抹平个体性。
通用概率分布，是安全牌，也是一种温和的暴力。
我的解法：三个文件
想明白这件事之后，我给自己建了三个文件。
第一个是CLAUDE.md。
这是 Claude 每次启动时都会读取的系统级指令。
我在里面写了一条铁律：「当需求不清楚时，一定不要做隐含假设，必须先询问我确认清楚后再执行。」
AI 遇到盲区时不再自行脑补，而是停下来问我。
单向的指令下达变成了双向对话。
相当于在它的决策流程里装了一个断路器——每次想要擅自填充默认值时，断路器跳闸，控制权交回我手里。
第二个是MEMORY.md。
这是一个持久化的记忆文件。
我让 AI 把每次对话中积累的关键信息记录在这里：我的技术栈偏好、我踩过的坑、我做过的决策以及背后的原因、我讨厌什么风格的代码和文字。
没有这个文件，每次新对话都是从零开始，AI 又会回到它的通用概率。
有了它，AI 对我的了解是累积的——对话越多，它需要做的隐含假设就越少。
第三个是STANCE.md。
这是关于「我是谁」的文件。
我的角色、我的业务背景、我的审美偏好、我关注的领域、我的决策风格。
CLAUDE.md管行为规则——遇到不确定时怎么做。
MEMORY.md管具体事实——上次做了什么决定、为什么。
STANCE.md管底层人设——我是什么样的人、在什么样的语境里工作。
三个文件叠在一起，本质上是在做一件事：
把关于我的隐含假设，从 AI 的概率猜测，变成白纸黑字的显式上下文。
不写「帮我写一个排序算法」，写「数据量 1000 以内，基本有序，内存敏感，跑在资源受限的物联网设备上」。
前者给你快速排序，后者给你插入排序。
这三个文件做的是同样的事情，只是把粒度从单次提示词提升到了系统级。
你觉得理所当然的东西，对 AI 全部都不是理所当然的。
隐式的上下文只有变成显式的约束，才真正生效。
苏格拉底式的反问
苏格拉底从来不给答案，只问问题。
这个方法用在 AI 身上特别合适。
AI 给出一个看似严密的技术方案，不急着接受。问它：
「你得出这个结论，背后的核心假设是什么？」
「最脆弱的那个假设被打破了，方案怎么崩塌？」
「你默认了网络稳定，弱网环境下你会怎么重写？」
本质上是在给 AI 做思维上的 Mind Review。
顺着这些问题往下挖，经常发现那个看似完美的方案建立在很脆弱的前提上。
这些前提不是 AI 故意隐瞒的——它自己也没有意识到。
就像我们自己的很多假设，不被追问就永远不会浮出水面。
对抗 AI 的隐含假设，同时也是在清理自己思维里的盲区。
用大模型越久，越觉得它是一面镜子。
照出的是我们表达中的懒惰和含糊。
以为自己想清楚了、说明白了，直到 AI 用一个离谱的结果告诉你：
那些没说出口的空白里，藏着你自己都没察觉的假设。
与 AI 的交互，迫使我更精确地理解自己的需求，更清晰地翻译自己的直觉。
这是意外的收获。
热门跟贴