Difficult

general · First seen 2026-05-29 · Last seen 2026-11-20 · 52 mentions

Overview

Difficult(难点)在当前 AI 应用语境下,指的往往不是模型能力本身,而是把一件真实任务拆解清楚、再交给 AI 执行过程中的卡点。随着大模型进入落地阶段,行业讨论的焦点正从"模型够不够强"转向"使用者会不会拆任务、会不会给反馈",Difficult 的定义也随之从技术问题扩展为工程与方法论问题。

AI 应用落地的 Difficult 近期进展

  • Lauren 谈 Grok Bot 自动化:先分清目标与过程,再把判断和反馈教给 Bot:Lauren Tan 发布了一份自动化入门指南,核心观点是很多人没用上 Grok Bot 的完整能力,难点不在工具本身,而在于不会把一件事拆成目标与过程,再把判断标准和反馈方式教给 Bot。
  • 宝玉谈与 Lauren Tan 的方法论分歧:宝玉认同"先讲清目标,再教 bot 怎么做"的思路,但也提出不同看法:Lauren 个人能力很强,加上模型可能还不够聪明,所以她倾向把更多工作前置于任务描述环节;普通用户与强用户面对的 Difficult 并不一样。
  • pstack 新增 meta-skill:自动生成形式化验证方案:pstack 新增 /create-formal-verification-skill,定位为 meta-skill——不直接做形式化验证,而是根据系统特性自动生成一个验证用的 skill。这代表一种应对 Difficult 的新思路:让 AI 生成工具,而不是人写好工具再喂给 AI。
  • 当前焦点与观察点

    综合这些讨论,Difficult 的性质正在变化。第一类仍是模型能力问题,比如 Grok 等模型在复杂推理上的不足;第二类是方法论问题,即人与 AI 的分工界面——目标定义、过程拆解、判断标准的显性化;第三类是工具链问题,meta-skill、skill 自动生成等做法试图把重复出现的难点固化为可复用资产。

    值得观察的是,业界对"难点归因"尚无共识:有人认为应通过更强的提示词和任务描述补偿模型短板,有人认为这属于过度补偿、应由模型进步本身解决。短期内,两条路线大概率并行:普通用户需要更易用的拆解框架,高级用户则继续在工具链层面消化各自的 Difficult。

    Coverage

    9 on file