像智能体一样思考：美的系统会留下空白#第二章

第二章 美的系统会留下空白

写给：对着光标发呆的人

屏幕上的光标在闪，一闪一闪，像一只耐心的眼睛盯着你。你不是没东西要写，你只是不知道从哪落笔。脑子里有一堆想法挤在一起，谁也不肯先出来。

如果你做过设计，做过研究，做过任何一个"得从零开始"的工作，你一定认识这种时刻。它有个名字 —— 空白页焦虑。做错一道题至少知道有个答案在那，空白页连方向都没有。

这种瘫痪感，比失败更折磨人。

然后 AI 来了，焦虑换了一个形式。

以前的痛点是"我写不出第一句"，现在的痛点变成"AI 给了我十种开头，我要选哪个？" —— 还有更糟的，AI 写得太像样了，你回头看自己原来想说的那些，反而觉得不值得说。

这一章写给所有面对空白页的人：创作者、设计师、写作者、做研究的人。

接下来的四节，我想把"从发散到深化"这件事拆开讲。

我不打算说服你别用 AI，那不现实。

我只想让你知道一件事 ——

AI 能加速你发散，但深化和品味，只能你自己来。

空白页不是没答案，是问题还没形成。

5 空白页比错误答案更可怕

用户面对 AI 最大的障碍，往往不是不知道按钮在哪，而是不知道第一笔该画在哪里 —— "空白页焦虑"比做错一道题更让人瘫痪。

2024 年我跟薛志荣合著《人人皆可 Vibe 编程》那段时间，我憋了2周才落笔。

每天打开文档光标闪一小时不动，Word 里始终只有 6 个字 —— 脑子里不是没东西，是从哪个角度切都不对。后来发现，问题不是"我写不出第一句"，是"我还没弄明白我要告诉谁"。把开头从"我想表达什么"换成"读者会卡在哪"，几万字几小时就写完了（思路想好，填充交给AI）。

大多数 AI 工具只帮你"发散"，真正花时间的是"深化" ——

一个方向有了，怎么把它变成具体的研究问题、方法、评估标准？

IdeaSynth（研究想法如何从模糊到成型，曾获 CHI 2025 最佳论文奖，配套的工具叫 IdeaSynth）把这个过程拆成四个格子：

问题、方法、评估、贡献，然后让 AI 帮你在每个格子里迭代。

它承认了创作的真实节奏：

不是一气呵成，而是来回磨。

Beyond Code Generation（研究"超越代码生成：探索设计空间"）从另一个角度揭开了"空白页"问题：代码生成 LLM（Large Language Model，大语言模型）默认提供的是点解决方案，而非设计空间。

配套的 PAIL IDE（一个让 AI 在编程时主动呈现"替代方案"的开发环境）通过生成替代方案、追踪设计决策，让 100% 用户发现了至少一个之前未考虑过的设计方向。

说穿了，核心洞察只有一句：AI 的默认输出是一个答案，而设计需要的是一堆可能性。

如果你做过设计，你会知道：你真正缺的从来不是"那个最好的方案"，而是我还不知道原来有这些方案。

品味注记：空白页没有答案，是因为问题还没成形。好的智能体帮你把"我不知道该问什么"逼成我想解决 A，但得先弄清楚 B。

空白玻璃屋

6 好问题不是想出来的，是画出来的

达芬奇画了几百张鸡蛋的素描，不是为了交作业，是为了在画的过程中搞清楚光影到底怎么运作 —— 草稿是思考的材料，不是思考的终点。

我读同济研究生那几年，全专业 30 多号人坐阶梯教室，设计课老师开口就是一句："先画二十张再来讨论。"当时觉得老师脾气差，后来做毕业设计才发现，那 20 张根本不是练手，是要我们画到问题自己从笔尖冒出来。

我那张获优的毕业作品，是在第无数张之后才找到的灵感。

画室里的草稿不是失败品，是问题逐渐显形的过程。

达芬奇画了几百张鸡蛋的素描，不是为了交作业，是为了在画的过程中搞清楚光影到底怎么运作。AI 辅助创意也是这个逻辑：

你要先动手，才能发现问题在哪里。

先想再画是神话，先画再想才是常态。

ClearFairy（研究"让 AI 学会记录专家推理过程"的论文）展示了什么叫先画后想：让 AI 给专家的决策过程建模。它不记录专家说了什么答案，而是记录专家在得出答案之前问了什么问题、考虑了哪些因素、为什么排除了某个方向。系统把这些推理步骤（How+Why）喂给 AI 后，强解释比例从 14% 飙升到 83%。

差别不在 AI 更会写了，在 AI 不再只是给答案，而是在展示推理轨迹。

Can Good Writing Be Generative（研究"好文章能否由 AI 生成"的论文）提出了更尖锐的问题：MFA（Master of Fine Arts，艺术硕士，美国常见的写作研究生学位）写作课的学生发现 AI 写的东西比他们的同学更像"好文章" ——

更流畅、更没有废话。

但这也暴露了价值危机：

等到 AI 能写出比大多数人类更"流畅"的文章，什么才是人类写作的不可替代性？

我的答案是：独特的经历、鲜明的观点、只有你经历过才能写出来的细节。这些东西不在数据里，只在记忆里，所以 AI 生成不了。

品味注记：画室里的草稿不是失败品，是问题逐渐显形的过程。AI 能帮你画得更快，但画什么、为什么画，还得你自己来。

草稿三层显形

7 AI 帮你想，不等于替你想

拐杖发明了五千年，没听说谁因为用拐杖腿变细的 —— 因为拐杖是辅助你走路，不是替代你腿的功能。

但 AI 不一样，AI 如果替你把"想清楚"做了，你的脑子就会开始退化。

Differences in Individual Metacognitive Awareness 追踪 157 名知识工作者使用 AI 辅助工具两年后的认知表现：高元认知水平的人，用不用 AI 差不多；低元认知水平的人，用了 AI 之后在没有 AI 的情况下独立完成任务的能力显著下降。

原因在于被动纠错：

当工具直接给出正确答案，低元认知用户会跳过"我原来为什么错"这个环节。

大脑理解错误原因、然后更新记忆，这个过程被跳过了。

就像背单词用 APP（手机应用）报听写：你写对了，但你可能只是肌肉记住了手怎么动，而不是真的记住了这个词。

Rely-Not-Rely（研究"如何让用户不过度依赖 AI"的论文，曾获 CHI 2025 Honorable Mention 荣誉提名奖）从另一个角度证实了这件事：研究测试了各种防止用户过度依赖 AI 的方法 —— 标红不确定性提示、隐式回答、静态免责声明。结果发现一个都没用：

所有干预手段都同时减少了正确建议和错误建议的采纳。你挡了错的，顺带也把对的挡了。

也有例外：

一句简单的请核实此信息，用户听到后不是不信任，而是像被提醒了一下"先想再点"。

品味注记：好智能体像健身教练，逼你多做一组；坏智能体像轮椅，让你忘了自己还会走路。

阅读与品味三层

8 总得有人按「确定」

自动化可以执行，不能替人承担后果。

一个成熟的智能体系统，必须知道什么时候停下来，把方向盘交还给人。

说穿了，这是责任问题，不是功能问题。

Cocoa（研究"人与 AI 共同制定计划与执行"的论文，CHI 2026 最佳论文奖）展示了什么叫"编织式"的计划与执行：

把 AI 任务拆成可以单独运行的区块，用户自然地把战略决策留给自己、把信息检索交给 AI。

更关键的是，用户把 AI 的输出当检查点，看完中间结果才决定下一步，而不是让 AI 从头跑到尾。

这个习惯，在你没察觉的时候，救了你。

Perspectra（研究"多 agent 辩论中如何呈现不同视角"的论文，CHI 2026 Honorable Mention 荣誉提名奖）提出"建设性摩擦"的概念：

多智能体辩论时，如果 AI 之间观点不一致，用户反而更愿意动脑子想想谁说得对。

关键在于分歧要能被解释。

未解释的分歧容易变成"破坏性分歧"，两人吵起来，互相觉得对方是傻子；

有解释的分歧才能变成"建设性分歧"，吵的内容是具体的，最后发现有一个分析框架更合理。

Proactive Agent Roles（研究"主动型 AI 应该扮演什么角色"的论文）揭穿了一件反直觉的事：

表现最客观的引导者 AI 被用户评价为"最没用"，因为它不给答案，只是问你问题，逼你自己想；

而表现最差的同伴 AI 最受好评，因为它直接给答案，用户有"顿悟感"。

但看业务数据，引导者 AI 在高压任务里才是真正能打的。

顿悟感是奢侈品，关键时刻你得真能扛事。

From Fragmentation to Integration（研究"隐私管理从分散到交给 AI 整合"的论文）把这件事推到极致：

研究里发现用户信任 AI 处理隐私的准确性甚至高于自己手动操作，愿意将控制权完全让渡给智能体。

但"省事的信任"同时创造了新的风险：单点故障、丧失自主意识、利益冲突。

把全部身家交给一个"可靠"的人，听起来高效，实际是另一种脆弱。

Conversational Agents on Your Behalf（研究"AI 代你说话时会发生什么"的论文）给了一个更具体的反直觉发现：

完全自动化让用户专注副任务；但共享自主权反而让用户必须持续监控智能体发言，认知负担未减轻，多任务表现无提升。