你的 AI，不过是你思维的镜子
原文：https://every.to/context-window/your-ai-is-a-mirror-of-how-you-think
你好，周日愉快。本周，付费订阅用户得以一窥几位作者的实战心得：Katie Parrott 分享了一个提示词，让 Codex 在开发任何东西之前先对她进行访谈，从而确保最终的工具配置完全贴合她的工作习惯；工程师 Lee Knowlton 展示了两个工作流——一个是他一边洗碗，一边通过语音指挥一组 AI 智能体协同工作；另一个是他仅凭一次操作，就将自己三年的每日跑步数据变成了一张互动图表。此外，Mike Taylor 在企业软件中寻找最出色的 AI 智能体构建工具，结果发现它正藏在微软的 Copilot 里。升级为付费订阅，即可获取以上所有内容。
知识库精选
🔏 《最出色的 AI 智能体构建工具，被困在微软内部》，作者 Mike Taylor：Mike 提出，微软的 Copilot Studio 是目前可用的最佳智能体构建器，因为它允许智能体调用其他智能体——这样你无需亲自搭建复杂的系统，就能让多个智能体协同处理一个任务。难题在于你得在一堆引导流程、404 错误页面和微软旗下八十多个叫 Copilot 的东西里找到它。如果你的公司已经运行在微软工具链上，阅读这篇文章可以帮你找到 Copilot Studio 并让它为你工作。
🔏 《属于自己的法典》，作者 Katie Parrott：Every 的运营主管 Arielle Shipper 与咨询主管 Natalia Quintero 比较了各自配置的 Codex，发现它们几乎完全不同——一个建立在极简流程之上，另一个则依赖于细致的规划与监督。Katie 让 Codex 在构建任何东西之前先对她进行访谈，询问她的重复性工作、进行中的项目，以及她希望继续由自己掌控的决策。本期内还包括：关于 Demis Hassabis 卸任 Google DeepMind 首席执行官以及 Meta 推出 Muse Code 的“信号”，以及团队成员本周正在体验的模型。
🔏 《微型检验：ChatGPT 语音模式》，作者 Laura Entis：团队花了一周时间深度体验 GPT-Live——用它来修复漏洞、草拟大纲、预订机票，甚至在做饭时指挥智能体。工程师 Lee Knowlton 大声朗读一份技术文档，同时语音模式对着他实时代码库中的内容回答问题。首席运营官 Brandon Gell 发现，移动端的语音模式无法跳出当前聊天窗口，去访问他电脑上的工作内容。最终结论是：“它既还没完全准备好，又显然是未来。”本期内还包括《AI & I》播客对 Benchmark 合伙人 Sarah Tavel 的访谈，她认为下一个重磅 AI 产品将会是社交属性的。
《用 AI 做设计？先做个模具吧》，作者 Jack Cheng：Jack 从木工领域借来了一个术语——模具，是指能让制造其他东西变得更简单的工具。他让自己的编程智能体在页面上建立控制面板，以便微调我们那篇关于 OpenAI 的互动文章《洪水来临之前》中由 AI 生成的代码。对于精细调整来说，直接输入提示词太过粗糙；一个模具为他提供了 27 个滑块，用来塑造故事中的一个步骤。阅读本文，了解模具如何改变 AI 辅助设计，以及构建属于你自己的模具所需的提示词。
“反学习”系列
三位来自 Maven 的讲师分享了 AI 迫使他们摒弃的那些来之不易的习惯。
《被各种演示淹没？这里有个更好的原型方法》，作者 Hilary Gridley：当 Bolt 和 Replit 这类 AI 工具让制作原型的成本变得极其低廉时，Hilary 在 Whoop 的产品团队手上的原型数量从 5 个激增到了 30 个。他们发现，团队的构建速度加快了，但决策能力并没有因此提升。她的感悟是：一旦你能在一个下午构建出几乎任何东西，首要问题就变成了“这个想法是否值得去追逐”。阅读本文，了解如何防止廉价的原型演变成无用的噪音。
《AI 时代的三个新习惯》，作者 Xinran Ma：Xinran 辞去了企业设计的工作，专职撰写“Design with AI”通讯，如今已有超过 44,000 名订阅者。独自作业迫使他放弃了三个习惯：等待确定性、对未经测试的工具妄下定论，以及向上寻求许可。阅读本文，了解这种“反学习”在实践中的具体样貌。
《要在 AI 领域保持领先，像设计师一样思考》，作者 Aishwarya Reganti：Aishwarya 自称是一位数据科学家，但她把自己看作设计师——不是设计界面，而是设计决策。这位前亚马逊 AI 科学家、LevelUp Labs 的创始人认为，一旦 AI 接管了执行环节，你的专业洞察就必须在动手之前就塑造好你的工作方向——否则，你的专业洞察将无法产生任何影响。阅读本文，看她是如何将这一点应用到自己工作中的。
上手实践
亲自体验 Every 的 AI 工作流。以下是由团队成员教授我们作品背后工作流的直播训练营、研讨会和见面会。
本周训练营
- 语音模式训练营：我们为付费订阅用户举办的一小时在线会议，Every 团队演示了用于写作和智能体编排的实用语音工作流，并现场回答了提问。
来自 Every Studio
Every Agent 关闭了“加一”服务
“加一”曾是 Every 托管的 OpenClaw 智能体：每位员工配一个 AI 同事，每个都运行在独立云端服务器上，驻留在你的 Slack 里。我们意识到的教训是：为每个人配备专属服务器成本高昂，并且需要持续维护。本周，我们关闭了最后一个“加一”。这一理念以 Every Agent 的形式延续下来：一个可服务整个公司、存在于你 Slack 中的 AI 同事。
对齐
专利迷宫。 想象一下，你开发出一种测量单个细胞内基因活动的新方法。你可能以为自己终于为家族赢得了世代相传的财富。但随后专利律师出现了，你发现你的方法中的某些部分——从细胞制备到标记和测序——都可能侵犯由生命科学公司和大学持有的相互交织的专利。恭喜你：你发明了一场官司。
专利侵权风险，是初创公司可能隐秘运营多年，评估推出产品是否会引发侵权诉讼的原因之一。公司有时会同意交叉授权许可，但这往往是在双方都投入了大量时间和金钱进行诉讼之后。
药物发现初创公司 Relation 的联合创始人 Jake Taylor-King，与临床试验初创公司 Lindus 的创始人 Michael Young，在他们的一份 AI 药物发现路线图中，描绘了一条可能穿越专利迷宫的路径。他们认为，AI 可以将专利分析从产品开发的终点移至起点。
AI 智能体可以将一项实验室技术分解为各个独立的步骤——样本制备、条形码、酶、表面化学和测序方法——然后搜索专利、已放弃的申请、研究论文、会议海报和旧设备手册。它们可以标记出哪些权利要求会阻碍研发，以及在哪条替代技术路线上，通往相同结果的路径依然畅通。
AI 不会取代专利律师，也不会让一项强有力的专利失效。但它可以让一家初创公司在投入数年的实验室研究之前，先在数据库中找到那条死胡同。
核心启示：你与 AI 的交互方式，最终反映的是你自身的思维模式、工作习惯和决策框架。从个人工作流的定制，到企业级智能体的构建，再到前沿的药物研发专利布局，工具的先进性并非关键，关键在于使用工具的人如何定义问题、设计流程和做出取舍。
Your AI Is a Mirror of How You Think 发芽报告
材料核心
这份 Every 新闻通讯通过多个案例揭示了一个深层规律：AI 工具不会改变你的思维方式——它只会放大和暴露你本来的思维模式。无论是 Codex 的个性化设置、快速原型设计的困境，还是专利分析的前置化，最终指向的都是：你怎样思考，你的 AI 就以怎样的方式工作。
发芽 01：镜子效应——AI 是思维模式的显影液
种子
材料中最引人注目的对比来自 Codex 的设置：Arielle Shipper 构建在最小化流程上，而 Natalia Quintero 依赖于详细规划和监督。相同的工具，截然不同的形态。这不是工具的差异，而是认知风格的显影——AI 没有统一的“最佳实践”，它只是在忠实地反映你的决策偏好和风险认知。
传统工具要求用户适应工具的固定结构（比如 Photoshop 的图层逻辑、Excel 的表单模型），但 AI 的灵活性使得它可以反向映射用户的思维拓扑。这正是认知心理学家 Don Norman 在 1988 年《设计心理学》中提出但限于当时技术条件无法实现的理念：工具应该适应人的心智模型，而非反其道行之。
MIT 的 Erik Brynjolfsson 团队在 2023 年的一项研究发现，生成式 AI 对生产力的影响高度不均——它最大程度地放大了专家和新手之间的差距，而不是缩小它。新手缺乏足够强的内在模型去提问和校准 AI，而专家能通过精准的指令将 AI 导向高质量产出。这与材料中 Katie Parrott 让 Codex 先采访她再构建设置的做法如出一辙：元认知能力（即对自己如何思考的理解）成为驾驭 AI 的核心竞争力。
日本丰田生产系统中的“現地現物”（Genchi Genbutsu，即“亲自去看”）原则在此产生了有趣的类比：管理者在使用 AI 之前必须先理解自己的工作模式，就像丰田工程师必须先深入车间观察实际流程一样。AI 不能替你完成这一步——它只能在你完成自我审视之后，将那个模式固化下来。
Aha 瞬间
“AI 不是思维的外包，而是思维的外化——它把你怎么想问题，直接变成了它怎么处理问题。”
发芽 02：认知惯性——为什么有了更好工具，我们还在重复旧错误
种子
材料中 Hilary Gridley 的发现极具诊断价值：Whoop 团队从 5 个原型做到 30 个，建造速度提升了，但决策质量没有改善。问题不在于原型不够快，而在于速度放大的不是创造力，而是认知惯性——更快地做更多不需要做的事情。
这里有一个更深层的问题：为什么人们在获得更快工具后,首先选择的是加速现有流程，而不是重新思考流程本身？
Clayton Christensen 在 1997 年《创新者的窘境》中描述了企业的路径依赖，但个体层面的认知惯性更根深蒂固。神经科学中有“记忆的再巩固”概念（Karim Nader，2000）：每当我们使用一段记忆或一种技能时，它会暂时变得可塑，如果我们不主动干预，它会被更牢固地存储回来。同样，当我们用 AI 加速一个工作流程时，我们在强化那个流程的神经基础，使它变得更难被质疑。
这种现象在材料中处处可见：Mike Taylor 寻找企业级 AI agent 时，发现最好的产品“埋在”微软的 Copilot Studio 里——一个需要穿越无数障碍才能找到的地方。这说明即使是开发工具的团队，也被组织惯性所困，无法让好产品脱颖而出。微软长期以来以“捆绑”和“标准化”作为竞争优势，这种思维惯性自然反映在了 Copilot Studio 的复杂发现过程中。
哈佛商学院的心理学家 Teresa Amabile 在长达数十年的创造力研究中发现，紧迫感和压力能增加产量，但会减少创造性和根本性思考。这与 Gridley 的发现不谋而合：更快的原型制作让团队产生了“做更多”的紧迫感，但同时也压缩了“问是否正确问题”的心理空间。
Aha 瞬间
“工具改变了速度，但你不会跑出思维的车辙。除非你停下来问：我为什么在用这个工具做这件事？”
发芽 03：逆向推演——把判断从终点搬到起点
种子
材料中 Jake Taylor-King 和 Michael Young 描绘的 AI 专利分析路线图，提供了最具操作性的思维范式转换：将专利分析从产品开发终点搬到起点。这不仅是流程上的前置，而是判断力的重新定位——在资源投入之前完成认知投入。
传统的线性开发逻辑是：先建、再测、最后检查合法性。这是工业时代的产物，当“建”的成本很高时，把审查放在前端不经济。但 AI 打破了这种成本结构。正如材料中提到的，AI 可以将实验室技术拆解为独立步骤——样本制备、条形码、酶、表面化学、测序方法——然后在数据库中并行搜索可能的专利冲突。
这种思维模式可以被提炼为一条普适原则：每当一个环节的成本被 AI 大幅降低时，你应该问的不是“我怎么让这个环节更快”，而是“这个环节应该被放在流程的哪个位置”。
麻省理工学院的 Steven Spear 在研究丰田生产系统时提出了“前置诊断”概念：高绩效组织倾向于在问题发生的早期阶段投入不成比例的时间进行分析，因为他们知道晚期的修复成本呈指数级增长。专利分析的例子完美印证了这一点——一个初创公司如果在实验室投入数年之后才发现专利冲突，所付出的代价远超早期分析的成本。
这与 Aishwarya Reganti 在材料中的观点也形成呼应：一旦 AI 接管执行，你的专业知识必须在工作开始前就塑造工作——否则你的专业知识形同虚设。Reganti 称自己为“决策设计师”，这实际上是在描述一个正在形成的职业范式：前置认知架构师——那些在设计工作开始前，就已经决定了工作将被如何设计的人。
Aha 瞬间
“最好的决策看起来像是在浪费时间，直到你看到不做一个早期判断在后来让人浪费了多少时间。”
你的思考空间
如果 AI 只是你思维模式的镜子，那你现在最需要在向 AI 提问之前先问自己的问题是什么？
当你发现自己在用 AI 加速某个流程时，如何判断这是有意义的优化，还是在加固一个本应被废弃的认知车辙？
如果把“前置判断”原则应用到你的工作中，哪个现在处于流程末端的审查或反思环节，应该被搬到最前面？
团队中不同人的 Codex 设置完全不同——这揭示了“标准化工作流”的局限。在你的组织中，如何在个体认知风格和集体协作效率之间找到平衡？
材料暗示了一个令人不安的推论：AI 可能让思维敏捷的人更快，也让思维固化的人更牢固地被锁在原地。你最近在使用 AI 的过程中，是变得更愿意质疑自己的假设了，还是变得更熟练地为自己的结论寻找支撑了？