摘要：在 AI 研究里，有个被反复验证的 “苦涩教训”（The Bitter Lesson）：不管是国际象棋、围棋，还是语音识别、计算机视觉，到最后你会发现，堆算力才是最管用的。
行业的发展离不开大家的研究，尤其是在新兴领域上，大家都是在摸着石头过河。
那么现在科技发展的方向是什么？答案毫无疑问的会指向AI行业，各个国家都纷纷的在这个领域发力。
而行业中的T0梯队中，无疑会有着OpenAI的存在。
可是伴随着OpenAI公布自己的研究成果，回头却发现这样的道理中国早就已经明白。
在 AI 研究里，有个被反复验证的 “苦涩教训”（The Bitter Lesson）：不管是国际象棋、围棋，还是语音识别、计算机视觉，到最后你会发现，堆算力才是最管用的。
反而咱们强行给模型加的 “条条框框”（也就是所谓的 “结构”），往往会限制它的潜力 ，算力越猛，这种限制就越明显。
先搞明白啥叫 “结构”，其实就是咱们根据自己的经验，觉得模型 “应该” 这么解决问题，提前给它设的 “偏见”。
比如计算机视觉领域，以前研究人员折腾了几十年，根据专业知识设计了一堆特征提取工具，像 SIFT、HOG 这些，觉得模型按这个路子走准没错。
结果呢？这些手工搞出来的 “框框”，把模型局限在了咱们能想到的模式里。
后来算力上来了，数据也多了，深度网络直接从像素里自己学特征，一下就把手工方法甩远了，你看，这就是 “结构” 拖后腿的典型例子。
最近 OpenAI 的 Hyung Won Chung 在演讲里提了个有意思的研究方法，正好能对应这个 “教训”：先根据当下的算力和数据，搭必要的结构撑着；但等后面发展起来，就得把这些结构拆了，因为当初的 “捷径” 早晚会变成瓶颈。
这事儿不光在 AI 研究里算，做 AI 应用（也就是 AI 工程）也一样，我自己做 “open-deep-research” 工具的经历，就把这点体现得明明白白。
去年（2023 年）我用 AI 智能体（Agent）的时候，别提多闹心了，让大模型（LLM）靠谱地调用工具难如登天，上下文窗口还特别小。
到 2024 年初，我就盯上了 “工作流”：不让大模型自己循环调用工具，而是把它的调用步骤嵌在提前写好的代码路径里，相当于给它画好路线图。
2024 年底，我搞了个用于网络研究的 “编排器 - 工作器” 工作流：编排器是个大模型调用，接了用户需求后，先列个报告章节清单；然后一群 “工作器” 并行研究、写每个章节，最后拼到一起就行。
这里的 “结构” 很明显：我先假设大模型得这么做才能高效研究，拆章节、并行写、别用工具（怕不靠谱）。
结果到 2024 年底，情况变了。工具调用越来越好用，2025 年冬天 MCP（多模态内容处理）又火起来，明眼人都看出来，AI 智能体特别适合做研究。
可我之前加的那些 “结构”，反而成了绊脚石：没用到工具调用，就没法蹭上 MCP 生态的红利；不管啥需求都拆章节，太死板，很多情况不适用；而且并行写的章节拼起来，总感觉衔接不上，特别散。
后来我改成了多智能体系统，本以为能灵活点，也能用工具了，可又犯了个错 ，还让每个子智能体写自己的章节。
这就碰到了Cognition公司 Walden Yan 说的问题：多智能体之间很难好好沟通，报告还是散的。
直到看到 Hyung 的演讲才反应过来：更新方法的时候，咱们总容易漏拆一些自己加的 “结构”。我虽然换了智能体，却还没丢开 “并行写章节” 这个老思路。
最后我干脆把写作放到最后一步：现在系统能灵活规划研究策略，用多智能体收集信息，等信息齐了再一次性写报告。
结果在 deep research bench 测试里拿了 43.5 分，排进前 10。对一个小型开源项目来说已经不错了，甚至快赶上那些用了强化学习（RL）或者大团队做的 AI 智能体。
从这事里，能总结出 Hyung 演讲里提到的 AI 工程教训，就三条，都挺实在。
搞清楚你给应用加了啥 “结构”。比如我最初的工作流，避开工具调用是因为当时它不靠谱。可几个月后早就不是这样了。Anthropic 联合创始人 Jared Kaplan 最近还说，有时候 “先做个不完美的东西” 反而好，因为模型进步快，很快就能跟上。第二，模型进步了，就得重新看看那些 “结构” 还合不合适。我就是反应慢了点，没及时跟着工具调用的进步调整思路。
第三，搭架构的时候，得留好拆 “结构” 的口子。
Cognition 的 Walden 和 LangChain 的 Harrison 都提过，AI 智能体的抽象设计有风险，容易让你拆不了结构。
我现在还用 LangGraph 框架，但只敢用它的 “低级” 组件，比如节点、边，这样想改、想重配都方便，还能用上它的检查点这些实用功能。
现在做 AI 应用的设计思路，其实还在起步阶段。但就像 Hyung 说的，盯着咱们 “能预测” 的方向准没错 ， 模型肯定会越来越强。
所以做 AI 应用，关键是让它能接住模型进步的红利，别被自己当初加的 “框框” 困住。这大概就是 AI 工程里，最该记住的 “苦涩教训” 了。
新的领域中，大家都属于摸着石头过河，所以只能通过自己的研究了得到更好的成绩。
可是谁也不会将自己的成果送给我们，我们也只能通过自己的努力来赶超。
需要注意的是，再创新的同时也不能忽略细节上的事情。
来源：易霄寒
