我把几个顶级AI模型“往死里用”了两天，终于明白：AI真正的门槛，是把它纳入自己的经验系统
来源：原始链接
这两天，我在一个时间紧迫且要求极高的展陈项目中，对 GPT 5.6、Fable Max 等顶级 AI 模型进行了高强度的实战测试。
乍一看，这场比拼似乎是关于谁的模型更强、生成更快。但实际上，当美国团队拿出的"参考方案"被我判定为"完全没法用"时，我发现了一个残酷的真相：AI 最容易做出来的，往往是"像方案的方案"，而真正能将 AI 转化为生产力的，是将其深度纳入个人的经验系统。
对于 AI 从业者、开发者和创业者而言，这次高强度的实战提供了一份关于 AI 落地边界的真实样本。
一、AI 放大的本质：是判断力，而非技巧
在这次涉及展陈大纲、空间逻辑、视觉表达、多媒体互动及代码开发的综合项目中，我尝试了多个能力极强的模型。它们都能给出不错的结果，但在最高层级的创意判断上，始终差一口气。
这让我意识到一个关键事实：AI 可以极大地放大一个人的能力，但它首先放大的，是这个人原本就拥有的判断力。
如果使用者自己都不知道要往哪里走，AI 大概率只能给出一套四平八稳、看似完整实则平庸的答案。真正的瓶颈不在于提示词写得是否详细，也不在于使用了多少模型，而在于你是否具备将 AI 嵌入原有经验系统的能力。
二、工作流重构：用 HTML 作为"中间控制系统"
在应对几万字的大纲和复杂的非线性内容时，传统的线性文档（如 Word）容易导致"只见树木不见森林"。为此，我在项目中引入了一种非典型的工作流：大量使用 HTML 页面来整理内容和思路。
- 立体化呈现：HTML 能将庞大的内容立体铺开，让章节关系、内容重量、视觉支撑点一目了然。
- 占位符与标签系统：通过加入占位符预先放置未完成的素材，并利用标签区分核心叙事、视觉展项、多媒体需求等，实现了对项目状态的实时掌控。
- 交互逻辑预演：简单的折叠、展开和跳转功能，实际上是在预演最终的交互逻辑。
这种做法并非来自某篇"AI 教程"，而是基于过去在策划、设计和编程领域的经验积累。它证明了：真正值钱的不是某个单一技巧，而是你能调动多少种经验来重组 AI 的工作流。
三、模型横向实测：GPT 5.6 vs Fable Max
为了摸清模型脾气，我让 GPT 5.6 和 Fable Max 同时处理同一批资料。在高密度对照下，差异显现：
-
GPT 5.6 (配合 Codex)：
- 特点：严谨、逻辑完整、执行能力强。
- 优势：擅长处理复杂程度高、结构庞大的任务，特别是在程序编写、文件管理和页面结构搭建上表现稳定。
- 体验：那种"哇"的时刻通常来自于其出色的执行力和前后衔接的完整性。
-
Fable Max：
- 特点：表达丝滑、有人情味、灵感迸发。
- 优势：常能给出高明且优雅的想法，带来意想不到的创意启发。
- 局限：近期偶尔出现稳定性下降的情况，且在处理长上下文时不如 GPT 5.6 连贯。
四、多模型协作的困境：上下文割裂与版本管理
尽管多模型并行能兼顾创意与执行，但在实际操作中暴露出显著问题：
- 上下文断裂：一旦在模型间切换，就需要不断进行"翻译"和协调，解释哪些作废、哪些保留。
- 管理成本高昂：看着一堆逐渐失控的文档和碎片化的上下文，项目管理难度呈指数级上升。
这揭示了当前 AI 工作流的一个巨大痛点：模型已经很强，但模型之间的上下文、文件和工作状态尚未真正打通。 目前的"多模型协作"更像是在管理一支临时拼凑且互不相识的团队。
五、评测方法论：拒绝"单题测试"，拥抱"压力测试"
传统的模型测评往往基于单一任务或固定题目，但这无法反映真实生产力环境。经过这两天的极限施压，我总结出更有效的模型评估维度：
- 多轮交互稳定性：看它在几十轮修改后是否跑偏。
- 长文本处理能力：能否持续保留相对完整的上下文。
- 纠错与延续能力：是否能理解修改意见并修正错误。
- 渐进式表现：有的模型第一版平平无奇，但经过几轮调整后会越来越稳。
模型不是一把锤子，而是一个有性格的合作者。 只有通过真实场景下的反复碰撞，才能摸清它的脾气。
六、生态观察：Kimi K3 与国产模型的意义
在测试过程中，我也关注到了 Kimi K3 的表现。从演示来看，其在编程和游戏生成方面的能力相当突出，视觉效果亮眼。
虽然其综合能力还需更多真实场景验证，但它的出现具有重要的战略意义：降低了普通人的使用门槛。
此前，科学上网、账号注册、支付风控等障碍限制了大量潜在用户的接入。如果国内用户能便捷地使用强大的模型，将直接抬升普通人的生产力水位。对于创业者和开发者而言，这意味着一个人加上几个 AI 工具，就有机会独立完成过去需要团队才能完成的游戏、网站或动画制作。
七、给从业者的建议：如何真正"学会" AI
基于这次实战，我对 AI 的学习和使用提出以下建议：
- 场景优先于技巧：不要先想着学 AI，而是把 AI 塞进你正在做的真实项目里。脱离具体任务的"学习"往往只能得到零散的技巧。
- 建立耐心与反馈循环：模型第一次给出的答案通常不尽如人意。要通过补充背景、指出错误、重新调整来引导它。真正的交付物是一轮轮"磨"出来的，而非"一句话生成"的。
- 形成个人方法论：最终目标是建立一套属于自己的工作流——知道哪些问题该交给 AI，哪些必须由人判断；如何用文本、代码、图片互相转换；哪些环节可以自动化。
AI 不是靠"学会"的，而是靠一次次使用、返工、失败、纠偏，最后一点一点纳入自己的经验系统。 当 AI 成为你方法论的一部分时，它才不再是一个外挂工具，而是你能力系统的延伸。