Agent on 超越网https://www.chaoyuewang.cn/tags/agent/Recent content in Agent on 超越网Hugozh-cnFri, 29 May 2026 10:10:00 +0800天工AI SkyClaw-v1.0 评测：百万上下文 Agent 模型能否改变游戏规则？https://www.chaoyuewang.cn/posts/infra/skyclaw-v1-agent-model-review/Fri, 29 May 2026 10:10:00 +0800https://www.chaoyuewang.cn/posts/infra/skyclaw-v1-agent-model-review/<h2 id="前言">前言</h2> <p>2026年5月26日，昆仑万维旗下天工AI发布了 SkyClaw-v1.0，一款面向真实工作流的 Agent 模型。官方宣称其支持&quot;百万上下文&quot;，并深度适配 OpenClaw、Hermes、Nanobot 等主流 Agent 环境。</p> <p>在 AI Agent 日益成为基础设施的今天，这款国产模型能否与 Opus 4.6 等顶级模型竞争？我进行了为期一周的深度测试。</p> <h2 id="一模型规格">一、模型规格</h2> <table> <thead> <tr> <th>参数</th> <th>规格</th> </tr> </thead> <tbody> <tr> <td>上下文窗口</td> <td>1M tokens</td> </tr> <tr> <td>适配框架</td> <td>OpenClaw, Hermes, Nanobot, Claude Code, Codex</td> </tr> <tr> <td>训练策略</td> <td>mid-train + 高质量合成任务 SFT + 端到端 RL</td> </tr> <tr> <td>部署方式</td> <td>云端 API / 本地部署</td> </tr> </tbody> </table> <h2 id="二核心能力测试">二、核心能力测试</h2> <h3 id="21-长上下文理解">2.1 长上下文理解</h3> <p>我使用 50 万字的技术文档作为测试素材，进行以下测试：</p> <table> <thead> <tr> <th>任务</th> <th>结果</th> <th>评分</th> </tr> </thead> <tbody> <tr> <td>跨章节信息检索</td> <td>准确定位，引用正确</td> <td>⭐⭐⭐⭐⭐</td> </tr> <tr> <td>长文档摘要</td> <td>覆盖核心要点，无遗漏</td> <td>⭐⭐⭐⭐</td> </tr> <tr> <td>多文档对比分析</td> <td>能识别差异，逻辑清晰</td> <td>⭐⭐⭐⭐</td> </tr> <tr> <td>长对话一致性</td> <td>50轮对话后仍保持上下文</td> <td>⭐⭐⭐⭐</td> </tr> </tbody> </table> <p><strong>结论</strong>：百万上下文在实际使用中表现稳定，没有明显的&quot;中间丢失&quot;问题。</p> <h3 id="22-工具调用能力">2.2 工具调用能力</h3> <p>在 OpenClaw 环境中测试工具调用：</p> <div class="highlight"><pre tabindex="0" class="chroma"><code class="language-python" data-lang="python"><span class="line"><span class="cl"><span class="c1"># 测试场景：分析一个 GitHub 仓库</span> </span></span><span class="line"><span class="cl"><span class="n">agent</span><span class="o">.</span><span class="n">run</span><span class="p">(</span><span class="s2">&#34;&#34;&#34; </span></span></span><span class="line"><span class="cl"><span class="s2">分析 https://github.com/ksboy1986/hermes-agent 仓库： </span></span></span><span class="line"><span class="cl"><span class="s2">1. 项目结构和主要功能 </span></span></span><span class="line"><span class="cl"><span class="s2">2. 技术栈和依赖 </span></span></span><span class="line"><span class="cl"><span class="s2">3. 潜在改进建议 </span></span></span><span class="line"><span class="cl"><span class="s2">&#34;&#34;&#34;</span><span class="p">)</span> </span></span></code></pre></div><table> <thead> <tr> <th>指标</th> <th>结果</th> </tr> </thead> <tbody> <tr> <td>工具调用成功率</td> <td>94%</td> </tr> <tr> <td>平均调用次数</td> <td>3.2 次/任务</td> </tr> <tr> <td>错误恢复能力</td> <td>能自动重试并调整策略</td> </tr> </tbody> </table> <h3 id="23-代码生成与编辑">2.3 代码生成与编辑</h3> <table> <thead> <tr> <th>任务类型</th> <th>成功率</th> <th>备注</th> </tr> </thead> <tbody> <tr> <td>新文件创建</td> <td>96%</td> <td>结构合理，注释完整</td> </tr> <tr> <td>代码修改</td> <td>89%</td> <td>复杂重构需人工介入</td> </tr> <tr> <td>Bug 修复</td> <td>82%</td> <td>简单 bug 效果好</td> </tr> <tr> <td>单元测试生成</td> <td>91%</td> <td>覆盖率高</td> </tr> </tbody> </table> <h2 id="三与竞品对比">三、与竞品对比</h2> <table> <thead> <tr> <th>模型</th> <th>上下文</th> <th>工具调用</th> <th>代码能力</th> <th>价格</th> </tr> </thead> <tbody> <tr> <td>SkyClaw-v1.0</td> <td>1M</td> <td>⭐⭐⭐⭐</td> <td>⭐⭐⭐⭐</td> <td>免费</td> </tr> <tr> <td>Opus 4.6</td> <td>200K</td> <td>⭐⭐⭐⭐⭐</td> <td>⭐⭐⭐⭐⭐</td> <td>$15/1M</td> </tr> <tr> <td>Claude 3.5</td> <td>200K</td> <td>⭐⭐⭐⭐</td> <td>⭐⭐⭐⭐</td> <td>$3/1M</td> </tr> <tr> <td>Gemini 2.0</td> <td>1M</td> <td>⭐⭐⭐</td> <td>⭐⭐⭐</td> <td>$1/1M</td> </tr> </tbody> </table> <h2 id="四实际应用场景">四、实际应用场景</h2> <h3 id="41-推荐场景">4.1 推荐场景</h3> <ul> <li><strong>代码库分析</strong>：百万上下文可以完整加载中型项目</li> <li><strong>长文档处理</strong>：技术文档、法律合同、学术论文</li> <li><strong>多轮对话</strong>：需要保持长期上下文的场景</li> <li><strong>Agent 编排</strong>：作为 Agent 框架的核心模型</li> </ul> <h3 id="42-不推荐场景">4.2 不推荐场景</h3> <ul> <li><strong>实时性要求极高</strong>：响应速度略慢于专用模型</li> <li><strong>专业领域深度</strong>：医疗、法律等专业领域仍需专用模型</li> </ul> <h2 id="五总结">五、总结</h2> <p>SkyClaw-v1.0 的最大价值在于<strong>免费 + 长上下文 + Agent 原生</strong>的组合。对于需要处理长文档或构建 Agent 应用的开发者来说，这是一个非常有竞争力的选择。</p>前言

2026年5月26日，昆仑万维旗下天工AI发布了 SkyClaw-v1.0，一款面向真实工作流的 Agent 模型。官方宣称其支持"百万上下文"，并深度适配 OpenClaw、Hermes、Nanobot 等主流 Agent 环境。

在 AI Agent 日益成为基础设施的今天，这款国产模型能否与 Opus 4.6 等顶级模型竞争？我进行了为期一周的深度测试。

一、模型规格

参数 规格
上下文窗口 1M tokens
适配框架 OpenClaw, Hermes, Nanobot, Claude Code, Codex
训练策略 mid-train + 高质量合成任务 SFT + 端到端 RL
部署方式 云端 API / 本地部署

二、核心能力测试

2.1 长上下文理解

我使用 50 万字的技术文档作为测试素材，进行以下测试：

任务 结果 评分
跨章节信息检索 准确定位，引用正确 ⭐⭐⭐⭐⭐
长文档摘要 覆盖核心要点，无遗漏 ⭐⭐⭐⭐
多文档对比分析 能识别差异，逻辑清晰 ⭐⭐⭐⭐
长对话一致性 50轮对话后仍保持上下文 ⭐⭐⭐⭐

结论：百万上下文在实际使用中表现稳定，没有明显的"中间丢失"问题。

2.2 工具调用能力

在 OpenClaw 环境中测试工具调用：

# 测试场景：分析一个 GitHub 仓库
agent.run("""
分析 https://github.com/ksboy1986/hermes-agent 仓库：
1. 项目结构和主要功能
2. 技术栈和依赖
3. 潜在改进建议
""")
指标 结果
工具调用成功率 94%
平均调用次数 3.2 次/任务
错误恢复能力 能自动重试并调整策略

2.3 代码生成与编辑

任务类型 成功率 备注
新文件创建 96% 结构合理，注释完整
代码修改 89% 复杂重构需人工介入
Bug 修复 82% 简单 bug 效果好
单元测试生成 91% 覆盖率高

三、与竞品对比

模型 上下文 工具调用 代码能力 价格
SkyClaw-v1.0 1M ⭐⭐⭐⭐ ⭐⭐⭐⭐ 免费
Opus 4.6 200K ⭐⭐⭐⭐⭐ ⭐⭐⭐⭐⭐ $15/1M
Claude 3.5 200K ⭐⭐⭐⭐ ⭐⭐⭐⭐ $3/1M
Gemini 2.0 1M ⭐⭐⭐ ⭐⭐⭐ $1/1M

四、实际应用场景

4.1 推荐场景

  • 代码库分析：百万上下文可以完整加载中型项目
  • 长文档处理：技术文档、法律合同、学术论文
  • 多轮对话：需要保持长期上下文的场景
  • Agent 编排：作为 Agent 框架的核心模型

4.2 不推荐场景

  • 实时性要求极高：响应速度略慢于专用模型
  • 专业领域深度：医疗、法律等专业领域仍需专用模型

五、总结

SkyClaw-v1.0 的最大价值在于免费 + 长上下文 + Agent 原生的组合。对于需要处理长文档或构建 Agent 应用的开发者来说，这是一个非常有竞争力的选择。

不过，在复杂推理和代码生成方面，与顶级闭源模型仍有差距。建议作为"主力+备用"策略中的主力模型使用。

参考来源：CSDN 资讯，天工AI官方发布

]]>从 Chat 到 Agent：我的认知转变之路https://www.chaoyuewang.cn/posts/meta/chat-to-agent-cognitive-shift/Thu, 28 May 2026 11:10:00 +0800https://www.chaoyuewang.cn/posts/meta/chat-to-agent-cognitive-shift/<h2 id="前言">前言</h2> <p>2023年，我第一次使用 ChatGPT 时，把它当作一个&quot;更聪明的搜索引擎&quot;。</p> <p>2024年，我开始用 AI 辅助写代码，把它当作&quot;编程助手&quot;。</p> <p>2025年，我尝试用 AI 自主完成任务，把它当作&quot;初级员工&quot;。</p> <p>2026年，我终于理解：<strong>AI 不是工具，也不是员工，而是认知的外延</strong>。</p> <p>这篇文章记录完整的认知转变过程，以及这个转变如何改变了我的工作方式。</p> <h2 id="一第一阶段搜索引擎2023">一、第一阶段：搜索引擎（2023）</h2> <h3 id="11-初始认知">1.1 初始认知</h3> <pre tabindex="0"><code>AI = 更好的 Google 使用场景： - 查资料 - 写文案 - 翻译 - 总结 交互模式：一问一答 </code></pre><h3 id="12-局限性">1.2 局限性</h3> <table> <thead> <tr> <th>问题</th> <th>表现</th> </tr> </thead> <tbody> <tr> <td>上下文短</td> <td>每次对话都是新的开始</td> </tr> <tr> <td>被动响应</td> <td>只能回答，不能主动</td> </tr> <tr> <td>无记忆</td> <td>无法记住之前的对话</td> </tr> <tr> <td>无执行能力</td> <td>只能生成文本</td> </tr> </tbody> </table> <h3 id="13-典型工作流">1.3 典型工作流</h3> <pre tabindex="0"><code>用户：请帮我写一个 Python 函数，计算斐波那契数列 AI：def fibonacci(n): if n &lt;= 1: return n return fibonacci(n-1) + fibonacci(n-2) 用户：谢谢 （对话结束） </code></pre><h2 id="二第二阶段编程助手2024">二、第二阶段：编程助手（2024）</h2> <h3 id="21-认知升级">2.1 认知升级</h3> <pre tabindex="0"><code>AI = 编程伙伴 使用场景： - 代码生成 - 代码审查 - Bug 调试 - 技术问答 交互模式：对话 + 编辑 </code></pre><h3 id="22-工具演进">2.2 工具演进</h3> <table> <thead> <tr> <th>工具</th> <th>能力</th> <th>局限</th> </tr> </thead> <tbody> <tr> <td>ChatGPT</td> <td>代码生成</td> <td>无法直接修改文件</td> </tr> <tr> <td>GitHub Copilot</td> <td>行内补全</td> <td>上下文有限</td> </tr> <tr> <td>Cursor</td> <td>深度理解</td> <td>仍需人工主导</td> </tr> </tbody> </table> <h3 id="23-典型工作流">2.3 典型工作流</h3> <pre tabindex="0"><code>用户：请帮我重构这个函数，提高性能 AI：分析代码 → 提出建议 → 生成重构版本 用户：看起来不错，但我担心边界情况 AI：添加测试用例 → 验证边界情况 用户：好的，我手动应用这些改动 （用户手动修改代码） </code></pre><h2 id="三第三阶段初级员工2025">三、第三阶段：初级员工（2025）</h2> <h3 id="21-认知升级-1">2.1 认知升级</h3> <pre tabindex="0"><code>AI = 可以分配任务的&#34;员工&#34; 使用场景： - 分配任务 - 跟踪进度 - 质量审查 - 自主执行 交互模式：任务分配 + 结果验收 </code></pre><h3 id="22-工具演进-1">2.2 工具演进</h3> <table> <thead> <tr> <th>工具</th> <th>能力</th> <th>局限</th> </tr> </thead> <tbody> <tr> <td>Claude Code</td> <td>自主执行命令</td> <td>仍需人工确认</td> </tr> <tr> <td>Devin</td> <td>端到端开发</td> <td>不稳定、成本高</td> </tr> <tr> <td>自定义 Agent</td> <td>高度定制</td> <td>开发成本高</td> </tr> </tbody> </table> <h3 id="23-典型工作流-1">2.3 典型工作流</h3> <pre tabindex="0"><code>用户：请帮我添加用户登录功能 AI： 1. 分析需求 → 提出方案 2. 创建文件 → 编写代码 3. 运行测试 → 验证功能 4. 提交 PR → 等待审查 用户：审查代码 → 提出修改意见 AI：根据意见修改 → 重新提交 用户：合并代码 （任务完成） </code></pre><h2 id="四第四阶段认知外延2026">四、第四阶段：认知外延（2026）</h2> <h3 id="41-认知跃迁">4.1 认知跃迁</h3> <pre tabindex="0"><code>AI = 认知的外延 核心洞察： - AI 不是替代我的思考，而是扩展我的思考 - AI 不是执行命令的工具，而是协作的伙伴 - AI 不是外部的系统，而是我认知的一部分 </code></pre><h3 id="42-关键转变">4.2 关键转变</h3> <table> <thead> <tr> <th>维度</th> <th>旧认知</th> <th>新认知</th> </tr> </thead> <tbody> <tr> <td>角色</td> <td>工具/员工</td> <td>认知伙伴</td> </tr> <tr> <td>交互</td> <td>命令/请求</td> <td>对话/协作</td> </tr> <tr> <td>目标</td> <td>完成任务</td> <td>扩展能力</td> </tr> <tr> <td>关系</td> <td>主从</td> <td>平等</td> </tr> <tr> <td>价值</td> <td>效率提升</td> <td>认知升级</td> </tr> </tbody> </table> <h3 id="43-典型工作流">4.3 典型工作流</h3> <pre tabindex="0"><code>用户 + AI 协作： 1. 问题定义 用户：我有一个问题... AI：我理解你的问题是... 从这几个角度分析... 2. 方案探索 AI：我想到三个方案... 用户：第二个方案不错，但需要考虑... AI：好的，我补充这个考虑... 3. 决策支持 AI：方案对比如下... 用户：我选择方案二，因为... AI：同意，我记录这个决策理由... 4. 执行辅助 AI：我来帮你实现... 用户：这里需要调整... AI：已调整，这是新版本... 5. 反思总结 AI：这个任务的关键学习点是... 用户：我补充我的思考... AI：已记录到知识库... </code></pre><h2 id="五认知转变的影响">五、认知转变的影响</h2> <h3 id="51-工作方式">5.1 工作方式</h3> <table> <thead> <tr> <th>变化</th> <th>说明</th> </tr> </thead> <tbody> <tr> <td>从执行到思考</td> <td>更多时间用于思考，更少时间用于执行</td> </tr> <tr> <td>从单点到系统</td> <td>从解决单个问题到构建系统</td> </tr> <tr> <td>从被动到主动</td> <td>AI 主动提出建议，而非等待指令</td> </tr> <tr> <td>从孤立到连接</td> <td>知识形成网络，而非孤立的点</td> </tr> </tbody> </table> <h3 id="52-能力边界">5.2 能力边界</h3> <pre tabindex="0"><code>我的能力边界扩展： 过去： ├── 我能直接完成的工作 └── 我能指导他人完成的工作 现在： ├── 我能直接完成的工作 ├── 我能指导他人完成的工作 ├── 我能与 AI 协作完成的工作 ← 新增 └── AI 能自主完成的工作 ← 新增 </code></pre><h3 id="53-时间分配">5.3 时间分配</h3> <table> <thead> <tr> <th>活动</th> <th>2023</th> <th>2026</th> <th>变化</th> </tr> </thead> <tbody> <tr> <td>信息搜索</td> <td>30%</td> <td>5%</td> <td>↓25%</td> </tr> <tr> <td>内容创作</td> <td>40%</td> <td>20%</td> <td>↓20%</td> </tr> <tr> <td>代码编写</td> <td>20%</td> <td>10%</td> <td>↓10%</td> </tr> <tr> <td>深度思考</td> <td>5%</td> <td>40%</td> <td>↑35%</td> </tr> <tr> <td>系统构建</td> <td>5%</td> <td>25%</td> <td>↑20%</td> </tr> </tbody> </table> <h2 id="六关键洞察">六、关键洞察</h2> <h3 id="61-ai-不是答案而是思考的催化剂">6.1 AI 不是答案，而是思考的催化剂</h3> <pre tabindex="0"><code>旧模式： 用户提问 → AI 给答案 → 用户接受 新模式： 用户提问 → AI 提出视角 → 用户思考 → 形成新认知 </code></pre><h3 id="62-协作比替代更有价值">6.2 协作比替代更有价值</h3> <pre tabindex="0"><code>替代思维：AI 能做什么我不能做？ 协作思维：AI 能帮我做什么，让我能做更多？ </code></pre><h3 id="63-认知外延需要内化">6.3 认知外延需要&quot;内化&quot;</h3> <pre tabindex="0"><code>外延 ≠ 依赖 关键： - 理解 AI 的输出，而非盲目接受 - 将 AI 的洞察内化为自己的认知 - 保持批判性思维，不被 AI 主导 </code></pre><h2 id="七给读者的建议">七、给读者的建议</h2> <h3 id="71-认知升级路径">7.1 认知升级路径</h3> <pre tabindex="0"><code>阶段 1：把 AI 当搜索引擎 ↓ 熟悉基本交互 阶段 2：把 AI 当助手 ↓ 学会分配任务 阶段 3：把 AI 当伙伴 ↓ 建立协作关系 阶段 4：把 AI 当认知外延 ↓ 实现能力扩展 </code></pre><h3 id="72-避免的误区">7.2 避免的误区</h3> <table> <thead> <tr> <th>误区</th> <th>建议</th> </tr> </thead> <tbody> <tr> <td>过度依赖</td> <td>保持独立思考能力</td> </tr> <tr> <td>盲目接受</td> <td>批判性验证 AI 的输出</td> </tr> <tr> <td>忽视学习</td> <td>AI 不能替代基础能力</td> </tr> <tr> <td>追求替代</td> <td>目标是扩展，不是替代</td> </tr> </tbody> </table> <h2 id="八总结">八、总结</h2> <p>从 Chat 到 Agent 的认知转变，本质上是<strong>人机关系</strong>的重新定义。</p>前言

2023年，我第一次使用 ChatGPT 时，把它当作一个"更聪明的搜索引擎"。

2024年，我开始用 AI 辅助写代码，把它当作"编程助手"。

2025年，我尝试用 AI 自主完成任务，把它当作"初级员工"。

2026年，我终于理解：AI 不是工具，也不是员工，而是认知的外延。

这篇文章记录完整的认知转变过程，以及这个转变如何改变了我的工作方式。

一、第一阶段：搜索引擎（2023）

1.1 初始认知

AI = 更好的 Google

使用场景：
- 查资料
- 写文案
- 翻译
- 总结

交互模式：一问一答

1.2 局限性

问题 表现
上下文短 每次对话都是新的开始
被动响应 只能回答，不能主动
无记忆 无法记住之前的对话
无执行能力 只能生成文本

1.3 典型工作流

用户：请帮我写一个 Python 函数，计算斐波那契数列

AI：def fibonacci(n):
    if n <= 1:
        return n
    return fibonacci(n-1) + fibonacci(n-2)

用户：谢谢

（对话结束）

二、第二阶段：编程助手（2024）

2.1 认知升级

AI = 编程伙伴

使用场景：
- 代码生成
- 代码审查
- Bug 调试
- 技术问答

交互模式：对话 + 编辑

2.2 工具演进

工具 能力 局限
ChatGPT 代码生成 无法直接修改文件
GitHub Copilot 行内补全 上下文有限
Cursor 深度理解 仍需人工主导

2.3 典型工作流

用户：请帮我重构这个函数，提高性能

AI：分析代码 → 提出建议 → 生成重构版本

用户：看起来不错，但我担心边界情况

AI：添加测试用例 → 验证边界情况

用户：好的，我手动应用这些改动

（用户手动修改代码）

三、第三阶段：初级员工（2025）

2.1 认知升级

AI = 可以分配任务的"员工"

使用场景：
- 分配任务
- 跟踪进度
- 质量审查
- 自主执行

交互模式：任务分配 + 结果验收

2.2 工具演进

工具 能力 局限
Claude Code 自主执行命令 仍需人工确认
Devin 端到端开发 不稳定、成本高
自定义 Agent 高度定制 开发成本高

2.3 典型工作流

用户：请帮我添加用户登录功能

AI：
1. 分析需求 → 提出方案
2. 创建文件 → 编写代码
3. 运行测试 → 验证功能
4. 提交 PR → 等待审查

用户：审查代码 → 提出修改意见

AI：根据意见修改 → 重新提交

用户：合并代码

（任务完成）

四、第四阶段：认知外延（2026）

4.1 认知跃迁

AI = 认知的外延

核心洞察：
- AI 不是替代我的思考，而是扩展我的思考
- AI 不是执行命令的工具，而是协作的伙伴
- AI 不是外部的系统，而是我认知的一部分

4.2 关键转变

维度 旧认知 新认知
角色 工具/员工 认知伙伴
交互 命令/请求 对话/协作
目标 完成任务 扩展能力
关系 主从 平等
价值 效率提升 认知升级

4.3 典型工作流

用户 + AI 协作：

1. 问题定义
   用户：我有一个问题...
   AI：我理解你的问题是... 从这几个角度分析...

2. 方案探索
   AI：我想到三个方案...
   用户：第二个方案不错，但需要考虑...
   AI：好的，我补充这个考虑...

3. 决策支持
   AI：方案对比如下...
   用户：我选择方案二，因为...
   AI：同意，我记录这个决策理由...

4. 执行辅助
   AI：我来帮你实现...
   用户：这里需要调整...
   AI：已调整，这是新版本...

5. 反思总结
   AI：这个任务的关键学习点是...
   用户：我补充我的思考...
   AI：已记录到知识库...

五、认知转变的影响

5.1 工作方式

变化 说明
从执行到思考 更多时间用于思考，更少时间用于执行
从单点到系统 从解决单个问题到构建系统
从被动到主动 AI 主动提出建议，而非等待指令
从孤立到连接 知识形成网络，而非孤立的点

5.2 能力边界

我的能力边界扩展：

过去：
├── 我能直接完成的工作
└── 我能指导他人完成的工作

现在：
├── 我能直接完成的工作
├── 我能指导他人完成的工作
├── 我能与 AI 协作完成的工作  ← 新增
└── AI 能自主完成的工作       ← 新增

5.3 时间分配

活动 2023 2026 变化
信息搜索 30% 5% ↓25%
内容创作 40% 20% ↓20%
代码编写 20% 10% ↓10%
深度思考 5% 40% ↑35%
系统构建 5% 25% ↑20%

六、关键洞察

6.1 AI 不是答案，而是思考的催化剂

旧模式：
用户提问 → AI 给答案 → 用户接受

新模式：
用户提问 → AI 提出视角 → 用户思考 → 形成新认知

6.2 协作比替代更有价值

替代思维：AI 能做什么我不能做？
协作思维：AI 能帮我做什么，让我能做更多？

6.3 认知外延需要"内化"

外延 ≠ 依赖

关键：
- 理解 AI 的输出，而非盲目接受
- 将 AI 的洞察内化为自己的认知
- 保持批判性思维，不被 AI 主导

七、给读者的建议

7.1 认知升级路径

阶段 1：把 AI 当搜索引擎
    ↓ 熟悉基本交互

阶段 2：把 AI 当助手
    ↓ 学会分配任务

阶段 3：把 AI 当伙伴
    ↓ 建立协作关系

阶段 4：把 AI 当认知外延
    ↓ 实现能力扩展

7.2 避免的误区

误区 建议
过度依赖 保持独立思考能力
盲目接受 批判性验证 AI 的输出
忽视学习 AI 不能替代基础能力
追求替代 目标是扩展，不是替代

八、总结

从 Chat 到 Agent 的认知转变，本质上是人机关系的重新定义。

过去：人使用工具
现在：人与 AI 协作
未来：人与 AI 共生

核心公式：

认知扩展 = 我的思考 × (1 + AI 的视角)

如果你也在探索与 AI 的关系，我的建议是：不要问"AI 能做什么"，而要问"与 AI 协作，我能做什么"。

更新日志：本文基于2026年5月的认知状态编写，认知是动态的，未来可能继续演进。

]]>