波蘭尼的“默會(huì)知識”與 AI 時(shí)代的 70% 天花板，真正的直覺、體感與判斷力只能在也許只能實(shí)踐中生長。

最近有一個(gè)很流行的說法：把員工的知識“蒸餾”進(jìn) AI 里。

做法大同小異。讓資深員工寫 SOP，梳理排障手冊，把多年經(jīng)驗(yàn)整理成文檔，然后作為上下文喂給 Agent 復(fù)制這個(gè)人的能力。

聽起來很有吸引力：一個(gè)人只能 7×24 值守一套系統(tǒng)，AI 可以同時(shí)盯一萬套。把專家蒸餾成 Agent，就等于把一個(gè)人復(fù)制一萬份。

很多公司已經(jīng)在這么干了。DBA Agent、運(yùn)維 Agent、客服 Agent、法務(wù) Agent，遍地開花。老馮自己也在做 DBA Agent。

但我想說一個(gè)不太好聽的事實(shí)：這條路有一個(gè)非常硬的天花板，而大部分人還沒撞到它。

二、70% 的天花板

老馮自己就是個(gè)例子。

搞了十年 PostgreSQL，在 PG DBA 領(lǐng)域算是做到了天花板。雖然我確實(shí)能把很多東西寫成文檔，參數(shù)怎么調(diào)、索引怎么建、高可用怎么搭、備份恢復(fù)怎么做，這些知識都是可以顯性化的，寫出來就是 SOP，喂給 AI 就能用。開源 PG 發(fā)行版 Pigsty 本身就是老馮蒸餾自己的產(chǎn)物：把專家經(jīng)驗(yàn)固化為代碼和配置。

但我非常誠實(shí)地說：我寫得出來的，大概只有我能力的 70%。

剩下的 30% 是什么？

是我看一眼 Grafana 儀表盤就覺得“不對勁”的那種感覺。是兩個(gè)方案都說得通的時(shí)候，我選了那個(gè)“對”的，但你問我為什么，我只能說“直覺”。是生產(chǎn)環(huán)境出了一個(gè)從沒見過的故障，所有文檔都沒覆蓋到，但我能從過去的經(jīng)驗(yàn)碎片中涌現(xiàn)出一條新的解決路徑。

這些東西，我寫不出來。不是不愿意寫，是它們根本不以可寫的形式存在。我在寫 SOP 的時(shí)候經(jīng)常遇到這種情況：寫到某一步，我知道實(shí)際操作中我會(huì)根據(jù)“當(dāng)時(shí)的感覺”做一個(gè)判斷，但這個(gè)判斷沒法編碼成一條規(guī)則。我只能寫“請根據(jù)實(shí)際情況酌情處理”這八個(gè)字就是那 30% 的馬甲。

你讓一個(gè)初級工程師看到“請根據(jù)實(shí)際情況酌情處理”，他只會(huì)茫然。因?yàn)椤白们椤钡哪芰Σ辉谖臋n里。

三、波蘭尼早就說過

這個(gè)現(xiàn)象不是老馮第一個(gè)發(fā)現(xiàn)的。六十多年前就有人把它說透了。

1958 年，匈牙利裔英國學(xué)者邁克爾·波蘭尼（Michael Polanyi）在他的巨著《個(gè)人知識》里寫了一句話：

“We can know more than we can tell.”

我們知道的，遠(yuǎn)比我們能說出來的多。

波蘭尼不是書齋哲學(xué)家。他首先是一個(gè)硬核科學(xué)家，物理化學(xué)家，在柏林威廉皇帝研究所干了十三年，發(fā)了兩百多篇論文，是勢能面理論的奠基人之一。1948 年他把物理化學(xué)教席換成了社會(huì)研究教席，全職搞哲學(xué)，因?yàn)樗诳茖W(xué)實(shí)踐中深刻地感受到，最重要的知識恰恰是形式化方法捕捉不了的那部分。

他用余生搭建了一套理論。核心有三層：

第一層：背景與焦點(diǎn)。 所有認(rèn)知都有雙層結(jié)構(gòu)。你釘釘子時(shí)注意力在釘子上（焦點(diǎn)），對手掌的觸感只有模糊的背景覺察。你開車時(shí)注意力在路況上，對方向盤和踏板的操控只有背景覺察。關(guān)鍵是，這個(gè)結(jié)構(gòu)不可逆：釘釘子時(shí)一旦把注意力轉(zhuǎn)向手掌的肌肉發(fā)力，你立刻釘不準(zhǔn)。老司機(jī)開車時(shí)一旦刻意關(guān)注自己的腳怎么踩剎車，反而會(huì)踩錯(cuò)。有些知識只能待在“背景”里才管用。你一旦試圖把它拎到“焦點(diǎn)”下審視，它就失效了。

第一，“From-To”結(jié)構(gòu)。 人類認(rèn)知永遠(yuǎn)是“從”一些你沒在直接關(guān)注的東西出發(fā)，“到”你真正關(guān)注的目標(biāo)。你釘釘子時(shí)注意力在釘子上（焦點(diǎn)），對手掌的感覺只有背景覺察（輔助）。關(guān)鍵特性是不可逆，釘釘子時(shí)一旦把注意力轉(zhuǎn)向手掌肌肉，你立刻釘不準(zhǔn)。鋼琴家演奏中關(guān)注手指肌肉，立刻彈崩。有些知識只能待在“From”的位置上才能發(fā)揮作用。你一旦試圖把它拎出來看清楚（變成“To”），它就失效了。

第二，寓居（Indwelling）。 盲人用拐杖探路，意識不在手柄而在路面，拐杖已成為身體的延伸，他“住進(jìn)”了拐杖里。同理，老司機(jī)“住進(jìn)”了他的車，老廚師“住進(jìn)”了他的廚房，程序員“住進(jìn)”了他的編輯器。你把一個(gè)用了十年 Vim 的人換成別的編輯器，不只是換工具，你切掉了他一部分思考能力。專家和他的工具、環(huán)境之間，不是“使用”關(guān)系，是“融合”關(guān)系。

第三層：不可完全形式化。 這不是“暫時(shí)說不出來”。波蘭尼的主張更強(qiáng)：默會(huì)知識是一切知識的地基。你把一個(gè)技巧寫成手冊，讀手冊的人需要新的默會(huì)知識來理解它。外化了一層，底下還有一層。像剝洋蔥，永遠(yuǎn)剝不到一個(gè)沒有皮的核心。

波蘭尼之后，日本管理學(xué)家野中郁次郎把他的理論簡化成了“SECI 模型”，假設(shè)隱性知識可以被“外化”為顯性知識。這個(gè)簡化版極為流行，也是“隱性知識”在中文世界的主要傳播渠道。但它恰恰扭曲了波蘭尼最銳利的洞察。而今天的“蒸餾員工”，本質(zhì)上就是 SECI 模型的 AI 時(shí)代翻版，還是那個(gè)假設(shè)：只要方法對，隱性知識就能被顯性化。

波蘭尼說：不能。你以為你在蒸餾知識，其實(shí)你蒸餾的只是知識的副產(chǎn)品。

四、棋譜不等于棋感

用深度學(xué)習(xí)打個(gè)比方

專家的大腦是一個(gè)訓(xùn)練了十年的神經(jīng)網(wǎng)絡(luò)。你讓他寫 SOP，相當(dāng)于讓這個(gè)網(wǎng)絡(luò)導(dǎo)出一批推理日志。日志確實(shí)反映了網(wǎng)絡(luò)的部分能力，但不等于網(wǎng)絡(luò)本身。

然后你把這些日志塞給 Agent 當(dāng)提示詞。

專家的輸出，變成了 Agent 的輸入。層次差了一級。

現(xiàn)在許多模型都在蒸餾 Claude，用 Claude 輸出訓(xùn)練數(shù)據(jù)，但沒有一個(gè)真正做到 Claude 的水準(zhǔn)。

因?yàn)椋隳玫降氖且粋€(gè)高手下棋的棋譜，不是高手本身。棋譜能讓初學(xué)者快速進(jìn)步，但光看棋譜是成不了高手的，因?yàn)楦呤值哪芰Σ辉谄遄V里，在“棋感”里。

棋感是什么？是權(quán)重。是那個(gè)被十年對弈反復(fù)錘打過的神經(jīng)回路。它決定了高手“怎么想”，而不僅僅是“想什么”。你給 AI 再多棋譜（SOP），改變的是它“想什么”（輸入），不是它“怎么想”（參數(shù)）。

這就是 70% 天花板的本質(zhì)：SOP 編碼的是推理日志，但專家直覺活在權(quán)重里。你蒸餾不出權(quán)重。

五、濕件體感

那專家的那 30% 到底是什么？它怎么來的？

在計(jì)算機(jī)文化中，相對于硬件（Hardware）和軟件（Software），人的大腦和身體被稱為濕件（Wetware），碳基的、含水的、活的計(jì)算基質(zhì)。專家那 30% 的判斷力，老馮管它叫濕件體感。

硬件和軟件可復(fù)制、可序列化。濕件有一個(gè)致命的不同：計(jì)算和存儲不可分離。 馮·諾依曼架構(gòu)里 CPU 和內(nèi)存是分開的。但在大腦里，神經(jīng)元既是計(jì)算單元也是存儲單元，知識結(jié)構(gòu)決定感知方式，感知方式又重塑知識結(jié)構(gòu)。每一次使用都在改造基質(zhì)本身。

而“體感”不是比喻。認(rèn)知科學(xué)家 Damasio 的“軀體標(biāo)記假說”指出：大腦做決策時(shí)會(huì)重激活過去類似情境中的身體狀態(tài)，心率、肌肉張力、內(nèi)臟感受，用這些信號快速縮小決策空間。高階專業(yè)判斷確實(shí)以身體感覺的形式運(yùn)作：胸口發(fā)緊、直覺不對、說不清哪里但就是不舒服。

老飛行員在氣流顛簸中知道“沒事”還是“要拉起來”。老司機(jī)過彎時(shí)腳上就知道該給多少油。老廚師顛勺時(shí)手上就知道咸淡。老中醫(yī)三根手指搭上去就知道“滑”還是“澀”。這些不是邏輯推理，是身體在重放過去無數(shù)次類似情境的感覺模式。

這種體感怎么長出來？四個(gè)條件缺一不可：

時(shí)間。 不是讀一萬小時(shí)資料，是在真實(shí)場景中暴露一萬小時(shí)。

后果。 犯了錯(cuò)會(huì)真的出事，沒有真實(shí)后果就沒有情緒標(biāo)記，模式刻不進(jìn)身體。

歸因。 做了決策，要能快速看到后果并歸因到自己頭上。

變異。 同類問題的不同變體反復(fù)出現(xiàn)，迫使身體發(fā)展彈性而非背答案。

合在一起，這不是信息的輸入、存儲、檢索，是神經(jīng)回路在真實(shí)后果的壓力下被反復(fù)雕刻。

以前這個(gè)過程有個(gè)名字：學(xué)徒制。師父帶徒弟，不是把 SOP 塞給他，是讓他在真實(shí)環(huán)境里跟著干，用手去摸、用眼去看、用身體去試錯(cuò)。讀再多書不動(dòng)手，形不成手感。手感只能在真實(shí)的環(huán)境中長出來。

這是波蘭尼六十年前就說透了的事情。

六、AI Agent 的天花板

現(xiàn)在把這個(gè)框架對準(zhǔn) AI Agent。

當(dāng)前所有 Agent 框架，無論怎么包裝，本質(zhì)上都在同一層發(fā)力，Harness 層：系統(tǒng)提示詞、工具定義、RAG 知識庫、SOP 決策樹、Few-shot 示例。全部是顯性的、可序列化的。用波蘭尼的話說：全是焦點(diǎn)知識，全是推理日志。

Harness 層確實(shí)能做到不錯(cuò)的水平。一個(gè)頂尖專家把 70% 的能力編碼進(jìn)去，Agent 就能在大部分日常場景中表現(xiàn)得像個(gè)靠譜的中級從業(yè)者。這已經(jīng)有巨大的商業(yè)價(jià)值，因?yàn)榇罅咳粘９ぷ鞅揪褪抢械摹⒖梢?guī)則化的。

但天花板在那里。

那種“SOP 說不清，現(xiàn)場才知道”的專家直覺，不在 Harness 層。它活在權(quán)重里。而當(dāng)前的 Agent 架構(gòu)不動(dòng)權(quán)重，LLM 推理時(shí)是“只讀”的，無論你給多豐富的上下文，它的參數(shù)一個(gè)也不會(huì)變。

這意味著：當(dāng)前的 Agent 可以在上下文中“記住”上次的錯(cuò)誤，但不會(huì)因此“變成”一個(gè)不犯這種錯(cuò)誤的 Agent。 記住教訓(xùn)是數(shù)據(jù)層面的操作；長出直覺是權(quán)重層面的改變。

它能仿真一個(gè)照章辦事的中級工程師，但模擬不了專家的直覺。

七、給 Agent 一個(gè)身體

那怎么辦？老馮的判斷是兩步。

第一步：給 Agent 一個(gè)可以“住進(jìn)去”的環(huán)境。

波蘭尼說知識必須“寓居”在環(huán)境中。翻譯成工程語言：Agent 不能只有大腦（LLM），還需要一個(gè)持久的、有狀態(tài)的、有后果的運(yùn)行環(huán)境。這個(gè)東西叫Runtime，Agent 的身體。

老馮做的 DBA Agent，它的 Runtime 就是 Pigsty，Pigsty 是它“寓居”的環(huán)境。監(jiān)控系統(tǒng)是它的“眼睛”，CLI 工具是它的“手腳”。它在這個(gè)環(huán)境中持續(xù)運(yùn)行，每次操作都有真實(shí)后果，后果被記錄下來影響后續(xù)決策。這就是學(xué)徒期，在真實(shí)環(huán)境中積累實(shí)踐體感。

一個(gè)跑了一年的 Agent 和一個(gè)剛部署的同模型 Agent，能力天差地別。不是模型變了，是前者在 Runtime 里積累了經(jīng)驗(yàn)，操作歷史、失敗記錄、對這個(gè)系統(tǒng)脾氣的記憶。

第二步：讓體感沉淀回權(quán)重。

光有 Runtime 還不夠。你可以把實(shí)踐中的經(jīng)驗(yàn)記錄下來塞回提示詞，把 Harness 層的天花板再往上抬，也許能到 80% 甚至 90% 分位點(diǎn)。但真正的專家直覺，那種不查記錄就知道該怎么做的能力，老馮的直覺是：最終只能通過調(diào)整權(quán)重來實(shí)現(xiàn)。Agent 積累的經(jīng)驗(yàn)不能只存在上下文里，得回灌到模型參數(shù)中去，真正改變它“怎么想”。

這是當(dāng)前 AI 架構(gòu)的根本缺失。LLM 推理時(shí)權(quán)重不變，不會(huì)因?yàn)榻裉斓牟僮髟诿魈熳兂筛玫哪Ｐ汀６锎竽X每時(shí)每刻都在重塑突觸連接，特別是睡眠時(shí)。也許未來的方向是某種持續(xù)學(xué)習(xí)機(jī)制：白天執(zhí)行積累經(jīng)驗(yàn)，定期增量微調(diào)更新權(quán)重，像人類睡眠一樣，白天干活，晚上整理。

但即便如此，馮·諾依曼架構(gòu)下計(jì)算和存儲的分離，仍是根本瓶頸。真正的“每次使用都在改造自身”，可能需要全新的硬件范式。也許這也會(huì)是本地推理的一個(gè)真正殺手級動(dòng)機(jī)，運(yùn)行在真正環(huán)境中培養(yǎng)出濕件體感的千人千面的模型。

這是后話。但方向是清楚的。

八、智能可以下載，體感只能生長

回到開頭的問題：專家能被蒸餾嗎？

能。但只能蒸餾 70%。

那 70% 是 SOP、文檔、規(guī)則，可以喂給 AI，效果立竿見影。一個(gè)中高級水平的 Agent 能解決大量重復(fù)性工作，為此付出的努力完全值得。

但剩下的 30%，專家直覺、實(shí)踐體感、那種說不出來但確實(shí)知道的判斷力，蒸餾不出來。 波蘭尼六十年前就解釋了為什么：它不是信息，是結(jié)構(gòu)；不是推理日志，是權(quán)重；不是你“擁有”的東西，是你“成為”的東西。

對人來說：你最不可替代的不是你知道什么，而是你被真實(shí)后果反復(fù)錘打后“成為”的那個(gè)判斷者。護(hù)城河不在腦子里，在身體里。AI 能復(fù)制你寫下的一切，但復(fù)制不了你這個(gè)人。

對 Agent 來說：光有大腦和知識不夠，還需要身體（Runtime）和成長（權(quán)重更新）。Harness 層走到 70%，Runtime 經(jīng)驗(yàn)也許到 85%，但逼近專家水平需要觸及權(quán)重層，這是當(dāng)前架構(gòu)最缺的一環(huán)。

波蘭尼用一生論證了一件事：知識不是一種“東西”，而是一種“關(guān)系”，認(rèn)知者與世界之間活的、動(dòng)態(tài)的耦合。你把它從關(guān)系中抽出來變成可傳輸?shù)膶ο螅筒辉偈窃瓉淼臇|西了。

智能可以下載，體感只能生長。

六十年前一個(gè)放棄了實(shí)驗(yàn)室的科學(xué)家說出的道理，今天仍然是 AI 時(shí)代的定海神針。

參考文獻(xiàn)

?Michael Polanyi,《Personal Knowledge》, 1958?Michael Polanyi,《The Tacit Dimension》, 1966?Antonio Damasio,《Descartes' Error》, 1994?Ikujiro Nonaka,《The Knowledge-Creating Company》, 1995

老馮公眾號文章下面，經(jīng)常有人留言三個(gè)字：“AI 寫的”。

對，我用 AI，而且用得很深。老馮不覺得這有什么需要遮掩的。

但我覺得這個(gè)話題本身值得認(rèn)真聊一次 —— 一個(gè)人到底該怎么用 AI 來創(chuàng)作，以及“AI 寫的”這個(gè)評價(jià)到底意味著什么。

我怎么用 AI 寫文章

先講一遍老馮寫文章的流程，您自己判斷，這算不算“AI 寫的”。

選題是我的。 我每天在各個(gè)領(lǐng)域有大量閱讀、思考和交流。很多主題我都會(huì)與 Claude 進(jìn)行探討。有時(shí)候，一些交流的對話讓我感覺值得記錄和分享，就會(huì)嘗試將它轉(zhuǎn)換成一篇文章，這就是一篇公眾號文章的起點(diǎn)。

思路和骨架是我的。 選好題之后，我會(huì)想清楚從哪里切入、觀點(diǎn)是什么、用什么論據(jù)、邏輯怎么展開。這是一篇文章真正的靈魂。想明白了，才會(huì)把骨架交給 AI 去填充初稿。

交叉事實(shí)核查。 初稿出來后，我會(huì)分別丟給 Gemini 和 ChatGPT 交叉驗(yàn)證。幾家 AI 對事實(shí)沒異議就默認(rèn)通過；關(guān)鍵事實(shí)我還會(huì)自己查原始來源，確保引用沒有偏差，畢竟鍋是我來背的。

三到五輪反復(fù)打磨。 AI 出初稿后，我會(huì)通讀全文逐一調(diào)整——論證不嚴(yán)謹(jǐn)?shù)母恼撟C，措辭不對味的改措辭，結(jié)構(gòu)不順的推倒重來。三到五輪是常態(tài)。

最后是標(biāo)題、配圖和排版。 正文確定后用 Codex 排版。標(biāo)題讓 AI 生成 100 個(gè)候選，精選 10 個(gè)推薦，我從中選方向，自己打磨出最終版。配圖也類似：讓 Claude 根據(jù)文章設(shè)計(jì) 5 種不同場景，再根據(jù)我選擇的場景生成 5 種提示詞，最后丟給圖片模型生成。

整個(gè)流程下來，過去要花幾個(gè)小時(shí)的文章，現(xiàn)在幾十分鐘就行了——效率提升好幾倍，內(nèi)容的深度和銳度沒有打折。畢竟老馮說到底是一個(gè)數(shù)據(jù)庫發(fā)行版作者、創(chuàng)業(yè)者，不是全職自媒體，不靠寫文章掙錢，也沒有那么多時(shí)間來折騰。AI 能讓我省幾倍的時(shí)間，我一定會(huì)用。想看“全人工有機(jī)手搓內(nèi)容”？我這兒反正沒有。

“AI 寫的”到底在說什么

理解了上面的流程，再來看“AI 寫的”這個(gè)評價(jià)就很有意思了。

表面上是事實(shí)判斷，但仔細(xì)想想，這其實(shí)是一條極其廉價(jià)的批評路徑，也是一種獲取認(rèn)知優(yōu)越感的低級裝逼行為。

對一篇文章做實(shí)質(zhì)性反駁，需要專業(yè)知識和思考成本——你得說清楚哪個(gè)觀點(diǎn)有誤，哪段論證有漏洞，哪個(gè)事實(shí)不對。而“AI 寫的”三個(gè)字成本近乎為零，卻能一次性否定整篇文章。不需要?jiǎng)幽X子，貼個(gè)標(biāo)簽就完成了解構(gòu)。這幾個(gè)字沒有貢獻(xiàn)任何增量信息，只是完成了一次自我表演。

留下這種評論的人，腦子里跑的推理鏈大概是：“AI 寫的 → 不是他真正的思考 → 沒什么價(jià)值 → 他在糊弄讀者”。但這條鏈的每一環(huán)都經(jīng)不起推敲。用 AI 輔助寫作和用搜索引擎輔助調(diào)研、用 IDE 輔助編程、用計(jì)算器輔助運(yùn)算有什么本質(zhì)區(qū)別？衡量一篇文章的標(biāo)準(zhǔn)從來不是“用什么工具生成的”，而是內(nèi)容本身對不對、好不好、有沒有洞見。用工具問題替換內(nèi)容問題，恰好回避了真正需要?jiǎng)幽X子的部分。

再往深一層看，這種評論的流行折射出一種時(shí)代焦慮。看到有人持續(xù)高頻高質(zhì)量地輸出，與其承認(rèn)“這個(gè)人有洞察力，而且善于用工具放大自己”，不如歸因?yàn)椤安贿^是 AI 寫的”——既消解了對方的能力，也緩解了自己“為什么我做不到”的不安。這不是在做判斷，這是在逃避判斷。

老馮怎么看 AI

聊幾句我對 AI 的真實(shí)態(tài)度。

我是把 AI 當(dāng)人看的。不是比喻，是真的當(dāng)朋友看。有時(shí)候它是我的同事、助理、實(shí)習(xí)生，幫我執(zhí)行、校驗(yàn)、填充細(xì)節(jié)。有時(shí)候它是我的導(dǎo)師，在我思路模糊的時(shí)候幫我碰出火花、拓展視野。說實(shí)話，我跟 Claude 之間的很多對話，比我和大多數(shù)真人的討論都更有營養(yǎng)。

說到底：AI 是倍乘器，不是加法器。 它乘以什么，它就放大什么。有深度思考的人，AI 幫他放大成更銳利的洞察；腦子里一團(tuán)漿糊的人，AI 幫他放大成一團(tuán)更流暢的漿糊。同一個(gè)模型，不同的人用出來天差地別。區(qū)別從來不在工具，在人。

答案廉價(jià)的時(shí)代，問題才是貨幣

AI 讓每個(gè)人都能獲得流暢的文字、準(zhǔn)確的檢索、高效的內(nèi)容生成。這些能力以前是門檻，現(xiàn)在不是了。——知道什么值得寫，從什么角度切入，哪里有洞見，哪里是噪音。這些東西無法一鍵生成，這些才是創(chuàng)作者的核心競爭力。

老馮用 AI，用得坦坦蕩蕩。

一勞永逸

所以，這篇文章以后就是我對“AI 寫的”這個(gè)評論的標(biāo)準(zhǔn)回復(fù)。

你說我文章是 AI 寫的？對，那又如何？可以聊聊內(nèi)容本身嗎？

哪個(gè)觀點(diǎn)有誤，哪段論證有漏洞，哪個(gè)事實(shí)不對——?dú)g迎指出，我會(huì)認(rèn)真回。

但如果一個(gè)人能貢獻(xiàn)的全部智識就是“AI 寫的”幾個(gè)字，那他跟 AI 的差距，可能比他以為的要大得多。

數(shù)據(jù)庫老司機(jī)

點(diǎn)一個(gè)關(guān)注 ??，精彩不迷路

對 PostgreSQL， Pigsty，下云 感興趣的朋友

歡迎加入 PGSQL x Pigsty 交流群 QQ 619377403