不像你。为了你：为什么“认知工程”错失了重点

简而言之：人工智能行业不断发明新的“工程”学科——提示、上下文、利用、循环、图形，现在是认知。每一个都解决了同一个元问题：可靠的输出。但“认知工程”承诺了一些它尚未能够实现的东西。真正的机会不是让人工智能思考像你。这让它思考为你——更好、更快，并且明确了解自己的局限。

这里是詹姆斯，水星科技解决方案的首席执行官。 香港数码港 — 2026年7月

命名跑步机

每隔几个月，AI Twitter 就会发明一个新的“工程”。

提示工程。上下文工程。利用工程。循环工程。图形工程。现在是认知工程。

名称不断增加。会议售票。LinkedIn 的思想领袖更新他们的个人简介。在这一切的中间，实际的工程也在进行。

但事实是：这个进展是真实的。每一层确实解决了同一个元问题——如何让 AI 可靠地生成你真正想要的东西——并且范围和抽象程度不断增加。

| 层 | 控制内容 | 跃迁 | |-------|-----------------|----------| | 提示 | 单次调用 | 模型所见 | | 上下文 | 单次调用 + 记忆 | 模型对你的了解 | | 利用 | 单任务执行 | 工具、状态、安全边界 | | 循环 | 多轮持久性 | 纠正直到完成 | | 图 | 多步骤编排 | 流程设计、分支、并行 | | 认知 | 决策本身 | 它如何思考，而不仅仅是它的内容 |

每一步都比上一步更难。每一步都需要新的抽象、新的失败模式、新的可观察性。名称不是问题。问题在于人们把它们当作营销而不是架构来对待。

**工程悖论：** 我们命名的层次越多，我们就越有可能忘记用户并不关心我们的抽象。他们关心的是结果。

"认知工程" 实际上意味着什么

最近的一篇文章将认知工程框定为下一个前沿："教AI如何思考。" 让它理解你的思维模式、决策框架、判断标准和优先事项。不是仅仅执行——像你一样思考，然后执行。

这是一个引人注目的愿景。它也是 危险地未明确规定。

当有人说“教AI如何思考”时，他们可能指的是三种非常不同的事情：

| 解释 | 实际是什么 | 我们能构建它吗？ | |----------------|---------------------|------------------| | A: 反思模式 | 思维链提示 + 自我纠正循环 | ✅ 今天可行。请参见Andrew Ng的4种代理模式。 | | B: 偏好学习 | 基于你的决策轨迹进行微调，学习你的权衡 | ⚠️ 难。需要大多数公司没有的数据基础设施。 | | C: 明确的认知架构 | 信念状态、推理规则、不确定性处理、元认知 | ❌ 研究前沿。还不是产品。 |

大多数 "认知工程" 演示将是 打扮成 C。他们会展示反思链并称之为 "教AI思考"。这不是认知架构。这是良好的提示加上额外的步骤。

真正的认知架构需要更复杂的东西：

• 信念状态 — 代理所持有的真实信念，带有明确的信心

• 推理规则 — 如何在获得新证据时更新信念

• 决策框架 — 权衡的明确逻辑（速度 vs. 准确性 vs. 成本）

• 元认知 — 知道自己不知道什么，并且说出来

这不是工程。这是 构建一个思想。 而我们还没有到达那里。

他缺失的维度

他所描述的进展是 垂直的 — 每层更多的能力。但还有一个 水平同样重要的维度：操作范围。

垂直（他的框架）： 提示 → 上下文 → 利用 → 循环 → 图形 → 认知 水平（缺失）： 单一 → 多重 → 持久 → 分布式 → 自主 → 自我改进

水平轴是关于系统在没有你的情况下运作的程度：

| 阶段 | 范围 | 人类参与 | |-------|-------|-------------------| | 单次调用 | 一个提示，一个响应 | 每个字 | | 多轮 | 对话历史 | 每个会话 | | 持久 | 任务在会话间存续 | 定期审查 | | 分布式 | 多个代理协调 | 异常处理 | | 自主 | 自我导向的目标追求 | 仅升级 | | 自我改进 | 修改自身架构 | 无（理论） |

在水星，我们的运作在持久 → 分布式。我们的定时任务在夜间运行。我们的子代理并行工作。但仍然需要人工审核输出，仍然发布帖子，仍然批准策略。

如果存在的话，认知工程生活在两个轴的交叉点上：自主范围 + 明确推理架构。这不是你在一个冲刺中交付的功能。这是一个研究项目。

真正的问题

"你会想要一个能够『像你一样思考，再替你执行工作』的AI吗？"

不。我想要一个能思考的AI更好比我在我明确委托的领域更优秀，和知道何时询问在我没有委托的领域。

"像我一样"是一个缺陷，而不是一个特性。我有偏见。有盲点。有时候我很疲惫，做出错误的判断。一个复制我思维的人工智能也会复制我的失败。

杨文理的名言在这里适用："赢得胜利的最有效方法是让敌人失去战斗的意志。"在这种情况下，敌人是不可靠性。而战胜它的方法不是模仿——而是增强。

我真正想要的是：

• 在我委托的领域：更快，更一致，情绪更少。没有疲惫。没有自我。没有“我昨天已经决定了，这让我坚持下去。”

• 在我保留的领域：明确的升级。“我没有足够的背景。” “这与您所声明的优先事项相矛盾。” “您说过在没有询问的情况下绝不要这样做。”

• 在边界：明确的交接。"我已经做了X。Y需要你的判断。这是我推荐的。"

**真正的框架：** 不是"像你一样。" **为了你。**

水星实际上正在构建的东西

我们不需要认知工程。我们需要可靠的图形工程客户信任的真实业务流程。

这在实践中看起来是这样的：

我们今天的技术栈：

• L1-L3 循环（报告 → 辅助 → 无人值守）用于内容和分析

• L4-L5 协调（持续任务，多代理）用于审计和研究

• 上下文压缩以便长时间会话不会丢失状态

• 重试 + 回退路由以便故障不会级联

• 可观察性层以便我们知道是什么坏了以及为什么

我们接下来要添加的内容：

• 偏好记录 — 这可以帮助你确定优先级和容忍的风险

• 决策追踪 — 不是“AI做了什么”，而是“它为什么选择这个”

• 明确的不确定性 — 推荐的置信度分数，而不仅仅是答案

这不是认知工程。这是偏好学习 + 明确的权衡记录。但它以 20% 的复杂性提供 80% 的价值。并且现在可以构建。

机会

第一家将即使是弱形式的“类认知”行为产品化的公司将赢得叙述。这不是因为它是完全的 AGI，而是因为它将对话从“自动化”转向“判断”。

想想这个推介：

"我们的代理不仅仅执行您的工作流程。他们学习您的决策标准——您优先考虑哪些，您容忍哪些风险，您接受哪些捷径——并始终如一地应用这些标准。当他们不确定时，他们会询问。当您不确定时，他们会推荐。

这不是一篇研究论文。这是一个 产品定位。而且这是可以辩护的，因为护城河不是模型——而是 累积的偏好数据是没有竞争对手拥有的。

行动

如果您正在使用人工智能进行构建，请停止追逐下一个 "工程" 标签。相反，问三个问题：

1. 我的系统运行在什么范围内？（单次调用？持久性？分布式？）

2. 失败时会发生什么？（静默错误？升级？级联？）

3. 它如何知道我重视什么？（明确的规则？学习的偏好？没有吗？）

答案告诉你接下来要构建什么，而不是该如何命名。

因为在2026年，获胜的公司不是那些拥有最先进认知架构的公司，而是那些其代理能够优雅失败、清晰升级并持续改进的公司。

其余的只是命名。

水星科技解决方案：加速数字化。