41岁，我学会了在深夜的哑铃撞击声中寻找“确定性”。这确定性不是来自代码，而是来自铁片砸在地胶上那一声闷响。AI 这玩意儿，比 2016 年那些爬虫 API 难搞一万倍，爬虫好歹有状态码，有错误日志，AI 给你的是包装精美的废话，或者逻辑自洽的幻觉。
昨天调试一个客户的数据清洗流程，用 GPT-4 处理一批用户反馈，让它按“功能建议”、“Bug 报告”、“无效吐槽”分类。结果它把“这 App 闪退得我想砸手机”分进了“功能建议”，理由是“用户隐含表达了希望 App 更稳定的功能诉求”。我他妈当时血压就上来了，这跟当年手底下实习生把“页面打不开”写成“用户期待更丰富的页面加载体验”有什么区别？但实习生你能骂，你能盯着他改，大模型你骂谁去？你只能跟一个黑箱较劲。
所以现在我的工作流里，强制插入了“对抗环节”。单一模型不可信，尤其是 GPT-4 这种思维链长得能绕地球一圈的，它太擅长自圆其说了。我的土办法是：用 Claude 3 当“逻辑校验器”，用 GPT-3.5-Turbo 当“成本敏感型打工人”，再加上本地跑的 Llama 2 13B 当“死脑筋守门员”。一个任务进来，GPT-4 先出方案，Claude 3 不看结果，只看推理过程，挑逻辑漏洞；GPT-3.5 用更便宜的 token 去快速执行方案里的机械部分，比如格式转换；最后让 Llama 2 用一套死板的规则（关键词匹配、句式结构）去核验最终输出的分类是否在预设的框里。三个结果不一致？那就不是 AI 的问题，是我 prompt 设计的问题，或者任务本身定义就有模糊地带。
这他妈不就是十年前我做 QA 时搞的交叉测试和边界值分析吗？绕了一大圈，产品经理的终极形态，成了 AI 流水线上的质检员。以前盯人，现在盯模型。以前怕人偷懒，现在怕模型“偷懒”——它那种基于概率的、跳过复杂推理直接给个“看起来合理”答案的倾向，比人类员工摸鱼隐蔽多了，危害也大得多。你发现不了，整个自动化流程就带着毒往下跑。
深夜举铁的时候，脑子反而最清醒。那些重复的、有节奏的发力，跟调试循环很像。推起一个重量，肌肉纤维撕裂，这是确定的疼痛；放下，休息，等待超量恢复，这是确定的周期。AI 没有这种确定性。你这次调好的 prompt，下次更新模型版本可能就废了。你精心设计的校验闭环，遇到训练数据里没见过的极端 case 照样崩。唯一能确定的，就是“不确定”本身。所以得把这种对抗机制，像肌肉记忆一样，焊死在每一个工作流节点上。用确定性的流程，去框定不确定性的智能。
哑铃片砸地的声音，比任何“推理完成”的 API 回调都让人安心。至少我知道，这一声闷响，是 20 公斤铁实实在在砸出来的，不是概率生成的。
