如何用AI找到未知的未知 | Thariq | Claude | Fable | 提示词 | 未知量
外来客 • 2026-08-18 00:56:44
声明：本文为对公开视频内容的摘要整理，
未经本站独立核实，可能与原视频存在出入，不代表本站立场、观点或建议；
观点与版权归原作者及原平台所有。
如涉及版权问题，请联系我们，核实后立即删除。
[ 免责声明 ]
🧭 核心观点：地图与领土的差距
- 核心隐喻：提示词是“地图”，实际任务环境（代码库、现实约束）是“领土”。两者之间的差距即为“未知量”（Unknowns）。
- 瓶颈转移：随着模型能力增强，产出质量的瓶颈不再主要源于模型智力，而是源于用户对问题认知边界的模糊。模型越强，未解决的未知量导致的错误成本越高。
- 认知放大器：AI 会放大用户已有的认知，也会放大认知中的盲区。系统性发现盲区比单纯优化提示词更重要。
📊 关键事实与案例
- 作者背景：Thariq（塔利克·西哈帕尔），Anthropic 技术团队成员，YC W20 创业者，被视为对 Claude Code 研究较深的人物之一。
- 实战案例：Thariq 在无视频剪辑经验的情况下，仅凭 Claude Code 独立完成了 Fable 发布视频的剪辑工作。
- 数据表现：该工作方法论文章发布 24 小时内获得 190 万浏览。
- 工具应用：案例中涉及使用 Whisper 进行语音转录、FFmpeg 处理音视频、Remotion 框架制作动态 UI 以及 Rust/TypeScript 代码实现。
🛠️ 实施前：清理未知量的五种方法
- 盲点探测（Blind Spot Pass）：针对“未知的未知”。明确告知 AI 自己的背景与领域了解程度，让 AI 找出用户不知道的问题。例如：让 AI 解释 Whisper 原理或调色标准，建立判断基准。
- 原型验证（Prototyping）：针对“未知的已知”（有感觉但无法描述）。让 AI 生成多个截然不同的方向（如 4 种 HTML 设计风格），用户通过反馈“对/不对”来收敛需求，避免后期推翻重来。
- 反向采访（Interviewing）：针对模糊地带。让 AI 基于背景提问，优先询问那些“答案会改变整体方向”的问题，将找问题的主动权交给拥有全局视角的 AI。
- 参考物映射（Reference Mapping）：针对难以语言描述的需求。直接提供原代码、文档或截图作为参考。例如：指向一个实现了特定退避逻辑的 Rust 代码，让 AI 在 TypeScript 中按相同语义实现。
- 决策分层计划：让 AI 生成实施计划，将“需用户拍板的决策”（如数据结构、接口定义）置于最前，将“纯执行层面改动”置于最后，降低审查成本。
🔄 实施中：偏差记录机制
- Deviation Log（偏差日志）：执行中遇到边缘情况时，不暂停等待确认，而是选择保守处理方式并记录决策。
- 一致性保障：该记录帮助 AI 在当前任务中保持一致性，并为后续任务提供更准确的“地图”原材料。
- 非开发者适用：可要求 AI 维护 `implementation_notes.md` 文件，记录关键决策与偏离计划的原因。
✅ 实施后：验证与复盘
- 提案与说明：将产出原型与实时记录打包成易懂文件，提前回答审阅者可能存在的未知量，加速获批流程。
- 通过测验：要求 AI 生成一份报告，包含“做了什么”及“背后的逻辑”，并设置“必须通过的测验”来验证用户是否真正理解改动，防止盲目合并。
💡 结论与建议
- 成本权衡：前期花费 10 分钟进行原型验证或盲点探测，优于后期花费 10 小时推翻重来。
- 动态过程：未知量并非一次性清理完毕，而是在任务全过程中持续出现。每次卡住时，应先识别未知量类型再动手。
- 技能积累：通过持续使用，可将“未知的未知”转化为“已知的未知”，最终变为“已知的已知”。偏差记录是提升地图精度、减少未来未知量的关键手段。
👤 同一博主
🧭 类似博主
0 条评论
发表评论
请先 登录 后参与讨论。