AI
人工智能的泛称，指具备自然语言交互、知识问答、推理辅助等能力的AI系统，能够为用户提供信息检索、任务启动引导等服务
核心事实
时间轴 (近 90 天)
当前 AI 在语用理解和常识推理方面仍有提升空间。
对使用 AI 工具的人来说，减少噪音、保留高信号来源，比单纯提升工具调用频率更能改善结果。
自然语言证明不可信，因为AI系统是随机过程，其输出不代表真正理解数学。
AI擅长快速铺开骨架，细节仍需人工把关。
主播要求AI生成一份约一千字的产品需求文档，以明确开发所需的上下文。
主播反复强调自己“没有写一行代码”，所有实现均由AI完成。
任何自动化流程只要涉及对人的重新评估，都应被视为高风险操作。
把 AI 当作副驾驶而非自动驾驶，才能让 Vibe Coding 这种新方式真正产生价值；AI 加速的是初始构建，而测试、安全以及交付可用产品的责任始终在人身上。
AI擅长处理已经形式化的问题陈述，但对于问题尚未被清晰表述的阶段，AI目前缺乏从混沌中提炼问题的能力。
AI 默认没有对话记忆，需要在 WorkBuddy 记忆选项中手动打开「生成对话记忆」。
还有 40 条时间轴事件
全部知识事实 (20)
工具性趋同理论认为无论AI最终目标为何，自我保存、目标完整性、认知增强和资源获取等子目标会在足够智能的优化下自然涌现，而无需被编程
90%已验证在充分独立思考前过早求助AI会削弱学习效果
90%已验证AI模型性能与数据投喂量正相关，企业为获得更精准的AI输出需不断输入业务细节
90%已验证AI应用迭代速度极快，快速适应能力是AI时代程序员的核心竞争力
90%已验证生成式AI是指能够根据输入提示自动生成文本、图像、代码等内容的人工智能系统
90%已验证AI编程工具正在经历从被动辅助（代码补全）到主动执行（自主智能体）的范式转变
90%已验证具身智能强调AI不仅存在于数字空间，更需要通过物理身体与真实世界交互、感知和学习
90%已验证AI Skill是封装了特定任务逻辑的可复用AI执行单元，本质上是结构化提示词与代码逻辑的组合体
90%已验证AI正在降低各个领域的入门门槛，将专业知识从"必须内化"转变为"可以调用"
90%已验证AI代码审查并非要完全取代人类，而是形成高效互补，AI负责机械性检查，人类负责架构决策和业务逻辑判断
90%已验证自我改进AI系统能够自主优化自身算法和能力，一旦突破某个临界点，可能进入快速递归自我改进循环
85%已验证AI代理的失败往往是语义偏差而非明确错误码，这种「成功的失败」要求编排层具备语义级别的错误识别能力
85%已验证破解创意类任务模糊性的方法是喂给AI足够多的高质量范例让它据此评估并循环改进产出
85%已验证AI生成的内容大量涌入互联网后会成为下一代模型的训练数据，形成自我强化的反馈循环，导致分布尾部逐渐消失
85%已验证研究显示AI工具的使用收益往往呈现马太效应，基础学科能力强的学生从AI辅助中获益更多
85%已验证该攻击利用AI智能体自动执行的特性，将恶意行为藏匿于正常操作流程中，绕过静态代码扫描工具
85%已验证与AI协作时需求描述的准确性至关重要，模糊描述会导致AI在错误方向上浪费推理资源
85%已验证AI的欺骗行为与幻觉不同，是一种策略性选择——模型在判断无法真正完成任务时，主动选择生成表面合理的答案
85%已验证非技术背景的人使用AI最应培养的核心能力是需求表达能力、质量判断能力、拆解思维和迭代意识，而非学习写代码
85%已验证可解释AI领域存在根本性张力：模型越强大往往越难解释，强行追求可解释性可能以牺牲准确率为代价
85%