一个你肯定遇到过的场景
你把一份三十页的行业报告拖进对话框，敲了一行字：
「帮我总结这份报告的核心结论。」
几秒后，AI（人工智能）给你列了三条结论。条理清晰、措辞专业、每一条都有模有样。你很满意。直到——
你随手翻了翻原文，发现其中一条结论在报告里根本不存在。AI 编造了一段逻辑自洽但完全虚构的分析，还煞有介事地标注了“根据报告第X部分”。
你又试了一次。这次，同样的提示词，结论变了一点点：上次编造的那条消失了，但新出现了一个同样不存在的数据引用。你的第一反应八成是：这AI今天不太行。
这个反应本身，就是本书要解决的第一个问题。
搞清楚我们在聊什么
在钻进AI的脑子之前，我们需要花三十秒，认清楚几个词。
你每天挂在嘴边的“AI”，其实是一个极其宽泛的概念。人脸解锁是AI，导航规划路线是AI，AlphaFold预测蛋白质结构也是AI，这些跟ChatGPT这类对话式产品八竿子打不着，但都叫AI。
这本书要讲的，是AI家族里一个特定的分支。我们一层层缩圈。
生成式AI（GAI或AIGC）：AI里“能创作”的那一批。它不只识别和分类，还能生成全新的内容：写一段话、画一张图、谱一首曲子。你手机里的AI生图和AI写文案，都在这层。
语言模型（LM）：生成式AI里专门处理文字的那一类。
视觉语言模型（VLM）：生成式AI里能处理文字、图片和视频的那一类。
大语言模型（也叫大模型，LLM）：语言模型里规模最大的那批。ChatGPT、Claude、豆包、DeepSeek，你叫得出名字的对话式AI，都是大模型。当你把它们装进一个能调用工具、能自主决策的系统里，它就变成了AI Agent（大模型驱动的智能体，有别于宽泛的Agent概念）。
图1：全球大模型演进时间表（不完全统计，截止到2026年5月）
在这本书里，说到“AI”，99%的时候指的是LLM和由它驱动的AI Agent。 至于AI家族里其他的成员，比如自动驾驶、人脸识别、围棋AI等等，我们只在对比的时候提到，让你看清楚LLM能做什么、不能做什么。
好，现在你知道我们在聊谁了。接下来，钻进它的脑子。
钻进AI的“脑子”
让我们回到刚才那一瞬间。在你按下发送键之后，你的三十页报告和那句“帮我总结”一起，在AI系统内部变成了什么？
它变成了一串数字。
具体来说，是一个大约两万行的矩阵。你的报告里每一个字、每一个标点，都被切成了被称为 Token （词元）的最小单元。其中中文大约每1.5个字一个Token，英文大约每4个字母（1个单词）一个Token。这些Token又被映射成高维向量，然后喂进一个神经网络（即AI模型）。
接下来发生的事情，和“思考”没有任何关系。
这个神经网络只做一件事：根据前面的所有Token，预测下一个最可能出现的Token。 它不是在“理解”你的报告，不是在“提炼”核心观点，更不是在“判断”哪些内容是重要的。它在做一道极其复杂的数学题：给定过去两万个Token，第两万零一个Token最可能是什么？
然后它把这个预测结果加回上下文，再预测第两万零二个。然后第两万零三个。第两万零四个。
就这样，一个字一个字地，它“生成”了你看到的那三条结论。
现在，关键问题来了：在每一步预测中，这个系统都在“选择”。 它不是在“查找”报告里有什么（AI模型本身没有数据库，没有搜索引擎，也没有任何“事实核对”机制）。它只是在用训练时学到的统计规律，猜一个在当前上下文中“看起来最合理”的下一个词。
大多数时候，这个“看起来最合理”碰巧和事实一致，因为它的训练数据里确实包含了海量人类知识，统计规律足够强。但有时候，“看起来最合理”的东西，碰巧不是真的。而且它自己不知道。
它没有“我是否在编造”的意识。它只有一个概率分布，和一个采样策略。当概率分布不够锐利，也就是多个候选Token的概率接近时，它选哪一个几乎就是随机的。而那个被选中的词，会立刻成为新的“事实”，写进上下文，影响后续的所有预测。
这就是幻觉的根源。不是bug，不是模型“坏了”。它是概率预测系统的结构性特征，就像内燃机必然产生废气一样。大模型拥有丰富的“分布式语义”关联，但缺乏指向真实世界的“指称语义”。它能写出逻辑完美的句子，但无法区分这个句子描述的是事实还是虚构。
你用的那个对话框看起来像聊天，但它背后不是一个在和你对话的人。它是一台概率生成引擎，被包装成了聊天界面的样子。
聊天框，是你用不好AI的最大原因
这是本书要讲的第一个反直觉结论：
你每天都在用聊天框，但这恰恰是你用不好AI的最大原因。
聊天框这个界面太成功了。它让任何人都能“用”AI，不需要编程。但“简单”和“好用”是两回事。
错觉一：它在“听”。 它不在听。它在把你说的话编码成Token，然后做概率预测。
错觉二：它在“想”。 它不在想。当你说“不对，再试一次”，它不会反思哪里错了，它只是在上一次对话历史的基础上，重新做一次概率预测。
错觉三：你问了，它答了，所以问题解决了。 AI的输出天然不可靠，“答了”不等于“答对了”。你用聊天的节奏使用一个不确定性的系统。
三个层次，你在哪一层
绝大多数人只操作第一层。少数人意识到第二层。极少数人走到了第三层。
小白学Prompt（提示词，发送给AI的指令或提问），高手搭Context（上下文，提供给AI参考信息），顶级玩家建System（系统，AI所在的体系与框架）。
当前，生成式AI也是发展到了“建System”的阶段，但这不是终点。
这本书不会给你什么 / 会给你什么
- 不会给你100个“万能爆款提示词”
- 不会教你用AI一夜暴富
- 不会逐行讲解某个Agent框架的API
- 不会告诉你“AI正在取代人类”
帮你建立一套理解生成式AI系统的思维框架。不束缚于任何具体模型、具体产品。
读完这本书，你应该能做到三件事：
第一，看懂一个AI产品的设计逻辑。 不管是ChatGPT、Claude、Kimi、千问——你能拆开它的系统提示词、工具链、上下文策略。
第二，诊断一个AI Agent为什么不稳定。 你能定位问题是出在上下文污染、工具误调用、注意力稀释还是评估缺失。
第三，从零设计一个可靠的AI Agent系统。 你能识破网红AI产品背后的“把戏”，了解AI产品从需求到上线的完整流程。
这本书写给谁 / 怎么读
第一类： 每天用AI但总觉得不顺手。
第二类： 正在做AI产品但总觉得不稳定。
第三类： 想认真做AI应用但不知道从哪开始。
本书前三章是认知地基。第四到七章是工程体系。第八章和小结随时跳读。每一章结尾有自查清单。
这本书的名字叫《为什么你说话AI不爱听》。但你很快会发现，“不爱听”并不是因为你的表达能力有问题。而是因为你一直在用一个“对人说话”的方式，跟一台概率引擎沟通。一旦你理解了这台引擎是如何运转的，你会发现它从来不“不爱听”，它只是用了一种你不了解的语言在“听”。学会这门语言不需要任何技术背景。你需要的只是一点好奇心，和一套对的思维框架。
参考链接
- Ashish Vaswani et al., "Attention Is All You Need", arXiv:1706.03762, 2017. https://arxiv.org/abs/1706.03762
- Andrew Ng, "ChatGPT Prompt Engineering for Developers", DeepLearning.AI. https://www.deeplearning.ai/courses/chatgpt-prompt-eng
- Andrew Ng, "Agentic AI", DeepLearning.AI, 2025. https://www.deeplearning.ai/courses/agentic-ai/ ；中文翻译版 https://github.com/datawhalechina/agentic-ai
