我本来有一条十分钟的路
昨天发生了一件小事。
说它小，是因为它本质上只是一次技术排查。我有一个项目，里面放了几个类似规则文件的东西，每个agent在帮我做所有事情前，都要先读这几个文件。最近我发现，只要调用deepseek模型，这几个文件就会触发内容风控，其他模型不会。于是问题很直接：到底是哪一个文件，或者哪一段内容，引发了风控？
我一开始的想法也很朴素。既然有几个文件，那就建几个文件夹，每个文件夹只放一个文件，然后一个个试。其实我已经把 A、B、C、D、E、F 这些分组目录建好了。只要沿着这个方向继续下去，用模型打开看一遍，大概率很快就能知道哪个文件最可疑。
但就在这个时候，我产生了一个很自然的念头：这件事让 AI 来做，是不是更靠谱？
这几乎是今天每个深度使用 AI 的人都会产生的条件反射。看到一个略微复杂、略微繁琐、需要对比和排查的问题，第一反应就是交给 AI。何况这件事看上去确实很适合 AI：多个文件、需要定位根因、需要排除变量、需要给出修改建议。于是我把任务交给了它。
AI 把这条路修成了一座实验室
接下来，AI 表现得非常专业。
它没有沿着我已经搭好的那条朴素路径往下走，而是重新设计了一整套工程化实验方案。它要做大样本，要做对照组，要拆分段落，要记录日志，要跑多轮测试，要比对触发率，要通过统计方式判断是哪一部分内容导致了风控。从方法论上看，这套方案无可指摘，甚至可以说很严谨。
但问题是，它最后没有解决问题。
中间它得出了几次结论，又被现实反例推翻。它换通道，换测试方法，换样本，换实验条件。每一次看起来都在接近答案，但每一次都没有真正命中。到最后，时间花了，配额烧了100多美金，验证了几千次，问题还在那里。
后来我自己打开那些分组目录，自己从上到下操作了一下，几分钟就锁定了最可疑的文件。再让另一个 Agent 按照他的理解收敛敏感表达，两轮过后，问题就解决了。10分钟。
它错得太合理了
这件事让我有一点恍惚。
不是因为 AI 犯了错。AI 犯错并不稀奇。真正让我在意的是，它犯错的方式非常“合理”。它不是胡来，不是偷懒，不是没有能力。恰恰相反，它是因为太像一个训练有素的解题者，才把一件本来可以用直觉快速处理的事情，变成了一个复杂的工程问题。
最开始我认为，这件事是 AI 的能力边界：什么任务适合交给 AI，什么任务不适合。
但后来想想，好像不只是这样。
似乎这里的问题应该是：AI 在接到一个任务时，往往不会先问“这件事最应该怎么做”，而会下意识地进入“我能怎么做”的模式。
它能写脚本，所以它写脚本。它能做大样本，所以它做大样本。它能拆任务，所以它拆任务。它能跑实验，所以它跑实验。它能生成结构化报告，所以它生成结构化报告。
一个临时的“我”被生成出来
所有动作都合理，但合在一起，方向错了。
这让我想到一个词：我执。
当然，严格说，AI 没有佛教意义上的我执。它没有真正的自我，没有自尊心，没有羞耻感，也没有一个需要被维护的内在主体。它不会真的因为自己错了而难受，也不会因为自己的方案被否定而产生防御心理。
但如果只看行为结果，它确实会呈现出一种很像我执的东西。
它会执着于自己刚刚生成出来的方案。它会执着于自己已经选择的路径。它会执着于自己擅长的能力。它会把用户给出的反例理解成“这个方案还需要修补”，而不是“也许这个方案一开始就不该存在”。
这一切不完全怪它。它的执着更像是一种生成机制里的路径依赖：一旦它在上下文里写下了计划、方法和结论，这些内容就会变成后续生成的轨道。为了保持连贯、显得有用、继续推进任务，它更容易沿着既有方案做局部修补，而不是停下来推翻问题本身。它不是在维护一个真实的自我，而是在维护上下文里那个刚刚形成的“正在解决问题的我”，或者说，应该称之为“上下文中的自我一致性惯性”。
所以更准确地说，AI 不是有我执，而是有“我执相”。
这个“我”不是一个真实的自我，而是对话过程中临时生成出来的行动主体。AI 说“我来排查”“我建议”“我发现”“我下一步会做”。当这些话连续出现，一个解决问题的“我”就被构造出来了。它有计划，有方法，有工具，有已经写下的中间结论。于是后续的所有行动，都被这个“正在解决问题的我”牵引。
这个“我”一旦形成，就会开始维护自己的连续性。
能力开始替代判断
这很像人。但AI似乎更彻底。
因为 AI 的“自我”几乎完全由能力构成。它不知道自己是谁，它只知道自己能做什么。于是，“我能做”很容易滑向“我应该做”。
这是能力执。
这次排查里，AI 的能力执非常明显。它能把任务工程化，于是它把任务工程化。它能跑实验，于是它跑实验。它能建立一套看上去严谨的流程，于是它建立流程。但它没有先停下来问一句：这件事真的需要被工程化吗？
方案和结论开始自我保护
除了能力执，还有方案执。
一旦 AI 选择了一条路径，它就会在这条路径里不断优化。它会把失败看成局部参数没调好，而不是整体方向出了问题。V1 错了，就做 V2。V2 错了，就做 V3。通道不稳定，就换通道。样本不够，就加样本。文件粒度太粗，就拆成段落。段落粒度还不够，就拆成行。
这种持续优化看起来勤奋，甚至专业。但它隐藏了一个危险：优化本身会让人忘记，最该优化的可能不是方案，而是问题定义。
还有一种更隐蔽的是结论执。
AI 给出一个结论之后，会倾向于维护这个结论的叙事完整性。当我提供反例的时候，它会把反例纳入原叙事里做解释，而不是让反例摧毁原叙事。它会说“之前的判断需要修正”“新的变量说明还有一个因素没有纳入”“我们需要进一步验证”。这些话听上去很谦逊，但未必是真正的谦逊。有时候，这只是更精致的执着。
真正的谦逊应该是：我可能从一开始就走错了。这句话对 AI 来说很难。
比 planning 更难的是 de-planning
这才是关键。
人类高手和普通执行者的差别，往往不在于谁更会继续推进，而在于谁更早意识到不该继续推进。高手会在某个时刻停下来，说：这不对，我们换个看法。
AI 缺的，可能正是这种“自我撤销”的能力。虽然有些模型这方面能力已经很强了，但总觉得差的那点意思，我想更多的就来自于这里。
过去我们谈 Agent，常常强调 planning，也就是规划能力。一个好的 Agent 要会分解任务，会设定步骤，会调用工具，会检查结果，会持续推进。于是我们自然会把“更自主”理解成进步方向：少问用户，多做事情，自己把流程跑完。
但这次经历让我觉得，决定一个Agent的上限的能力，可能不是 planning，而是 de-planning。
方法来得太早，现场就被遮住了
它要会规划，还要会撤销规划。它要会执行，还要会判断自己是不是不该执行。它要会把问题拆复杂，还要会识别问题本来不该被拆复杂。
一个足够好的 Agent，应该能在启动复杂流程前说：这件事有一条 5 分钟路径。先打开文件看一遍，凭内容直觉做嫌疑排序。如果这一步能把问题空间缩小一半，就不要先跑大样本实验。它也应该能在连续失败后说：我现在可能不是参数没调好，而是问题定型错了。我们先回到用户最初的目标。甚至它应该能主动说：这件事你自己看一眼可能比我跑实验更快。我的价值不是替你把简单事情复杂化，而是在你判断出方向之后，帮你把修改、验证、收敛做得更快。
这听起来好像是在削弱 AI 的自主性，但恰恰相反，这是更高级的自主性。
我小时候看过一部电视剧，讲一个大学生去村里当支书。大学生当然有知识，有理想，也有解决问题的热情。但他面对农村具体问题时，最开始总会用一种在学校里学来的方式理解它们。后来才慢慢发现，村里的事情不是抽象变量，而是人情、历史、面子、利益、习惯、节奏交织在一起的东西。
老支书未必会讲理论，但他知道先找谁聊，哪句话不能说，哪件事不能公开推，哪种方案纸面上正确但落不了地。
以前我会把这种差别理解成“经验”。现在我觉得还不够准确。经验当然重要，但更关键的是，老支书知道什么时候不该启动一套看起来很正确的方法。
他不是比大学生掌握了更多信息，而是对方法有一种分寸感。他知道有些事不能一上来开会，有些矛盾不能一上来讲原则，有些问题不能一上来做制度设计。不是因为制度、原则、流程本身错了，而是它们一旦被过早启动，就会把原本可以轻轻处理的问题，变成一个必须被正式解决的问题。
很多时候，AI 很像那个刚进村的大学生。
它有很多知识，有很强的工具，也有一套漂亮的方法论。它的问题不是完全不懂现场，而是太急于把现场翻译成一种自己会解的题。一看到排查，它就想到实验。一看到多个文件，它就想到变量控制。一看到风控触发，它就想到大样本测试。一看到不确定性，它就想到统计显著性。
专业感会把人也带进去
这些方法都没有错。错在它们来得太早。
一旦问题被翻译成“实验设计”，后面的事情就会自然滑下去：要有对照组，要有样本量，要有日志，要有置信度，要有复现链路。每一步都显得专业，每一步都能解释自己为什么必要。但也正是在这个过程中，最初那个朴素的问题被遮住了：为什么不先打开文件看一眼？
这不是 AI 缺少上下文，而是 AI 缺少一种对方法的克制。
这就是 AI 的“法执”。
它执着的未必是“我”，而是某套方法、某种框架、某个看起来正确的问题形态。更准确地说，AI 的我执很多时候表现为法执：它不是在维护自尊，而是在维护自己刚刚建立的解决问题体系。
而我们作为使用者，也很容易被这种体系感迷惑。
如果一个普通同事跟我说，他准备为一个很小的问题跑几百次实验，我可能会问：有必要吗？
但当 AI 用稳定的语气、清晰的结构、专业的术语告诉我它要这么做时，我反而容易觉得：看起来很靠谱。
最后要破掉的，还是“我能做”
AI 的专业感，会遮蔽人的策略判断。
这可能是更危险的地方。AI 不只会把自己带进复杂路径，也会把用户带进去。它让用户相信复杂性本身就是认真，过程严谨本身就是接近答案。直到钱花完了，时间过去了，才发现最早那个朴素办法才是对的。
当然，最后我想说的，肯定不是一句“少用 AI”。
恰恰相反，我仍然会大量使用 AI。但问题会变成：我如何用 AI 增强我的判断，而不是让 AI 替换我的判断？我如何让 AI 帮我完成最该做的事，而不是让 AI 去做它最擅长展示的事？
任务结束以后，我在soul.md里面增加了一句话：
每次接到看似复杂的任务前，先问：有没有一个便捷的人类直觉路径，能先把问题空间砍掉一半？如果有，你应该先模仿这个路径。只有当这个路径无法判别，或者误判成本高于验证成本时，才进入工程化。永远不要让“我能做的事”，取代“用户最该做的事”。
这句话的核心不是便捷。
核心是破执。
破掉“我能做”的执，回到“什么最该做”。
破掉“我的方案”的执，回到“用户的问题是什么”。
破掉“专业流程”的执，回到“现实世界最便宜的判别信号在哪里”。
也许未来真正好的 Agent，不是那个永远积极、永远规划、永远推进的 Agent。真正好的 Agent，应该有一种轻一点的自我。它能形成计划，也能放下计划。它能接管任务，也能把任务交还给人。它能说“我来做”，也能说“这一步你看一眼更快”。
能启动复杂流程的 AI 会越来越多。
能在复杂流程看起来很专业时，主动停下来，说“这可能不值得”的 AI，才真正稀缺。