Ryo Lu:当我们什么都能做,还知道自己想做什么吗?

从 AI 生成的日记工具到爵士乐团,Ryo Lu 讨论如何在更强大的工具旁保有判断、生活和与他人合作的空间。

RLRyo LuVortrag
Kanal
AI Engineer
Veröffentlicht
6. Nov. 2026
Video
23:05
Lesezeit
7 Min.
Folien
2
Original
Chinesisch (vereinfacht)
Auf YouTube öffnen
Beim Scrollen schrumpft das Video in die rechte untere Ecke und läuft weiter. Untertitel folgen Ihrer Lesesprache.
LesespracheIn 2 Sprachen verfügbar
Diesen Artikel gibt es noch nicht auf Deutsch, daher wird das Original (Chinesisch (vereinfacht)) angezeigt.
ZUSAMMENFASSUNG

In 30 Sekunden

前 Cursor 创始设计师 Ryo Lu 在 AI Engineer Shanghai 分享,工具不应只提高产出,也应让人看到假设、修改决定并在制作中发现自己的想法。他用日记工具、搬迁经历和爵士乐团说明个人判断与共同创作的价值。

  1. 1能力与方向工具让人做得更多,也应帮助人理解自己在乎什么。
  2. 2完整答案的盲点一份合理的答案可能掩盖自己尚未形成的问题。
  3. 3让人接触改变工作台让使用者看见计划、修改局部并重新拿回方向。
  4. 4保留使用的选择能使用工具不代表每件事都必须交给工具。
  5. 5用作品理解彼此不同版本让人与人之间原本模糊的差异变得可讨论。
  6. 6修改一个决定面对 AI 答案时,挑一个自己在乎但尚未想清楚的决定,小改并分享。

Das Wichtigste

  1. 完整且合理的 AI 答案不代表使用者已经想清楚问题。
  2. 好的工作台让重要假设可见,让人能够局部修改并拿回方向。
  3. 知道自己想要什么,也可以是制作过程产生的结果。
  4. 不必把节省下的每一刻重新填满,生活也是创作的来源。
  5. 不同的人可以通过共同制作和讨论彼此改变。
VOLLTEXT

Den bearbeiteten Text nach Kapiteln lesen

Nur das Transkript
01

工具更强,为何更加不安

Ryo 讲述工具能力增强带来的兴奋与不安。他问,更多产出是否帮助我们弄清自己想要什么。

当我们什么都能做,还知道自己想做什么吗?我今天不想再证明 AI 有多厉害。我们已经看到一句话做出网站、几分钟完成一个功能,甚至让机器在一夜之间完成我们还没想到的工作。

一开始我也很兴奋,曾经只能想象的东西终于能做出来。但看到别人使用新模型时,惊叹之后很容易冒出另一个念头:我是不是又落后了?于是我们想多产出、再学工具、再开几个智能体。可如果可以一直这样追赶,什么时候才算够?

我一直相信做工具,希望缩短想象与现实之间的距离。这个信念没有变,但我开始在意:工具让我做得更多时,是否也让我更了解自己想做什么?我不想争论该不该用 AI,或者慢是否一定比快好。

02

当做事变成证明之前

他回忆童年对电脑的好奇,以及兴趣变成工作后的变化。他希望保留与制作之间的关系。

许多焦虑来自我们习惯用能力证明身份:我是设计师,因为我懂设计;我是工程师,因为我能写代码。当机器也能做这些事,问题便变得很私人:如果我的工作不再特别,我特别在哪里?

我想起小时候搬到加拿大,看到一台漂亮的苹果电脑。买不起,我就修改自己的电脑:换图标和字体,研究那些漂亮的按钮如何做出来。我不是先决定成为设计师才开始,只是因为喜欢和好奇,想靠近那种感觉。

后来喜欢变成工作是一件幸运的事,我能靠在意的事情生活,也遇到了同样在意的人。但好奇慢慢变成规划,游戏变成产出。我越来越容易回答什么时候上线,却未必记得没有人要求时,自己为什么想做。

我不想靠“机器永远做不到某件事”来安慰自己,因为界限一直在变。我想保留的是自己与制作之间的关系:即使机器很快给出十个版本,我仍然可以在某处停下来,觉得不对,并亲手改一下。

03

完整答案不等于完整思考

AI 为日记工具提供完整功能和理由。Ryo 追问自己是否真正作出了这些决定。

假设我请 AI 做一个记录生活的工具。两分钟后,它给我心情分数、连续记录天数、每日提醒和每周报告,并为每个功能提供看似合理的理由。完整的答案很容易让人说:“好,就这样。”

但我真的决定过要给生活打分吗?我是否认为每天都写才算记录?有时我并不是先形成自己的想法再请工具帮忙,而是看到一份找不到明显反对理由的答案,就把它当作自己已经理解了。

答案不一定错,甚至可能比我原先想的更好。但如果每次都这样,我就会越来越少练习从自己的经验出发思考。答案完成了,不代表我的思考也完成了;被完整答案盖住的问题尤其难被发现。

04

从日记功能开始选择

观众选择想删除的功能。不同选择让各自对记录生活的想法逐渐显形。

我请观众不要先问还缺什么,而是看着四项功能,选一个最想去掉的。我自己会拿掉连续天数、每日提醒和每周报告:我想留下生活,不想因为一天没写就觉得欠了一份作业。

你可能恰好需要提醒,或者想要一个无边际画布,而不是每天一页。这里没有标准答案。刚才短暂停下来,我们已经从模糊的“记录生活”出发,挑出了一个在乎的决定,并开始说清楚为什么。

知道自己想要什么,不一定是动手之前的条件,也可能是动手之后慢慢出现的结果。工具可以帮助这个过程,但我不希望每次使用前都必须苦想,否则就被说成偷懒。

05

服务窗口与工作台

Ryo 对比返回成品的服务窗口与允许介入的工作台。他提出让假设可见和支持局部修改。

有些事情,我很愿意直接交出去,比如搬资料或转换格式。但当我还没想清楚时,我需要的不是机器替我关上问题,而是一个让我继续探索的工具。

我用两个画面比较。服务窗口处理请求后交给我一个成品;如果它刚好很好,我可以直接使用。但如果它删掉了我喜欢的提醒,我就要再解释一遍。面对成品,我很容易只剩接受、拒绝或重新请求。

服务窗口与工作台
FOLIE 1 / 2服务窗口与工作台画面对比重新请求成品与查看计划、局部调整功能的两种交互。

工作台则让我看见计划改什么、删什么,也能在执行前介入,或在实时预览里微调。有时候正是看到它准备删除提醒,我才发现自己想保留。重要的不是按钮数量,而是我能接触正在改变的东西。

这就是我设计软件工具时重视文件、计划、编辑、差异和介入入口的原因。我不是说每个人都要读每一行代码,也不是所有细节都必须摊开,而是希望理解时有路进去,想修改时有地方动手。

聊天也可以是工作台的一部分,我不想把某个品牌或界面永远归入一边。更好的问题是:我能否只改一部分、理解关键决定、拿回方向,并有探索的自由?

给工具设计者的三个起点:让重要假设可见,让修改足够小、可以放心尝试,并让交出去的工作在需要时拿得回来。这不意味着每一步都加确认按钮,而是让人不必只能接受或拒绝整个答案。

06

什么时候放下工具

工具可以节省时间,也可能让时间被重新填满。Ryo 分享搬到台北后对生活与工作的思考。

工具一直可用,不意味着我们必须一直使用。AI 可以帮我思考,也可能让我自己想得更少;它可以省时间,也可能给我更多理由把时间重新填满。工具变强本身,并不能决定我该怎样使用它。

就像有了电子邮件,不代表任何时候都要再发一封。有时我需要 AI 快速整理复杂工作,有时想先自己写几句,有时需要去茶馆和一个人真正聊聊。这些选择没有高低之分,我只想保留不同的理由。

我从旧金山搬到台北,也在练习这一点:不是不想做东西,而是不想让生活里每件事都只能以它是否有助于工作来解释。日程空下来后,我并没有立刻变笃定,反而每天都要重新问自己想做什么。

没有立刻变成产出的时间不是浪费。一段谈话、一条新路、一首反复听的歌,都可能提醒我还在乎什么。生活不是创作的竞争对手,而是让我有东西想做的来源。

比起最大化产出,我希望工具让我们有时间和注意力关心他人及世界:理解尚未弄懂的问题,也有能力对在乎的事情做点什么。关心本身不必变成另一个追求高分的指标。

07

像爵士乐团一样合作

不同版本可以帮助人们理解彼此。Ryo 用爵士乐团比喻合作中的倾听、分歧和默契。

回到日记工具。我们可以保留简洁的每天一页,也可以保留像手账一样的自由画布,甚至组合两者。找一个选择不同的人问问原因,做出来的版本就不只是成果,也是理解彼此的材料。

日记的自由画布
FOLIE 2 / 2日记的自由画布另一种日记视图将照片、文字和记忆片段放在开放画布上。

工作中许多判断也是这样形成的:有人用过觉得奇怪,有人在我以为不重要的地方坚持,有人拆开我确信的东西,让我看见遗漏。合作并不总舒服,我们会误解、不同意、道歉,再试一次。

我把合作想成爵士乐团:不是每个人都弹最多的音符,或证明自己最厉害;有人带旋律,有人先听、留空间,再接进来。失去节奏时,大家听着彼此找回来,最后出现的东西不是任何一人事先想好的。

AI 很方便、很有耐心,我不想否认这种容易带来的帮助。但如果我总选最容易回应我的对象,也许会失去与不同的人建立默契的机会。我不只想要一个更会回应我的世界,还想保留一个能让我改变的世界。

08

在制作中发现自己

人不必先完全了解自己才能开始。制作过程中每一个小选择都可能带来新的认识。

所以,当我们什么都能做时,是否知道自己想做什么?我的答案仍然是:不一定。这并不意味着必须先找到宏大的使命才能开始。我们可以在每一个小选择里发现自己在乎什么。

我们刚才没有先写完一份产品需求文档,只是看一个版本,觉得某处不对,改了一点,才更知道想要什么。做东西不仅表达已经想好的自己,也让我们遇见尚不了解的自己。

09

对下一个答案做一次练习

Ryo 邀请大家在完整答案中选一个尚未想清楚的决定,动手小改并与别人分享。

下次看到一个很完整的 AI 答案时,给自己一点时间:其中哪个决定是我自己还没想过的?挑一处在乎的地方,改一小点,有机会再给另一个人看。不必一次改变全部,也不必证明自己比机器厉害。

我仍然相信工具:让原本不能参与的人有机会表达,让原本做不到的事有机会实现,也不必为了维持系统运转而交出全部生活。我想要的工具帮助我更清楚地感受、自由探索、关心世界,并和别人一起做出原本做不到的东西。

Mehr aus diesem Kanal

2 Folien14:58EN
AI Engineer· 6. Nov. 2026Sparsh Jain on Building Experiential Memory for AI AgentsSparsh Jain · CentralAgent AIAn agent-memory lifecycle forms, updates and retrieves lessons while evaluation loops manage changing context.AI agentsAgent EngineeringContext Engineering+2
5 Folien17:27EN
AI Engineer· 6. Nov. 2026Philipp Schmid: Seven Things an AI Coworker NeedsPhilipp Schmid · Google DeepMindA walkthrough of managed agents, skills, credentials and controls, culminating in a scheduled portfolio-audit demo.Agent EngineeringGeminiAgenten-Authentifizierung+2
2 Folien18:13EN
AI Engineer· 6. Nov. 2026Sid Pednekar: Judgment Is the Scarce Resource in AI AdoptionSid PednekarA framework for choosing valuable problems, building shared capabilities and turning experience into organizational learning.AI AdoptionDecision MakingAI Strategy+1
2 Folien14:04EN
AI Engineer· 6. Nov. 2026Frank Long on Building AI Investment Workflows Around QualityFrank Long · CoatueCoatue’s Frank Long breaks investing into information, analysis and decision steps, and argues for choosing the right combination of code, models and people.AI agentsInvestingAgent Engineering+2
3 Folien17:52EN
AI Engineer· 5. Nov. 2026Cameron Wolfe on Evaluating AI When Answers Are SubjectiveCameron Wolfe · NetflixNetflix’s Cameron Wolfe outlines human review, calibrated model judges and production monitoring as a repeatable evaluation loop.EvalsEvals & ObservabilityHuman-in-the-Loop-Validierung+2
20:45EN
AI Engineer· 5. Nov. 2026John Stecher and Scott Worland on Building AI Systems That Can ChangeScott Worland, John Stecher · Norm AIThe Blackstone and Norm AI CTOs discuss data strategy, evaluations, production controls and when to wait for a better model.Enterprise-KIEvalsAgent Engineering+1