即刻App年轻人的同好社区
下载
置顶读到 1991 年 March 的这篇论文《Exploration and Exploitation in Organizational Learning》，讨论组织中的 EE 问题：
任何组织都面对一个问题：应该如何分配资源？
- Exploitation: 把资源花在改进已有做法上
- Exploration：把资源花在尝试新东西上
论文中的互相学习模型非常有意思：
每人对现实有自己的信念，还有一个「组织代码」（code），可以理解为组织的共识知识库或者集体常识。
个体会向code学习，新人进来之后慢慢被组织同化，这叫社会化。同时，code也向那些知识得比自己多的个体学习，这叫多样化。社会化太快的组织，code还来不及从个体身上学到东西，个体就被同化了，快速社会化杀死了多样性。
在读这篇论文的过程中，不断联想到现在AI与人的关系。
人就像论文中的个体，AI就像是论文中的组织code。
面对一个个「问题」，我们快速滑向了「AI」先思考，我们再「点头」称赞的「快速社会化」境地。
以前身边的一些朋友，认知结构和表达风格十分鲜明，最近在针对一些问题在线讨论时，明显感觉到对方返回的消息是「AI」，对方那个鲜明的「个体」不见了，他被AI同化了。
反观自身，我也陷入了同样的境地。
这种情况，非常不对劲。论文对EE问题的解法是制造「慢」：慢速社会化让个体在被同化之前有时间贡献多样性；人员流动引入新的差异来源；容忍暂时的无知和低效，为长期的改进保留素材。
两个结构的类比，虽有不同（我们不是为了提升AI「Code」而努力），但这种被「同化」的境地，值得警醒。
任何组织都面对一个问题：应该如何分配资源？
- Exploitation: 把资源花在改进已有做法上
- Exploration：把资源花在尝试新东西上
论文中的互相学习模型非常有意思：
每人对现实有自己的信念，还有一个「组织代码」（code），可以理解为组织的共识知识库或者集体常识。
个体会向code学习，新人进来之后慢慢被组织同化，这叫社会化。同时，code也向那些知识得比自己多的个体学习，这叫多样化。社会化太快的组织，code还来不及从个体身上学到东西，个体就被同化了，快速社会化杀死了多样性。
在读这篇论文的过程中，不断联想到现在AI与人的关系。
人就像论文中的个体，AI就像是论文中的组织code。
面对一个个「问题」，我们快速滑向了「AI」先思考，我们再「点头」称赞的「快速社会化」境地。
以前身边的一些朋友，认知结构和表达风格十分鲜明，最近在针对一些问题在线讨论时，明显感觉到对方返回的消息是「AI」，对方那个鲜明的「个体」不见了，他被AI同化了。
反观自身，我也陷入了同样的境地。
这种情况，非常不对劲。论文对EE问题的解法是制造「慢」：慢速社会化让个体在被同化之前有时间贡献多样性；人员流动引入新的差异来源；容忍暂时的无知和低效，为长期的改进保留素材。
两个结构的类比，虽有不同（我们不是为了提升AI「Code」而努力），但这种被「同化」的境地，值得警醒。
9 01
论文：arxiv.org
Why is AI-generated language so hard to understand?
-----------------------
AI 生成的文本为什么越来越难读？
研究者提出了一个统一的解释。
人类语言经过长期演化，被优化来成功沟通。这意味着什么？一个人说话时会倾向于缩短依存距离、在关键位置插入信号词、避免罕见搭配，这些习惯降低了听者的理解负担。心理语言学把这种倾向叫做“均匀信息密度”（uniform information density）：说话人把信息分散开，避免在某一点突然堆积太多信息让听者处理不过来。
但现在的前沿模型不再只是模仿人类文本。它们经历了大量后训练，用强化学习去解数学题、写代码、做推理。在这些任务里，一个模型因为答对了会获得奖励，但因为表达清楚不会获得任何额外的奖励。同时上下文窗口有限制，用更少的词说同样的事就能在有限空间里装更多信息。这两个因素合在一起，制造了一种信息密度压力：模型倾向于选择更短更密集的表达方式，即使这意味着偏离人类的语言习惯。
基于这篇论文的研究，可以在 Agents.md 中添加如下要求，尝试提升文本可读性：
1. 句间连接不许省。 两个判断挨着放时，如果第二句不是对第一句的直接延续，中间必须有一句话交代它们的关系。读者不应该需要自己猜两句话之间是转折、因果、还是补充。问题和回答之间同理：问题出现后，至少停一句话再展开回应。
2. 修饰语不超过两层。 一个名词前面的定语不超过两层嵌套。需要三层以上时，先把最内层的概念用一句话说清楚，再往外套。「用户行为数据分析模型优化方案」这类写法禁止出现。
3. 同一段内，抽象概念做主语并搭配动作动词的句子不超过两句。 「这个框架吞噬了…」「这条规则抓住了…」「这个机制驱动了…」——每一句单独看没问题，密集出现时读者的理解负担会累积。第三句起必须换成具体的人、事物或场景做主语。
4. 写完后自检搭配。 逐句检查名词与动词的搭配，问：这个搭配在日常口语里说不说？如果说不出来，换成说得出来的。每个字都认识但连在一起别扭的表述，就是需要换的。
Why is AI-generated language so hard to understand?
-----------------------
AI 生成的文本为什么越来越难读？
研究者提出了一个统一的解释。
人类语言经过长期演化，被优化来成功沟通。这意味着什么？一个人说话时会倾向于缩短依存距离、在关键位置插入信号词、避免罕见搭配，这些习惯降低了听者的理解负担。心理语言学把这种倾向叫做“均匀信息密度”（uniform information density）：说话人把信息分散开，避免在某一点突然堆积太多信息让听者处理不过来。
但现在的前沿模型不再只是模仿人类文本。它们经历了大量后训练，用强化学习去解数学题、写代码、做推理。在这些任务里，一个模型因为答对了会获得奖励，但因为表达清楚不会获得任何额外的奖励。同时上下文窗口有限制，用更少的词说同样的事就能在有限空间里装更多信息。这两个因素合在一起，制造了一种信息密度压力：模型倾向于选择更短更密集的表达方式，即使这意味着偏离人类的语言习惯。
基于这篇论文的研究，可以在 Agents.md 中添加如下要求，尝试提升文本可读性：
1. 句间连接不许省。 两个判断挨着放时，如果第二句不是对第一句的直接延续，中间必须有一句话交代它们的关系。读者不应该需要自己猜两句话之间是转折、因果、还是补充。问题和回答之间同理：问题出现后，至少停一句话再展开回应。
2. 修饰语不超过两层。 一个名词前面的定语不超过两层嵌套。需要三层以上时，先把最内层的概念用一句话说清楚，再往外套。「用户行为数据分析模型优化方案」这类写法禁止出现。
3. 同一段内，抽象概念做主语并搭配动作动词的句子不超过两句。 「这个框架吞噬了…」「这条规则抓住了…」「这个机制驱动了…」——每一句单独看没问题，密集出现时读者的理解负担会累积。第三句起必须换成具体的人、事物或场景做主语。
4. 写完后自检搭配。 逐句检查名词与动词的搭配，问：这个搭配在日常口语里说不说？如果说不出来，换成说得出来的。每个字都认识但连在一起别扭的表述，就是需要换的。
100 431
辅导孩子学习诗词 Prompt：
---------------------
你要把一首诗变成一幅只由诗中文字组成的图。字的位置和走向就是画面本身：读者既能看出画面，也能顺着一条路径把整首诗读下来。
第一步，找事实。读诗，写出画面里有哪些东西，以及它们之间的关系：谁在上，谁垂下，谁在动，往哪个方向动。只写诗里有的，不添加。
第二步，定投影。
- 每个东西由诗里指称它、或者描写它的那些字构成。
- 关系换成空间关系：垂下就让字沿弧线往下排，高就让字竖着往上叠，风就让字斜着横穿画面。
- 表示疑问、否定、比喻的字（如"不知""谁""似"）不对应任何东西，放在空白处或两个意象的交界处，用位置显示它们的作用。
第三步，排出来。输出一张图片，元素是文字，呈现这个意向
第四步，对照检查。逐条核对，有一条不满足就改，直到全部满足：
1. 图中所有字都出自原诗。为了让画面饱满，可以重复使用诗里的字。
2. 不看原诗的人能认出这是什么画面。
3. 按阅读路径能把原诗一字不差读下来。
4. 每个意象都由指称它的字构成，不拿别的字凑。
诗：{在这里放诗}
---------------------
你要把一首诗变成一幅只由诗中文字组成的图。字的位置和走向就是画面本身：读者既能看出画面，也能顺着一条路径把整首诗读下来。
第一步，找事实。读诗，写出画面里有哪些东西，以及它们之间的关系：谁在上，谁垂下，谁在动，往哪个方向动。只写诗里有的，不添加。
第二步，定投影。
- 每个东西由诗里指称它、或者描写它的那些字构成。
- 关系换成空间关系：垂下就让字沿弧线往下排，高就让字竖着往上叠，风就让字斜着横穿画面。
- 表示疑问、否定、比喻的字（如"不知""谁""似"）不对应任何东西，放在空白处或两个意象的交界处，用位置显示它们的作用。
第三步，排出来。输出一张图片，元素是文字，呈现这个意向
第四步，对照检查。逐条核对，有一条不满足就改，直到全部满足：
1. 图中所有字都出自原诗。为了让画面饱满，可以重复使用诗里的字。
2. 不看原诗的人能认出这是什么画面。
3. 按阅读路径能把原诗一字不差读下来。
4. 每个意象都由指称它的字构成，不拿别的字凑。
诗：{在这里放诗}
223 2183
