我们一直有个想法，让 AI 能自动帮我们完成我们想要做的事情，让自动驾驶，自动写文章，自动做饭，自动操作设备，自动......
随着 AI 的发展，这个想法越来越接近现实，但是还没有实现。
大型语言模型已经具备了强大的知识掌握能力和语言表达能力，能够进行复杂的对话、代码生成、逻辑推理，甚至模拟某种程度的「思考过程」。但现实是，从「能说会道」到「能完成任务」之间，还有一段不小的距离。
我们不妨换个角度想一想：当我们让一个人类来完成一项任务时，我们通常会先给出一个大致的目标，然后逐步明确问题的边界、操作的步骤、可用的工具以及判断结果是否合格的标准。
这个过程，本质上就是在界定问题范围。而问题范围的界定程度，直接决定了完成任务的难易程度。
举个例子：
- 如果你让一个人「帮我查一下明天的天气」，这个问题的边界非常清晰：地点、时间、数据源、输出格式都相对明确。
- 但如果你说：「帮我设计一个新产品并提出完整的商业策略」，这个任务的边界就非常模糊：用户是谁？目标市场在哪里？预算是多少？成功的标准是什么？每个维度都可能引出一连串子问题。
同样的道理也适用于 AI。当前的 LLM 和 Agent 系统，在处理边界清晰的问题 时表现良好，比如问答、摘要、代码填空等。但一旦任务的边界开始模糊、动态、依赖外部反馈，AI 的表现就会迅速下降。
我们可以将任务的难度，理解为 AI 需要「摸清楚问题边界」的程度：
- 边界清晰：问题的输入、输出、规则都明确，AI 可以像填空题一样一步步推出来。这类任务是目前AI的强项。
- 边界部分明确：有一定规则和目标，但需要自己补充部分前提或假设，比如"帮我写一段支持用户登录的代码"，AI 需要决定使用什么框架、是否带界面等等。
- 边界高度不确定：如「帮我规划一次创业项目」，AI 需要从目标澄清开始，到路径选择、资源调度、自我评估等多个层面进行处理，这时候它往往会陷入混乱。
换句话说，问题边界越模糊，AI 所要面对的「可能性范围」就越大。 如果不加限制，它就像在一片完全未知的森林里找路，既不知道出口在哪，也不知道有没有陷阱。于是它要么乱走一通，要么干脆原地画圈，给出一些看似合理却走不通的「方案」。
人类面对复杂或模糊的问题时，常常也不是立刻给出答案，而是先界定问题范围：
- 这个问题的关键变量是什么？
- 我需要哪些信息才能做出决策？
- 能不能先试着完成一个最小版本，看看方向是否正确？
这种思考方式其实是一种认知上的「范围压缩」能力，目的是在面对信息不完备或目标不清晰时，先把问题压缩到一个可以行动的范围，再逐步展开。
相比之下，当前的 LLM 与 Agent 系统，即便具备了强大的生成能力和任务执行能力，在主动界定问题范围上，仍显得笨拙甚至「无意识」。
常见的三个表现：
-
缺乏信息优先级判断能力：LLM 接收到一个模糊任务时，往往无法判断哪些信息是「必须现在明确」的，哪些可以「先搁置再处理」。它通常会试图一次性填满所有空白，而不是按优先级逐步推进。
-
不具备「最小可行路径」意识：在面对一个复杂任务时，LLM 更倾向于直接生成一个看似完整的解决方案（例如一个功能齐全的系统架构或一篇结构完整的长文），而不是像人一样，先试着完成一个最小可行版本（MVP），再逐步扩展。
-
无法识别自己的「知识盲区」 ：更关键的是，LLM 并不知道自己不知道。它不会像人那样产生「这个问题我不确定，我需要求证」的元认知反应，而是继续生成看似合理但实则无效甚至自相矛盾的内容。这种「自信且错误」的输出在真实任务中极具风险。
新的 Agent 架构正在尝试解决这一问题。这类系统强调：
- 多阶段任务拆解：将一个复杂任务拆成多个阶段，每个阶段都有明确的子目标与预期输出；
- 反思与自检机制：在生成每一步结果后，模型会对其进行「自我评估」，判断是否合理、是否遗漏、是否需要重试；
- 信息明确性评估：模型会尝试识别「哪些信息还不足以支持下一步推理」，并主动提出请求或假设补全；
- 动态路径调整能力：在发现路径错误时，能够中止当前链条，回退到上一步重新规划，而不是「硬着头皮走下去」。
这些能力构成了模型的「思维闭环」，让其在某种意义上具备了「界定问题范围」的雏形。
在真实世界中，任务从来不是开门见山、结构清晰的：
- 用户可能只给出一个模糊的目标（如「帮我设计一个商业模式」）；
- 过程中会出现信息缺失、中断、反馈变化；
- 执行中需要不断判断「我走的方向是否还正确」。
要应对这些情况，AI 不仅需要处理信息的能力 ，更需要处理「信息不足」时的自我调节能力。
这个问题的研究，已经引起了学术界的广泛关注。有一些观点：：
-
草图策略 ：让 AI 在面临复杂问题时，不再一次性给出答案，而是先生成多条解决思路的「草图」 ，再将其分解为子任务，逐步执行、评估、修正。这种方式的核心价值在于：先建立多个「问题理解的版本」，再逐步收敛。
-
「树搜索」+「奖励驱动」。让 AI 在面对不确定任务时，能够像爬山一样，不断生成多个路径，并根据「每一步的效果」来评估是否继续深入。这种「试探 + 筛选」的方式，帮助模型更加高效地界定问题边界，从而避免陷入无效探索。
-
仅作为助手：让 AI 作为辅助的思维工具，用于生成备选方案、补全缺失要素、解释已有路径等。
回到我们当前，作为一个 AI 的使用者，我们能做什么呢？
-
提出更好的问题 ：我们可以通过更精准的问题表述来帮助 AI 更好地工作。这意味着在提问时，不仅要描述目标，还要主动界定边界条件：具体背景是什么？可用资源有哪些？有哪些限制条件？预期的输出格式是什么？这种前置界定 能显著提高 AI 的输出质量。同时，我们也可以采用渐进式引导的方式，先让 AI 完成一个小范围的子任务，验证其理解是否正确，再逐步扩展到更复杂的任务范围，形成一种「小步快跑」的合作模式。
-
构建人机协作的闭环流程 ：有效的人机协作应该是一个闭环流程，而非单向输入输出。这意味着用户需要对AI的输出进行及时评估，提供明确的反馈，指出哪些方向是正确的，哪些需要调整，哪些问题仍然存在。通过这种持续的反馈修正机制 ，AI 能够逐步调整其对问题边界的理解。特别是对于复杂任务，我们可以建立人在回路的工作模式，即AI负责生成备选方案和细节执行，人类负责决策方向和质量把关，形成优势互补的协作关系。
-
适应 AI 的认知局限性 ：理解并适应AI的认知局限，是高效使用 AI 的关键。目前的 AI 在处理抽象概念、因果关系和长期规划时仍有明显短板。因此，我们可以主动将复杂任务拆解为一系列明确边界的子问题，让 AI 在其擅长的领域发挥作用。同时，对于涉及价值判断、创新突破或高风险决策的任务，我们需要保持审慎态度，将AI视为辅助工具而非决策者。认识到这一点，有助于我们在期待与现实之间找到平衡点，避免对 AI 能力的过度期待或低估。
以 AI 编程为例，当前比较好的实践是：
经验先行（包括自身经验或行业最佳实践），预先为 AI 构建整体架构，并将复杂任务拆解为一系列边界清晰、认知负载适中的子任务。每一个子任务都应在模型的能力边界之内，既能被准确理解和执行，又能稳步推动整体目标的进展，避免陷入回溯式的反复试错与路径偏离。
以上。