二十五岁的我，可以让 AI 把一个音符的声音画出来。当图案出现在屏幕上时，我想尝试那些直到昨天还会放弃的点子。如果滤波器在让图案更清晰的过程中，抹去了音符最初响起的部分，我能察觉吗？
我们看到的是什么？
从觉得自己无所不能，到陷入冒名顶替综合征，可能只需要问出那个问题的片刻。刚才，我还觉得自己什么都能做出来。现在，我却可能连创意的功劳也归给机器。不过，这个实验仍有价值，我可以找理解这个问题的人一起验证。一名足够有创造力的初级工程师，也能进入一个新领域，做出足以与深耕多年的人所开发的产品相媲美的产品。这正是 Felix Rieseberg 在《求知欲胜过资历》中描述的可能性。
智能体可以提出不同的方程来组合两列声波。我们可以从一个结果可预测的情况入手：在同一位置、同一时刻，两个大小相等、方向相反的分量相加为零。如果程序表示的是这个和，却显示出最大值，那就说明出了问题。使用滤波器则需要另一种判断。更稳定的图案可能更容易看清，也可能对声音变化不那么敏感。我们必须决定自己想呈现什么。
即使更换编程语言，算法和系统设计也能帮助我们分析不同方案。如果修改图案颜色时必须改动麦克风代码，面向对象编程（OOP）原则就能帮助我们发现问题。这说明有必要重新考虑职责如何划分。这些工具帮助我们在陌生领域运用批判性判断，并为决策提供依据。
由谁决定取舍？
在农田里，重试传输可能让一条读数成功送达，也会消耗更多电量。能耗可以估算，但提前一小时收到数据究竟有多大价值，需要由田间工作者来判断。如果已经拿到这条读数，他们会做出什么决定？AI 可以帮助比较方案，而优先级需要与系统用户共同商定。一种有创意的解决方案可能是按需调整传输，而不是寻找一个最优的固定设置。
决策可以沉淀为可复用的经验。数据存储的最新副本也会同步删除操作，而备份则保留较早的状态。这一区别为下一个项目提供了一项测试思路：在测试副本上恢复数据。如果将其写入智能体的指令，它就会成为该智能体的一部分 运行框架，也就是围绕模型构建的指令与工具环境。规则背后的理由始终可供查阅，并且需要在情境变化时重新审视。相关工作见 Anthropic 和 OpenAI.
即使觉得自己准备不足，我仍然可以选择动手构建。基础知识有助于判断应从哪里验证方案，以及该向领域内的专业人士请教什么。借助 AI，我可以带着一个已经能运行的成果参与讨论，而不只是把想法留在纸上。