本文是我于2026年8月写给任能科技(EnergyQuant)全体同事的一封信的公开整理版,也补充了同年6月短记中的相关思考。
认清一个问题的过程,就是在解决这个问题。
AI让信息检索、方案比较、代码实现和数据分析变得更容易。第一轮答案来得更快以后,我更关心的事情是:我们是否认清了真正的问题,是否提出了正确的问题,是否能够判断答案的可靠性,以及能否把智能转化成真实结果。
过去的经验可以帮助判断,也可能限制判断。当熟悉的办法先于真实的问题出现时,我们容易把新的问题塞进旧框架。我提醒自己,不要在看清楚新问题之前,就拿旧办法替它作出决定。
先说清楚要解决什么
面对一项任务,首先要说清楚:要解决谁的什么问题,为什么需要解决,什么结果才算完成。
真实需求、业务场景、系统边界、关键约束和完成标准,需要一起进入讨论。当这些条件清楚以后,技术才能被有效地放大和执行。如果问题还没有认清就开始行动,AI也可能帮助我们更快地解决一个错误的问题。
问题定义本身就有价值。它让我们知道哪些信息重要,哪些方案值得比较,也让结果有了可以核对的依据。
先调研和复用,再建设真正缺失的部分
绝大多数通用需求都不是第一次出现。已有文档、代码、历史项目、成熟产品、开源工具和研究成果中,往往已经存在一部分答案。
因此,认清需求以后,要先看内部和外部已经有哪些能力,再判断哪些可以直接复用、哪些需要调整,以及哪些部分确实需要自己建设。
调研的价值,是避免低水平重复,找到已有能力与真实需求之间最小、最关键的差距。把已有的东西理解清楚,本身也是学习和积累。
经验也需要接受这一步检验。熟悉某一种方法,不等于它就适合眼前的对象、时点和约束。
把结果做实
AI降低了普通工作的门槛,也提高了优秀工作的标准。能够快速生成一份材料、一段代码或者一个页面以后,还需要继续判断:它是否可靠,是否解决了原来的问题,是否能够被真正使用。
追求卓越不要求每件事情第一次就做到完美,也不意味着简单延长工作时间。它意味着对模糊的问题、未经调研的重复建设和“差不多能用”的结果保持不满足。
探索和试错是必要的。但每一次探索都应该增加认知,每一次解决问题,都应当尽可能留下可以复用的能力,让下一次工作有更好的起点。
认清问题,就是在解决问题。 先调研和复用,再建设真正缺失的部分。 把智能转化为可以检验的真实结果。