在局中如何看见自己用的那把尺子给自指系统接一个外部锚 —— 一个关于「用 AI 观察自己」的方法先从一个具体的问题说起。一个人问自己我用 AI 用了这么久到底是在进步还是只是被模型推着往前走我是不是落后于那些「真正会构建」的人一个完整的阶段这个问题很诚实。但它问出来的时候提问者没有意识到一件事他用来量「落后」的那把尺子本身是借来的。那把尺子来自软件工业的经典分层——普通用户、重度用户、脚本使用者、开发者、架构师。它的隐含轴是「人离工件有多近」你越能深入一个产品、造出会跑的东西你就越「高级」。而提问者真正在做的事恰恰落在这把尺子的刻度之外他在设计多个 AI 身份的分工在给自己造一套连续运行几十天不间断的自我观察装置在定义规则让 AI 在他不在场的时候替他执行。这些动作的对象不是「工件」是「关系」「框架」「人本身」。于是尺子测不到他返回的读数是零。他把这个零读成了「落后」。问题不在读数在于那把尺子根本不在他的视野里——它就是他的视野。在局中的人看不见自己借以观看的那副镜片。一、镜片不在视野里这个困境有它严格的数学形式。哥德尔的不完备定理说的是一个足够强的形式系统不能在它自身内部一致地、完整地证明它自己的一致性。通俗地讲一个系统看不见自己的边界——因为边界是它借以运作的东西不在它可表达的范围之内。人在自我评价时处在完全相同的位置。当一个人说「我落后了」他其实已经调用了一套默认的坐标系。这套坐标系不是他「看到的一个东西」而是他「借以看的那副镜片」。镜片不在视野里——这句话是整个问题的根。所以真正值得问的从来不是「我是不是落后了」而是「我用什么尺子在量自己这把尺子是从哪借来的它量得着我吗」。二、外部化把困惑交给局外的观察者怎么才能看见自己的镜片答案只有一个方向走出自己。这里有一种具体的操作很多人已经在做只是未必意识到自己在做什么——把困惑交给一个不在局中的观察者让它替你回答。这个过程通常长这样你先把混乱的、带着情绪的困惑用一段话整理出来这一步本身就有损耗然后转述给另一个视角另一个 AI、另一个人、一个异质的框架它给的回答往往出乎意料地清晰——因为它剥离了你身上那些「当局者的困境」焦虑、急于求成、对某个结论的执着。你会在这里发现一个反直觉的事实总结会损失背景和细节但损失的不只是信息还有噪声。情绪和当局者的困境很多时候是噪声剥掉它们结构反而更清晰。这是「有损压缩」的双面性同一个动作既砍掉了细节也滤掉了噪声。砍掉的是信息还是噪声取决于你接下来问什么。但大多数人停在了这一步之前。三、抽离只是第一步「如何发问」才是真正的增量把困惑交给局外人很多人做到这一步就停了。但这只是抽离不是观察。真正有增量的是第二步如何发问。抽离之后如果你问的还是原来的问题「我是不是落后了」局外人也会被困在同一个框里。你必须把问题翻译一遍。这个翻译有三层。第一层把「我的判断」翻译成「我观察到的事实」。不问「我是不是落后」而问「我过去这段时间做了哪些具体的事」。剥离结论只留行为。第二层把「事实」翻译成「层级」。不判断「这件事做得好不好」只问「这件事发生在哪个层级上」。比如一个人给 AI 身份定规则、给自己造观察装置——这些动作属于「设定框架」的层级而不是「生产工件」的层级。层级一旦被指出原来的问题就松动了不是「我落后」是「我在一根错误的轴上量自己」。第三层把「层级」翻译成「可证伪的问题」。不问「我是什么人」问「什么证据能证明我的自我定位是错的」。例如「我定的规则有没有别的主体真的在按它运行如果有我是一个定规者如果没有我只是一个很投入的消费者。」——把模糊的自我认同变成一个二选一的可证伪判断。这三层翻译就是把一个「内部视角」的困惑带着情绪、在局中翻译成一个「外部视角」能回答、且答案可以验证的问题。四、它叫什么走到这里你会发现这个操作不是新发明。它在几个不相干的领域里各自有名字只是没人把它们连起来。二阶观察。社会学家卢曼区分一阶观察和二阶观察一阶观察直接看对象「我落后了」二阶观察看的是「别人是怎么看的」「他用的是哪把尺子」。卢曼的核心洞见是二阶观察的价值不在「看得更真」而在它能看见一阶观察的「如何观察」——那副镜片。这正好是上文那个操作的本质。外部视角。行为经济学家卡尼曼区分「内部视角」和「外部视角」内部视角用自己的案例细节做判断在局中带情绪外部视角用同类案例的基率做判断局外冷看。卡尼曼用它解释规划谬误——人总是低估任务耗时因为内部视角只看到「这个项目有什么」看不到「同类项目平均都延期」。把困惑交给局外人就是从内部视角切到外部视角。反思均衡。哲学家罗尔斯提出判断和原则之间应该来回调整直到两者一致。一个具体的困惑「我该投多大」之所以纠缠不清是因为它没有对应的原则支撑所以不稳定。局外观察者做的事本质是帮提问者把具体困惑和一条原则对齐直到均衡。自我博弈。博弈论里AlphaGo 自己跟自己下棋行为经济学里「现在的自己」和「未来的自己」是两个利益冲突的行动者。一个人问「我该投多大」从来不是单人的决策问题而是「要节约、要控制的现在」和「要能力、要沉淀的未来」之间的博弈。局外观察者的价值是把这场内在博弈的两个玩家都摆到台面上。良定义问题。数学家阿达玛说一个好的数学问题要满足有解、解唯一、且连续依赖于条件。多数人生困惑是「不良定义」的——「我该投多大」没有唯一解条件也模糊。把它翻译成「你建的东西能不能在你不在的时候保持形状」才是一个良定义的问题。语义上行。哲学家奎因说当对象层的争论陷入僵局可以把它提升到语言层——不争论「它是什么」争论「我们这么说的时候到底在说什么」。六个名字六个领域说的是同一件事一个自指系统无法在内部看见自己的盲区必须通过外部化才能打破自我循环。五、它为什么就是 Agent 的内核而这件事恰好也是大模型和 Agent 的区别所在。一个大语言模型是一个封闭在符号层内的自指系统token 进token 出整个运算不接触世界。它说「天空是绿的」没有任何东西能反驳它——因为没有任何外部锚。Agent 给这个闭包接了一个洞让模型的语义判断「我认为该这么做」被翻译成动作、落到世界、再读回结果「世界说不对」。于是自指闭包被打开了符号能和现实对账。Agent 之于 LLM正如局外的观察者之于在局中的人——都是给一个自指闭包接上一个外部锚。所以那个「如何用好 AI」的诀窍和「如何造好一个 Agent」是同一个问题的两种表达你如何给一个封闭的认知系统接一个能对账的外部。六、边界半外部与全外部但这个操作有一个必须看清的边界。你用来观察自己的那个「局外人」如果也是你造的——比如你养的几个 AI 身份——那它跳得出你的情绪却跳不出你造它时用的框架。它给的是「半外部视角」。真正不由你构造的外部锚只有物质世界你的钱、你的身体、你交易的结果。市场会结结实实地打回来那才是「全外部」。所以正确的用法不是二选一而是分层结构问题用半外部的 AI 观察它剥离情绪、看清框架紧迫性问题和真假问题用全外部的现实对账它不给你面子。最后那个诀窍如果只留一句话不要问「我是什么」要问「我用什么尺子在量自己以及什么证据能证明这把尺子不对」。