AI时代，先问为什么，再让AI动手
中文改写模型和中文AIGC模型训练这个项目做完，我最大的感受不是累，而是乱。
数据收集得很慢，不同领域的标签字段不一致，最后送检的 jsonl 格式五花八门，分析文件夹里堆了一堆格式转换代码。汇报的时候，我甚至不知道该怎么讲清楚这个项目到底做了什么。后来我才发现，问题不在于 AI 不够强，也不在于工具不好用，而在于我一开始没有停下来问几个“为什么”：
我为什么要收集这些数据？最后要长什么样？不同平台规则一样吗？数据能不能通用？标签该怎么命名？
我一直在行动，却没有先思考。
这让我意识到，AI 时代，执行越来越容易，但不思考就行动，代价反而更大了。
一、不思考就行动，AI 只会加速混乱
过去，执行是慢的。写代码要一行一行敲，整理数据要一个个文件改，格式转换要手动写脚本。因为慢，很多问题暴露得也慢，你还有机会在中途停下来调整。
现在不一样了。AI 可以帮你写代码、改文本、补格式、做总结。你刚有一个模糊的想法，它就能给你一版可运行的结果。执行变得便宜了，试错变得容易了，但这也意味着：如果你不知道自己到底要什么，AI 只会帮你更快地制造混乱。
它不会替你决定：为什么要做这件事？做到什么程度算好？什么算坏？哪些数据该留，哪些该扔？不同来源的数据怎么对齐？最后交付物到底长什么样？
这些问题，AI 回答不了。它只能在你给定的框架里执行。你没有框架，它就只能给你一堆零散的、看起来有用但拼不起来的东西。
所以，AI 时代最危险的不是 AI 不会做，而是人不再问“为什么”，就直接让 AI 去做。
二、我的数据项目，为什么会这么乱
回头复盘，这个项目乱在几个地方。
第一，不同领域的标签字段不一致。学术类有一套标签，其他领域又有另一套。由于都在同一个项目里，很容易混淆。今天看这个文件，label 代表学术分类；明天看那个文件，label 又代表别的东西。到最后，我自己都分不清哪个 label 是哪个意思。
第二，数据收集过程很慢。不同数据集来源不一致，有的来自公开数据，有的来自内部整理，有的来自模型生成。每个来源的格式都不一样，最后汇总成 jsonl 时，每条记录的格式也各不相同。有的多一个字段，有的少一个字段，有的字段名一样但含义完全不同。
第三，送检平台规则不统一。有的平台要求这种格式，有的平台要求那种格式。数据能不能通用，我事先没想清楚。结果就是，送检前要在分析文件夹里写很多解决格式的代码，一边转换一边补漏，越做越乱。
第四，项目汇报时不知道说啥。因为整个项目没有一条清晰的主线，数据是散的，标签是混的，格式是乱的。我很难讲清楚：这个项目到底收集了什么？为什么收集这些？最后得出了什么？
做完之后我才发现，这些问题本来可以在开始之前就避免。只要我先问自己几个问题：
我需要哪些数据？什么样子的数据？送检前准备多少、整理多少？不同平台规则是否一致？数据是否可以通用？标签怎么命名才不会混淆？最后送检的文件格式到底是什么？
我没有问。我直接开始收集，直接开始送检，直接开始总结。我以为行动就是效率，结果行动变成了返工。
三、如果重来，我会先问为什么，再动手
如果重来一次，我不会先急着收集数据，而是先想清楚整个数据链路。
首先，我会维护一个 master 数据。比如学术类，就建一个 academic_master_dataset.jsonl，里面记录数据的元数据。不同平台的标签不要都用 label，而应该用 A_label、B_label、growth_label。这样一看就知道这个标签属于哪个平台、哪个维度，不会混淆。
其次，数据收集应该是一个独立项目，产出统一的 master 文件。而不是每个领域一个 jsonl，格式各不相同，最后靠一堆转换代码硬接。收集的时候，就往约定的格式靠。送检的时候，再从 master 派生平台适配文件。这样，收集和送检解耦，改一处不会牵动全身。
再次，先约定送检文件的格式。不要等数据都收集完了，再去看平台要求什么。应该在收集之前就确定：最后送检的文件长什么样，需要哪些字段，字段类型是什么，哪些是必填，哪些是可选。然后让收集过程向这个格式靠。
这些做法，本质上都来自同一个动作：多问为什么。
为什么要用 master 数据？因为要统一管理，避免重复和混乱。
为什么要用 A_label、B_label？因为不同平台的标签含义不同，不能统称 label。
为什么收集和送检要分开？因为它们的职责不同，混在一起会互相牵制。
为什么要先约定格式？因为格式是接口，接口定了，后面的工作才有方向。
你看，这些不是多么高深的“框架技巧”，而是多问几个为什么之后，自然得到的结果。
四、LLM 改写也一样，不能盲目试
收集数据的过程中，LLM 改写也让我很无奈。
随着模型能力提升，理论上它应该更容易理解我们的提示词。但实际做的时候，很容易忘记具体方式。今天试了一种提示词，效果不错；明天换一个模型，效果又变了。如果没有记录，没有思考，就只是在碰运气。
我试过很多方法：直接少样本学习；单个简单提示词改写；提示词设置角色和角色背景进行改写；少样本学习生成简洁提示词，再根据这个提示词加少样本生成新文本；A 模型用提示词 AP 改写完，再让 B 模型用另一个提示词改写；在单个提示词的基础上增加参数随机性，比如设置随机的温度、随机的模型，来提高改写文本多样性；商用大模型和非商用大模型的多次采样，也可以扩大文本多样性。
这些方法本身都有用。但后来我发现，真正重要的不是试了多少种方法，而是有没有问：
为什么要这样改写？
多样性来自哪里？
哪些变量影响了结果？
怎么记录才能复现？
怎么判断改写后的文本是合格的？
如果不问为什么，这些方法就只是零散技巧。今天用这个，明天用那个，最后自己都忘了哪个方法对应哪个效果。问了为什么，它们才能变成一套可复用的改写策略。比如，你可以建立一个改写矩阵：模型 × 提示词 × 温度 × 采样次数 × 是否少样本。每一组变量都记录清楚，这样才知道多样性到底来自哪里，哪些组合值得保留，哪些组合可以淘汰。
AI 可以帮你生成文本，但它不会替你设计实验，不会替你记录变量，不会替你判断什么算好。这些仍然需要你来思考。
五、AI 能替你执行，不能替你问为什么
AI 时代，我们很容易陷入一种错觉：只要工具足够强，执行足够快，事情就能做成。
但我的项目经历告诉我，不是这样的。
AI 可以写代码，但它不知道你为什么要这个功能。
AI 可以改文本，但它不知道你为什么要这种风格。
AI 可以补格式，但它不知道你为什么要这些字段。
AI 可以做总结，但它不知道你真正想表达什么。
它能替你执行，但不能替你问为什么。
不思考就行动，AI 只会让错误执行得更快。你本来只是有点乱，AI 一加速，你就得到了一堆更乱的产物。你本来只是没想清楚，AI 一补充，你就得到了一堆看起来完整但逻辑不通的东西。
所以，AI 时代，思考不是变少了，而是必须更提前、更主动。
六、先问为什么，再让 AI 动手
写到这里，其实也是在提醒我自己。
以后再做项目，我不能再像这次一样，一上来就闷头收集、闷头送检、闷头总结。我要先停下来，问自己几个问题：
我为什么要做这件事？
最后要得到什么？
什么算好，什么算坏？
有哪些约束条件？
不同部分之间怎么对齐？
怎么记录，才能复现和复盘？
这些问题不会花太多时间，但它们能决定后面所有工作的方向。这次的数据项目，就是因为我没问，才做得那么乱。下次我不想再这样了。
AI 是补充，不是替代。它补的是枝叶，我搭的是骨架。没有骨架，枝叶越多越乱。没有思考，执行越快越糟。
所以，我得记住：不要不思考就行动。
先问为什么，先想清楚，再让 AI 动手。
AI 可以帮我走得更快，但方向，得由我自己定。