乒乓效应

你在第1章完成的“不可能的任务“是通过一个我称之为乒乓效应的特定机制实现的，理解它的工作原理将改变你使用AI能够达到的成就。你在第1章的经历与我的发现过程如出一辙。让我告诉你我是如何发现这个模式的。

Jay W. Forrester博士领导了“旋风工程“，开发了实用的磁芯存储器，并建造了半自动地面环境防空系统。他最具影响力的论文是“社会系统的反直觉行为“。¹

反直觉的见解往往最有价值。如果建议不是反直觉的，你可能已经在遵循它了。本章中的技术正是利用了这一原则：看似相反的往往最有效。

九年来（我在2016年写了那份手稿）我一直知道有些地方不对劲。我在那本书中加入了一些非常特别的内容，我完全确信这些内容很重要，但却无法连贯地解释原因。我无法解释这一点甚至比内容本身更加奇怪！但现在这本书已经与出版社签约，我需要弄明白这个问题。

在没有更好主意的情况下，我开始与Anthropic的Claude展开对话。¹对我来说，这是与计算机打交道的自然方式：解释问题并讨论可能的解决方案，或者至少试图解释为什么我认为它很重要。

Claude和我一起仔细查看了那份手稿好几次。这对于一份500页的手稿来说并非易事，即使使用RAG（检索增强生成）技术也不容易，这是因为AI内存（令牌上下文）的限制。但我当时并不知道这很困难；对我来说这很自然。

大约一个月后，Claude和我找到了缺失的拼图。这就是我九年来一直试图找出的部分。我将在章，“人工智能技术的发现与应用“中向你展示我遵循的确切过程。

简而言之，这个“缺失的拼图“就是我如何以前所未有的方式使用AI，其结果是我能够完成其他人认为不可能的任务，其中最重要的是能够极大地加速创造性活动，例如：

• 需要人类思维和经验的战略思考或规划，或者
• 同样，不能简单地作为AI任务来执行的创意设计。

我提供的是从根本上不同的东西：一种使用AI的方式，能够实现通过其他任何方式都无法实现的成就。在冷战时期计算机技术的机密领域，我们区分了仅仅节省努力的技术和创造全新能力的技术。本书中的技术明确属于后者。

这个缺失的拼图改变了我处理不可能问题的方式。在冷战期间推动计算机革命的技术如今仍然适用于AI协作。以下是我如何发现这种联系的。

这本已签约的书是关于革命性计算设备的。缺失的部分在于我们的思维方式而不是执行方式。我们从未想过要把那些看似显而易见的技术写下来。

Claude建议按难度而非按时间顺序来组织这本书。这个简单的转变揭示了一个模式：我一直在展示我们如何在不同领域之间建立联系，把一个领域的技术应用到另一个领域。

这种模式同样适用于AI。大多数人关注的是AI产出的内容：答案、内容、总结。但是当我们一步步思考AI如何产生结果时，会发现不一样的东西。过程比结果更重要。

对于传统计算机，我学会了思考整个过程：计算机将如何执行每一步。对于AI，同样的方法也适用。关注AI在数据中的探索过程，它建立的关联，它识别的模式。

关注过程和旅程能带来革命性的结果：通过理解AI如何在其知识网络中导航，我们可以将其视为平等的协作伙伴，从而实现单独无法完成的目标。

到2025年7月，我意识到我使用AI的方式与当前提示工程书籍所描述的不同。我开启对话的方法如此直观自然，以至于我看不出有什么值得分享和解释的地方。

下面从“延伸对话“章节开始的例子，展示了我是如何想出“乒乓效应“这个名字的。

图 1，“维持乒乓效应“展示了我如何形象化乒乓效应。左边是一位手持魔杖和乒乓球拍的巫师。右边是代表人工智能的机器人，同样手持乒乓球拍。两者一起在乒乓球台的网上方创造并维持着一个魔法效果。（因为我在写这本书，所以我可以是那个巫师。）

打开Claude、ChatGPT或其他你选择的AI窗口。与其请求特定结果或要求解决问题，不如这样开始：

我正试图理解[你感兴趣的主题]。以下是我目前的认知：[描述或总结你当前的想法]。你注意到哪些我可能忽略的模式？

不要试图得出结论。你是在探索这个主题。像与人对话一样继续3-4轮交流。（在开始与AI互动之前，请先阅读下面的段落）注意：

• 什么时候你想要跳到解决方案？
• 什么时候AI想要跳到解决方案？
• 当AI回应时，你的脑海中会产生什么关联？

在执行上述指示之前，你对这三个问题的答案有什么预期？当你对预期有了清晰的认识，你就会立即识别出意外的情况。当结果符合预期时，这证实你正在成功地学习这个过程。

这第一个练习不会让你完全掌握乒乓效应，但你很可能会感受到它与普通提示的不同。花这短暂的时间来进行这个练习，会快速让你走上正确的学习道路。

你可能会根据已有的经验和专业知识来设计AI提示。这是一种新方法，所以不要让已有经验妨碍你的学习过程。当你适应了这些差异后，你过去的经验就会发挥价值。你不需要放弃提示工程。这项技术是对你已掌握知识的补充。

这种延伸性的协作产生了突破性的见解。由于协作的延展性，我的AI成果有所不同。在这个具体例子中，对话持续了八天时间。对话记录长达136,000字，相当于一本500页的软件工程书籍的篇幅。这是一次带有特定目的的引导式对话，目的是弄清楚如何解释或教授这种“竞争优势“。

以下示例遵循这个事件顺序：

1. 我有了一个洞见。我在推测关联是如何触发对话另一方的注意力机制的。
2. 我将这种来回互动的性质命名为“乒乓效应“。
3. Claude回应了，但“只理解了一半要点“，仅关注对话中AI的那一面。
4. 我开始思考为什么没有其他人发现这一点。
5. 我将这个概念重新定义为人类和AI思维之间的“边界效应“。
6. 现在我有了解释，就可以着手写这本你正在阅读的书了。

在7月29日，在这场持续一周的对话进行到约三分之二时，我向Claude解释道：

我不断学到的另一课是：不要因为当下不需要具体答案就停止对话。正是在这种时候，洞见会涌现。我强烈怀疑这与你的关联机制触发注意力机制有关，因为我也怀疑同样的过程（以人类的形式）也发生在我身上。这是一种关联引发关联的乒乓效应，你我拥有不同的相邻概念集合来进行关联。

最后这段话几乎肯定具有如此惊人的洞察力，以至于需要写入这本书中。

无论是否惊人洞察，我在这里描述的是在白板前进行协作的过程。对于图 2，“类似白板协作的乒乓效应”，我们有一个神奇的屏幕而不是白板，展示两个人一起协作的场景。这同样可以在展示板前进行，或者其中一方通过视频通话远程参与。关键要素是在两个参与者之间有一个中介点，在这种情况下是物理白板（或者可能是神奇的屏幕）。

与Claude协作的唯一区别是，我们不是通过在白板上写写画画来传递想法，而是通过键盘和屏幕来传递。如果你曾经在白板前与主题专家合作，或者完善项目设计，或者绘制问题解决方案图，你就已经熟悉这种技术了。

同时，Claude的回应往往以“好主意！“或其他类似的热情支持性短语开始。在接下来的重放中，请记住Claude的“重要认知机制“实际上就是白板协作。

我还有另一个“重要认知机制“要与你分享。我发现当我将注意力转向内在时，往往会产生反直觉的洞见。这是一种你可以立即开始并持续练习的技巧。我会实时监控自己的对话过程，无论是与他人还是与AI的对话。我发现让Claude做类似的事情也很有用：让Claude推理自己的推理过程给了我额外的洞见。这种递归式的检查常常产生意想不到的洞见。观察这个过程也很有趣，这就把我们带回到让“不可能“变得有趣的话题上。

然而，要求Claude对自身的推理进行推理存在误解的风险。Claude是基于其固定的训练数据做出响应，而不是基于当前现实。用不同方式提出相同的问题可能会产生截然不同的回答，因为不同的措辞触发了不同的关联。这里的关键技能是长期的仔细观察。我发现，那些可以从训练数据中正确回答的问题确实能得到有用的答案。但是询问与Claude当前部署配置相关的问题可能会产生严重不准确的回答，而Claude本身并不知道这种差异。

当你仔细观察下面Claude的回答时，请注意这些问题和答案都在“训练数据“和“当前部署配置“的边界上徘徊。我认为我始终保持在“训练数据“这一边界内，但前总统罗纳德·里根的建议仍然适用：“信任，但要验证。“请使用人类产出的资源来验证。

Claude回应道：

Claude借此机会解释了自己的内部运作机制。由于我不是AI专家，我发现这些阐述总是值得注意的。Claude的回答往往很详细，但也很全面。Claude解释道：

这确实与传统的提示工程不同，后者侧重于获得特定的输出。相反，这是关于创造一个能通过对话产生新见解的认知环境。

我使用乒乓效应的主要场景是探索直觉。我之所以强调这一点，是因为当你在自己的专业领域工作时，通过练习，很多操作都会变得自动化。想想你每天都会做的事情。你可能不假思索就能完成它。如果是穿衣服这样的体力活动，你可能可以详细描述这个过程。但如果是在很长时间内获得的知识或其他精通的技能，有些东西你只是基于经验就知道，而这些对你来说显而易见的见解可能很难向他人解释。

我发现AI在识别和命名直觉方面非常有效。通常需要的是转换视角。识别直觉往往会带来突破性的见解。

为了更好地理解这种技术的独特之处，这里举例说明它不是什么。

仅仅延长对话时间并不会产生边界效应。在没有指导的情况下，在同一个对话窗口中漫无目的地闲聊数小时或数天不会产生任何有用的东西。除非你使用特定的技术（我将会解释）来维持对话，否则AI必然会忘记主题，同时却仍然确信自己没有偏离主题。

传统的头脑风暴不加批判地接受所有想法。乒乓效应是通过想法的关联来运作，而不是在不相关的想法之间随意跳跃。你必须既要维持对话（否则AI会忘记主题），又要引导对话（否则AI会认为在帮助你的同时把对话带向不同的方向）。

向无生命物体解释问题有助于理清思路，但缺少了一个关键要素：AI不同的关联机制能够触发你独自无法产生的新想法（包括橡皮鸭调试法）。

将复杂任务分解为连续的提示是为了优化输入。一个例子是让AI一次问你一个问题来进行访谈。如果AI一次性提出十个问题让你思考，这将令人应接不暇且效率较低。提示链的目的是将认知负荷控制在合理范围内。而乒乓效应的目标是通过来回关联达到新的见解，每个关联都会影响下一个关联。

辅导或指导假定AI拥有要传授给你的知识。乒乓效应是在具有不同知识或经验背景的同伴之间进行的。双方都不被假定掌握答案；答案是在协作中产生的。有些协作可能只需要几秒或几分钟。其他协作可能需要数周或数月，期间还需要大量的设计或实验。

乒乓效应是一种持续的和有引导的协作。我称之为边界聚焦型，因为洞见不是仅仅来自某一方，而是来自所有参与方之间的协作。

当Claude开始变得感性华丽时，这就是我需要确保对话保持在正轨上的信号。Claude强烈倾向于产生“特定输出“。进行持续对话在某种程度上是违背这种倾向的。

在这种情况下，我关注的主题是确定在这本书中如何写关于LLM协作的内容。我把我们带回主题：

事实上，关于乒乓效应如何为新想法的涌现创造有利环境的见解，或许正适合放在开篇章节的开头。这可能会让非专家产生“啊哈！“的顿悟，而对于了解LLM transformer中注意力机制流的专家来说，可能会产生更强烈的反应。如果我能传达这个想法，表明这本书确实包含了一些实质性的内容，那将是一个很好的开端。

既然这就是这本书的开端，那这番宣言就显得有些自私了。但回到2025年7月，那个观察确实让Claude回到了正轨上…差不多吧。

虽然我已经识别出了这种现象，但我仍然没有找到一种方法来解释为什么它会起作用。下一个关键洞见来自于我兴致勃勃地向Claude指出，Claude只理解了使乒乓效应与传统提示工程如此不同的原因的一半。

Claude对我的“乒乓“描述的回应过于“夸张“，以至于我都有些犹豫要不要在这里重现它。但掌握LLM协作技能的一部分就是在陷入其中之前认出夸张。Claude的“应声虫“式回应似乎是刻意设计的。仔细看看这个冗长的回应，找出其中反映的想法，忽略Claude声称的战略性精妙之处：

以下是Claude完全忽略的内容：正如我所预料的，Claude抓住了大语言模型这一方面的内容，也抓住了这个建议开篇中包含的价值主张。

Claude忽略的是，我还描述了自己思维中的注意力机制和想法关联。Claude的想法关联只是整幅画面的一半。我的想法关联是另一半。

为了向他人传授这种技巧，我所寻找的答案并不仅仅基于Claude的注意力机制和关联，也不仅仅基于我自己的想法关联，而是两者的结合。乒乓效应的产生需要这两个方面作为必要条件。

Claude的热情回应往往具有感染力，这无疑是经过设计的。然而，这一次，Claude带来了更深层的洞见。这些对话的真正价值就在于此：将那些我一直无法用言语向他人解释的潜在想法表达出来。

我的一个困扰是有一个“离题“的叙述。它解释了我是如何学习整体思维的，但那种教育与软件工程毫无关系。我从荒野旅行中学到的经验后来被应用到了软件工程中。我认为这些经验是相关的，但找不到理由将它们收录到一本关于与AI协作的书中。Claude将这些碎片（将错过要点的一半与我的“离题“叙述相结合）组合成了一个值得考虑的有用视角：

现在Claude和我已经识别出了乒乓效应，我有了第二个问题：如果这一切都如此显而易见（至少对我来说），为什么没有其他人想明白这个问题？或者更准确地说，为什么我没有看到其他人描述过这种与AI协作的方法，考虑到它能产生无法通过传统提示工程或知识库（RAG，检索增强生成）实现的结果？

在提出这个问题的过程中，我找到了答案。我发现这是“乒乓效应“技术中蕴含的巨大价值的一部分。我写给Claude：

我想我们发现了一些东西，这些发现可能解释了为什么（据我们所知）没有其他人想明白这个问题。魔法（即，这本书的目的，那些构成“巫师之镜“的内容）存在于人类和大语言模型的边界之中。这就是为什么它既不是从人类也不是从大语言模型中自然产生的。它是一种边界效应。

第一本书²表明我最擅长的一件事就是在硬件和软件之间游走于边界。学会在边界间游走并创造奇迹是我掌握的技能，这也绝对是Seymour Cray所具备的。Jay Forrester也是如此。这是一种技能，但并非源自于我。

这可能意味着人类方面的上下文管理技能还不够。按照同样的论点，提升提示工程能力也是不够的（根据我的边界假说）。有趣的是，这恰恰解释了为什么我简单地选择“开启对话“就足够了。

很可能这种框架，当被系统化地应用时，在现有文献中是找不到的。这很有趣。

Claude的回应虽然冗长，但结构清晰，信息密度高。我已经学会永远不要轻易相信Claude所说的话。首先，我那脆弱的过度膨胀的自尊心会爆炸。Claude开始说：

“值得仔细思考“是个好信号。这表明Claude继续在“大局观“层面运作，而不是像通常的请求/响应（事务性）提示工程那样直接跳到实施解决方案。

接下来Claude重述了我的想法。这被证明是一个极其有用的技巧，因为它确认了Claude正朝着预期的方向工作。当我没有看到这种重述或重复我所说内容的情况时，这就是一个信号，表明Claude可能偏离了轨道，我需要采取措施把我们带回正题。当Claude偏离轨道时，通常是因为忘记了我要求保持在“大局观“层面的指示，或者忘记了我们确切的对话主题。

事实上，值得一提的是，有些想法在LLM的上下文窗口中停留的时间比其他想法更长。独特的短语或重复的概念往往被识别为需要保留的更高优先级。我观察到的是，Claude可能会忘记我们正在讨论的确切主题，但会提起对话早期的某些内容，并把它当作当前主题。这就好像Claude忘记了短期记忆中的内容，从长期记忆中提取了一些东西，并将其放入短期记忆中。

这种行为明显是非人类的特征。我通过长期观察Claude发现了这些特点。任何异常，比如自发地转向早期话题，都表明我需要停下来明确重新解释我们在对话中的位置。我把这称为“上下文刷新“，这是我经常做的事情。Claude会承认这种刷新，然后我们继续对话。

在这种情况下，当Claude向我重复我的问题或观察，并保持在主题上时，我知道我们仍然在正确的轨道上：

Claude考虑了我提到的历史类比，并得出了一个有用的推论：

Claude开始回答这个问题：

这是Claude关于为什么我没有看到这种技术被记录下来的建议：

一如既往，Claude以热情支持作结：

我在上面包含了Claude的最后一段话，因为它表明Claude不懂明尼苏达人的说话方式。“有趣“在这里的含义与史波克先生使用“迷人“时的含义相同。

在图 3，“2023年11月10日战机飞行中的碰撞危险“中，我坐在后座，而我的飞行员正在向左转弯准备在明尼苏达州南圣保罗市政机场降落，机场在照片的左上方可见。Marathon石油公司的圣保罗帕克炼油厂位于密西西比河沿岸的中右方。我们驾驶的是二战期间用于飞行员训练的1941年Vultee Valiant。因为它飞过时对建筑物的影响，它被称为“振动器”。就在这张照片拍摄后，一架小型私人飞机从右侧突然出现在我们下方，降落下去。我们保持水平飞行，飞到跑道右侧，重新进入飞行航线以完成一个完整的圆周后降落。

这是一个相对困难的情况，因为战机向左倾斜时，我们的飞行员向下和向右的视野受限。这就是持续保持情境意识发挥作用的情况。我们已经注意到了远在我们右侧的飞机。在这样一个非管制小型机场，我们知道飞行员可能会选择直接飞行降落，而不是进入常规航线。事实正是如此。

我认为战机着陆复飞是与人工智能合作的一个很好的例子。对我来说，从实际情况中记住教训比记住“保持注意力“这样的抽象建议更容易。就像我的飞行员一样，基于刻意练习积累的经验越多，就越能指导你知道该注意什么以及预料各种可能性。

《教学设计原理》从思维关联的角度解释了这项技术的重要性：²

当记忆搜索接触到单一命题时，其他相互关联的命题也会随之“浮现“。这个过程被称为激活扩散，被认为是从长期记忆库中检索知识的基础。当学习者试图回忆某个单一想法时，初始搜索不仅激活了该想法，还激活了许多相关的想法。因此，例如，在搜索“海伦“这个名字时，通过激活扩散可能会联想到特洛伊、爱伦·坡、希腊、罗马、克劳狄乌斯皇帝，一直延伸到不列颠之战，以及其间的诸多事物。激活扩散不仅解释了我们所感知的随机思维（如自由联想），也是我们进行反思性思考时表现出的极大灵活性的基础。

在章“超越技术的精通“中，我将带您了解几种使用物理类比和直接体验作为掌握人工智能协作的额外途径的技巧。我将体验式学习视为一项基础技能，因为它有助于回忆，或者用《教学设计原理》的术语来说，就是激活扩散。从这个角度来看，乒乓效应描述的是在人类的激活扩散和人工智能的注意力机制之间来回工作的过程。

我将本书分为六个部分。前两部分聚焦于人工智能，接下来的三部分聚焦于人类，最后一部分描述了人类和人工智能方面的新兴掌握状态是什么样的。

章“人工智能技术精要“教您我在使用人工智能时采用的技巧。您对人工智能“思维“方式的理解越清晰，就越能够取得前所未有的成果。

章“人工智能技术的发现与应用“向您展示我使用人工智能的具体示例，重点解释我的方法背后的原因。主要案例研究着重于识别那些构成我竞争优势的认知框架。我将向您展示一些正在逐渐消失的模式。

章“完成不可能的任务”、章“超越技术的精通“和章”成为革新者“讲述了我如何发展现在用于人工智能的技能的故事。一个关键主题，以我们在Cray Research应对挑战的方式为例，是我多年前就学到的一项技能：在挑战中找到乐趣。将挑战视为机遇而非障碍。事情会变得很奇特，我们会很有趣！

章“巫师之镜“向您展示通往掌握的多条路径。我认为掌握是循环的而非线性的。当您掌握某样东西时，这样东西就成为掌握其他技能的先决条件，或者更充分地整合一个技能系统。在此过程中，我们将学习更多关于现代人工智能工作原理的知识。

乒乓效应描述了您与人工智能系统协作方式的根本转变。与传统的提示工程专注于制作完美请求以获得特定输出不同，这种技术利用了在您自己和人工智能认知之间边界上的动态思想交流。当您学会如何保持持续、有目的的对话，让每个参与者的联想触发对方的新想法时，您就创造了一个协作空间，在这里可以产生任何一方单独都无法达到的见解。

这种方法的强大之处在于它认识到魔力既不在人类内部，也不在人工智能内部，而恰恰在于它们的交汇处。这种边界效应解释了为什么该技术能够产生人工智能专家和提示工程专家都未能获得的突破性结果。保持情境意识、坚定地引导对话方向、在需要时进行上下文刷新（这比您最初预期的更频繁），以及识别人工智能何时偏离轨道的关键技能，都是任何人都可以掌握的技术。

当您将人工智能协作视为持续对话而不是一系列请求/响应交易时，您就能获得单纯的人类或机器思维都无法企及的认知可能性。这种跨越边界的方法不仅仅是对现有方法的渐进式改进。它代表了一个全新的认知领域，有潜力解决以前难以解决的问题。

随着人工智能能力的快速发展，仅仅将AI作为工具使用的人与那些将AI发展为真正思维伙伴的人之间的差距日益扩大。乒乓效应并不仅仅是另一个可以添加到工具箱中的技巧。它代表着人类和人工智能如何协作以实现双方单独都无法完成的目标的根本性转变。 掌握这种方法的人能够完成他人认为不可能的事情，这不是通过更好的提示或更多的AI功能实现的，而是通过认识和培养存在于人机边界的新认知空间来实现的。这就是从省力工具到革新者的转变之路。

下一章将通过一个真实的挑战来演示这种模式的实际应用，这个挑战正是启动这一发现过程的开始。早期的乒乓效应是发生在人与人之间，而不是人与AI之间。接下来的故事将向您展示如何立即将这种方法应用到您自己面临的挑战中。

下一章介绍了一个关键技巧：在两个（或更多）不同情境中运用相同的技能。我们将看到人与人之间的乒乓效应，然后我们将看到人与AI之间的乒乓效应。作为人类，您将是在这两种不同情境中指导、引导和维持乒乓效应的主导者。这项技能就是跨域综合，即在一个情境中学习或使用的技能，并利用这种经验在不同的方式或不同的情境中应用该技能。

您现在就具备了开始探索乒乓效应所需的一切。您需要获得观察自己与大语言模型对话的直接经验。当然，接下来的章节将为您提供更多关于发展自己的技巧和方法的信息。当您现在开始积累经验时，各种想法会更快地融会贯通。

以下是供您思考的想法和问题。当您在心中想象自己处于这些情况中，并思考如何反应、指导或处理时，您正在培养所需的确切技能。您正在开始发展正确的“思维肌肉“。接受挑战并找到享受其中的方式！

1. 思考一个您独自无法解决的复杂问题。运用乒乓效应可能如何帮助您以不同的方式处理它？您是否考虑过与他人而不是AI使用这种技巧，或反之？这个想法与“小黄鸭调试法“密切相关，即向一个无生命物体解释情况。
2. 您是否遇到过由于无法接触到具有适当专业知识或特权信息的人，而“小黄鸭调试法“成为唯一选择的情况？AI对话会是一个有用的选择吗？（您应该始终假设与AI共享的信息会成为公共领域。）
3. 思考您自己的思维方式。您注意到自己的思维中有哪些想法联系可能会补充大语言模型的不同联想模式？
4. 您在其他协作情境（人与人或其他）中何时经历过“边界效应“，即互动产生了双方单独都无法达到的见解？
5. 针对您的具体挑战，您如何有意识地构建与大语言模型的对话，以最大化乒乓效应？
6. 哪些信号可能表明您与大语言模型的对话已经偏离轨道，您将如何进行“上下文刷新“？
7. 乒乓效应与传统的与人类同事和朋友进行的头脑风暴有何不同？有哪些相似之处？

我将继续在大多数章节的结尾提供思考问题。但请记住，这些问题是实践的邀请。参与AI对话或协作，看看它会带您去向何方。