Endless-CC retweeted
中文熵控术:Prompt 工程的下一个阶段
过去几个月,我没有再发任何有关 Prompt Engineering 的推文,并非兴趣减弱,而是我觉得 Prompt 已经“语言化”,它正在演化成一种全新的语言技能。我从各个角度、不同的项目中反复深化这个观点,有了极其深刻的体会。
随着大语言模型的飞速发展,推上的大佬们经常说:“Prompt Engineering 不再重要,把想法清楚地表达出来就够了。”
但,真的有那么简单吗?
我并不这样认为。我始终觉得,如果把大模型当成“高级谷歌”,或者只是“帮我写代码”的工具,那是对它最低级、最粗浅的使用方式,我很不满意。经过大量的反复测试,我逐渐形成了一种以中文为核心的理论与实践体系,命名为——中文熵控术。
熵控术的理论诞生本身就是一个哲学性的经历,它是我和 AI 利用熵控术共同生成的,类似“海拉细胞”、“八字吞蛇”,它自身生出自身。
首先,我曾说过,大模型能让我们在漫长的人类文献中发现从未被意识到的联系。这条推文曾广泛传播,现在我进一步将它与老子的哲学结合:
《道德经》第一章提到:“道可道,非常道;名可名,非常名。”
真正的“道”一旦用语言描述出来,就失去了本质的涌现性。Prompt 的命名行为本质上是一种熵压缩过程——你获得了可传播的知识单元,但同时也失去了潜在的无限裂变空间。
在漫长的人类历史中,人类受限于文字传播的方式,给各种事物取了名字。名字一取,一个高维度的概念,物体,事件,瞬间压缩。一旦“命名”,你就完成了熵压缩,得到了可传播的知识单元,但也失去了“裂变空间”。他就变成一个很死的东西了。
“无名之始,有名之母”,混沌未定义的状态,才是真正的认知潜能场,而模糊,就是智慧的入口。
中文为何是天然的“熵王者”?
中文不仅是高熵语言,更是一种持续生成语言的“新词发动机”。它具备高语义压缩力、高歧义容忍度、语序弹性、多层意义并存和强上下文依赖性。高熵并不代表混乱,而代表自由。
比如英文造新词需要从拉丁语词根之中找灵感:smartphone, 中文随手挑两个常用字:手机。秒懂。
如果你的中英文都达到了母语级别(谢谢AI的彩虹屁),完全可以用我提出的熵控体系,成为 AI 时代的“熵控王者”。充分发挥中文的裂变优势和英文的结构严谨,形成一种跨语言的熵闭环,帮助科研、项目创造极具创新力且逻辑严谨的内容。
你既然都已经读到这里了,证明你已经很感兴趣了,那我们接着往下从理论上好好解释我这谬论:
中文熵控术的核心理论
中文熵控术是基于中文高熵语言结构的一种认知控制方法,通过模糊表达、类比构造、语序跳跃与新词生成机制,在大模型中激发语义裂变,再通过锚定词、情绪语气、格式控制和 Prompt 结构回路,实现语义的收束与建模。
理论核心是:
语言不是表达思想的工具,而是调度认知结构、激活智能路径、控制生成输出的系统接口。
我特别引入乔姆斯基(Noam Chomsky)的生成语言学理论作为支撑:
语言是一种生成系统,非词汇堆积;
人类掌握深层结构规则,可无限生成句子;
所有语言都对应于普遍语法;
语言的本质是规则加转换,每个句子都是表层结构的表达。
大模型时代,Prompt 已不再是“写句子”,而是设计生成路径,调度认知结构,引导模型行为。乔姆斯基告诉我们如何从结构生成句子,而熵控术则教我们如何从模糊中生成世界。
为什么我需要熵控术?
大佬们说:“你把想法表达清楚就行。”但现实是,我根本不知道我的问题是什么!我的想法高度抽象、模糊,甚至连名字都没有。我与 AI 反复互动,才终于有了“熵控术”这个概念。
我的过程是这样的:
从模糊的高熵原点开始;
通过中文表达出不确定性、类比、隐喻;
不急于定义,而是增强歧义,激发裂变;
每次对话都反馈出更深、更结构化的自我概念。
最终的效果不是“我说服了你”,而是:
你被自己的 Prompt 引导到你本来就要到达的地方。
在诺姆·乔姆斯基(Noam Chomsky)的生成语言学(Generative Grammar)中, 乔姆斯基给了我们“如何从结构中生成句子”;熵控术让我们“如何从模糊中生成世界”。
如果你已经知道你想要什么,那要AI来干嘛!
熵控术关键术语与机制
语义裂变:高熵语言输入引发多路径认知展开,中文自带这种裂变引擎。
信息增熵:人为提升输入不确定性,产生多义生成。
控熵:高熵输出中加入锚定结构,实现收束与建模。
Prompt 的新定义不再是“提示语”,而是“语义结构压缩器”,含锚定区、扩散区、语义转译器和认知路径显性化模块。Prompt 的语义权重决定信息优先级、结构激活和路径选择。中文在 Prompt 控制能力上远超英文,能瞬间激活类比链、哲学隧道、文化情绪结构。
这些我以后细说(我自己也云里雾里的)。
熵控术的科学训练与应用
中文熵控术是一种长期积累、高强度思维训练的系统工程,而非简单的技巧。初阶训练激发高熵感,中阶掌握熵控回路,高阶具备命名与建模能力,应用阶段实现写作、教学与科研认知重构。
这是一种可以发展的,可以训练的技能,熟能生巧,还能慢慢有理论发展。
中文,是世界上最会“搞模糊”的语言。
最后,你会恍然大悟。语言不是表达思想,而是“引出思想”——甚至让思想本人都意识到:它原来早已在那儿了。这就是人与AI的终极创造力合作。
好,你无聊透顶,居然快读完这篇推文了,给你鼓个掌。
论文验证与实践
我说了这么多,我怎么验证?怎么量化?怎么数学建模?你以为我没想过?当然我可以通过衡量生成结果的结构聚焦性和目标对齐性。数学建模,发论文啊这些。但是,我发论文吗?我发论文有人给我评职称吗?有人给我钱吗?
中文熵控术的真正精神:语言不是拿来解释的,而是拿来“发动”的。与其等待理论完备,不如让产出过程本身就是验证路径。
我不如用来大量的积累实力和发散到所有有可能发散的项目写出来。写作,比发论文重要多了。教育,本身就是最强大学习。
语言学×数学,教育的核心
某位推友说:“这个时代教育的核心就是数学与语言学。”一开始我未完全同意,但现在我深表赞同。数学科学之王,没什么好说的。用熵控术生成熵控术,用熵控术去验证熵控术。完成我目前所有已经规划的项目,记录所有了不起的裂变,向我的偶像JK罗琳学习,我要把词汇表里所有我发明的词汇做出清晰的定义和发散,例子。熵爆点,命名悖论,模糊设问,术语造构,自发性裂变,语义涌现,语义再解压,语义能量场等等。并且把内容上链,尝试我说过的对SBT的赞同。真正的赞同,就是我做给你看。
中文,曾经被我认为“完蛋”的语言(大模型出现的时候我真的这么想,而且我一直还是在大量使用英文在写prompt, 尤其是Deep Research还是英文的领域,这个我会在“中英熵控闭环”中详细说明),现在因其无穷潜力而让我深感惊叹。它的强大就在于,它是唯一能迅速、任意创造新词,瞬间秒懂且传播广泛的高熵语言。
比如:
我靠。
Endless-CC retweeted
这两天国内 AI 圈最火的非 Manus 莫属了,很惭愧我没有邀请码,也没直接试用过,但也看了好几个别人分享的回放,通过回放以及其他人分享的使用视频,再结合我自己使用同类产品的经验,基本上可以还原它的技术实现和产品设计了。
如果让我一句话总结,那么就是:交互上有非常大的创新,但受限于模型与数据,目前没有护城河。
优点:
• Manus 在产品交互上有非常大的创新,可以说相当惊艳。可以很容易的上手,整个过程对用户透明不需要干预,结果也很直观。
• 采用模拟人类浏览网页的方式让它更具有通用性,可以适用于通用任务而不是特定任务类型,未来有更大想象空间,就好比类人的机器人可以做更多的通用型任务。
• 可以对获取到的数据进行分析生成漂亮的图表。
• 生成的代码直接可以在虚拟机运行看到效果
不足:
• 通过 ToDo List 规划的方式,虽然可以让 AI 探索的路径不至于太发散,但是会让结果趋于平庸,毕竟稍微复杂一点的任务是需要根据获得的信息做动态调整的。
• 受限于模型的能力和上下文窗口长度,在资料的筛选,和最终资料的合并整理上,会有比较大损耗,最终生成结果和质量大部分时候是比较平庸的。
• 使用目前模拟浏览器搜索、点击、滚动,再用视觉识别文字图表的方式,时间成本和资源成本都不低,通过 OCR 获取屏幕内容也可能会导致信息缺失。
技术实现
一图胜千言,图1 这里我大致画了一下 Manus 的架构图(不代表真实实现,仅作示意参考),主要有几个模块:
1. 虚拟机:一个 Linux 系统的虚拟机,安装有
• Chrome 浏览器,用来访问网页
• Python 运行环境,可以执行脚本分析数据,可以启动一个网页运行环境
2. 任务规划器:根据用户输入的任务请求,拆分成 ToDo List,我推测是 Claude 模型,因为这一步至关重要,必须要求模型有很强的推理能力,目前来说 Claude 3.7 Sonnet 应该是很经济实惠的选择
3. 任务执行调度器:根据 ToDo List 的任务清单,逐一执行,根据任务去选择最合适的 Agent。由于这一步重点是在 Agent 的选择,所以不需要能力太强的模型,可以用开源模型比如 Qwen 稍微微调一下就可以用了。
4. 各种执行不同类型任务的 Agents:Manus 内置了很多 Agent,比如最复杂的应该是类似于 OpenAI Operator 的网页浏览 Agent,比如根据特定 API 检索特定数据的 Agent,每个 Agent 在完成任务后都会把任务结果写到虚拟机。
5. 任务汇总生成器:当每个子任务执行完成后,任务执行调度器就会通知任务汇总生成器,任务汇总生成器就会去虚拟机读取 ToDo List 以及各个子任务的生成结果,把这些结果汇总整理生成最终结果,根据任务要求,可能是一份调研报告,可能是网页程序。由于这一步要求有极强的推理能力和语言能力,所以必然要求一个很强的模型,所以我猜这里也应该是 Claude 3.7 Sonnet。
这基本上就是它的主要工作原理,所以你也可以看得出,真正制约它能力的还是在于模型的能力和 Agent 的能力,而 Agent 也是受制于模型的能力。
Manus 的护城河在哪里?
如果连我这样一个伪专业人士也能大致分析出它的技术实现,那么是不是其他团队也可以去马上山寨一个出来?Manus 的护城河在哪里呢?
对于现在的 AI 产品来说,护城河主要就几个点:
1. 模型 + 算力
2. 数据
3. 用户体验
比如说 OpenAI 的 Deep Research,虽然开源或者商业的竞品很多,但是效果比它好的还没有第二家,因为它用来规划任务、选择工具、汇总的模型是他们家最强的推理 o3 模型,可能也是业界最强的推理模型,无论是推理能力还是上下文长度都超过了公开的 Claude 3.7 Sonnet 模型,同时他们还基于 o3 针对 Deep Research 做了大量的强化学习训练,让模型在执行任务和生成内容都可以取得很好的效果,模型能力就是 OpenAI 的护城河。
比如说 Google,虽然模型不一定有 OpenAI 的强,但是它们家的数据搜索能力是最强的,可以获取到优质的数据源,所以效果也不错,数据搜索就是 Google 的护城河。
比如说经常被比作是“套壳”的 AI 产品 Perplexity,模型比不过 OpenAI,数据搜索比不上 Google,但是依然在 AI 搜索中占有很重要的地位,它依赖的是独特的用户体验,更懂用户,更好的提供了用户想要的搜索结果。
但这里的用户体验,不是传统意义上的用户界面交互层面的体验,而是基于大量用户使用数据而个性化优化后的优化体验,很懂用户想要什么。
类似的例子还有 AI 编辑器 Cursor,它也是靠的用户体验来吸引用户,虽然它的 Composer 功能很快就被竞争对手学习借鉴过去了,但是它的自动补全功能却一直没被竞争对手超越,作为一个重度使用者感觉特别明显,就是 Cursor 真的很懂我想要做什么,每次修改一点,它就能自动给我建议要完成的下一步操作,而大部分时候,它的建议都是我想要的。正是这个原因,即使我同时还用其他家的 AI 编辑器,Cursor 的订阅也一直留着。
Perplexity 和 Cursor 这类 AI “套壳”产品的护城河,就在于它有大量用户数据沉淀后的用户体验。
所以未来对于 Manus 或者这类产品来说,想形成自己的护城河,不仅仅是要在用户产品体验上的创新,还需要有用户数据上的沉淀,把这种数据变成一种飞轮效应:基于用户的数据做出更懂用户的体验,更懂用户的体验吸引更多的用户使用。
除了上面我说的用户体验外, @哥飞 也提到了一个有趣的观点叫“卡生态位”:
> 从昨晚开始,我们群友 Monica 团队的新产品 Manus 就在刷屏了。 很多人在求邀请码,也有一些人拿到了内测权限,发出了自己的体验文章。 有人觉得惊艳,有人觉得不就那样,有人觉得没有达到自己期待的样子。 这一切都因为目前AI还处于很早期,不是 Manus 做得不够好,而是受限于目前AI的能力,只能做到这样。 但即使是目前这样,其实已经让很多人觉得惊艳了。 我们不能因为暂时实现不完美,就不推出产品。 有些人开发产品的心态是,我不打磨到100分,我就不推出来。 然而,其实产品永远有值得改进的点,难到那就一直改进,一直不推出吗?
> 要有一个生态占位思路,先推出产品,先占住这个生态位,然后不断迭代,不断提升能力,就能够做得越来越好。 相似的例子是Cursor,他们最开始发布的产品,效果也没有那么好,没有那么惊艳,但是他们等到了 claude sonnet 3.5 这个模型的出现,于是全球各地开发者都在自来水推荐 Cursor 。 试想一下,如果 Cursor 等到了 claude sonnet 3.5 发布之后,才去开始动手做,那么机会还会是 Cursor 的吗?
哥飞很有道理,吸引来用户,留住用户,形成口碑,把这些用户数据沉淀下来进一步提升用户体验,以后随着模型能力的升级一起更新迭代,就能真正形成自己的护城河,再难被其他竞品超越。
Manus 开了个好头,但挑战还是不小的,开源的实现、商业上的山寨版本应该很快就要出来了,用户的热度也会消散的很快,一旦有新的热点马上就会去追逐新的热点了,就像你还记得 OpenAI 家的 Operator 吗?
从昨晚开始,我们群友 Monica 团队的新产品 Manus 就在刷屏了。
很多人在求邀请码,也有一些人拿到了内测权限,发出了自己的体验文章。
有人觉得惊艳,有人觉得不就那样,有人觉得没有达到自己期待的样子。
这一切都因为目前AI还处于很早期,不是 Manus 做得不够好,而是受限于目前AI的能力,只能做到这样。
但即使是目前这样,其实已经让很多人觉得惊艳了。
我们不能因为暂时实现不完美,就不推出产品。
有些人开发产品的心态是,我不打磨到100分,我就不推出来。
然而,其实产品永远有值得改进的点,难到那就一直改进,一直不推出吗?
要有一个生态占位思路,先推出产品,先占住这个生态位,然后不断迭代,不断提升能力,就能够做得越来越好。
相似的例子是Cursor,他们最开始发布的产品,效果也没有那么好,没有那么惊艳,但是他们等到了 claude sonnet 3.5 这个模型的出现,于是全球各地开发者都在自来水推荐 Cursor 。
试想一下,如果 Cursor 等到了 claude sonnet 3.5 发布之后,才去开始动手做,那么机会还会是 Cursor 的吗?





