模型会用工具之后

最近，我把软件内部的一套私有调试接口交给了模型，包括强制渲染、读取数据变化、模拟操作、构造样本。这些 API 没有公开，模型此前也不知道它们的用法。

在这之前，代码已经给了模型相当多的信息，它能据此分析问题可能出在哪里。可软件的实际表现不对，还是得我去操作，截图，再描述哪里出了问题。截图这条路还要求模型具备视觉能力；碰上看不见的模型，就只能靠文字转述。模型负责改，我负责替它看。

拿到接口后，模型就能把对代码的理解和软件实际运行的情况对照起来，自己摸索调试方法。我没有替它写一套完整流程，只要求它操作真实软件，检查自己的判断。过去需要我截图和解释的异常，它开始通过 API 调用自己发现，还会主动构造不同的样本，检查边界条件。有些边界的探索，已经超过了我平时会主动构思的深度。用的甚至不是原生多模态模型。它看不见屏幕，却可以通过布局、事件和数据变化，拼出一双机器自己的眼睛。如果要形容以前的做法，那确实是在逼一个瞎子写代码。

模型会用工具以后，终于不只是在文本里描述世界，而是可以伸手碰到它。但这几次开发实验让我开始关心另一件事：当现有工具不足以回答问题时，它能不能发现自己看不见什么，决定怎样才能知道，再为这个问题创造对应的工具？

人类把这套动作叫作实验。

创造工具

命令行不是世界。它只是今天很容易给模型打开的一扇门。模型适合读写文本，终端又能把大量操作压缩成结构清楚的输入输出，所以不少智能体环境最后都长成了相似的东西：文件、日志、命令、脚本、Markdown，再套一层循环。

终端当然也可以提供丰富的观察能力。结构化状态、事件流、操作前后的差异，都可以从命令行里读出来。问题在于，我们有时只开放了文件和命令执行，就以为模型已经接触到了真实系统。一个软件能编译，进程没有退出，日志没有报错，不代表它真的表现正确。模型会写脚本，也不意味着它已经知道自己还缺少什么观察。

真实软件里有布局、渲染、事件、焦点、状态和用户操作。机器人面对的是传感器、电机、空间和物体。接口最终长什么样可以商量，关键是它让模型看见了什么，又允许模型改变什么。

模型也不必照搬人的界面。它可以拥有自己的感官：结构化状态、事件流、可控干预，以及能够直接检查结果的验证器。对于软件调试，这些东西有时比截图更有用。截图告诉模型某个地方“看起来不太对”，内部接口则可能直接告诉它对象在哪里，哪次操作触发了什么，哪些状态发生了变化。

视觉当然有价值，尤其是在面对无法改造的外部软件时。但在一个可以开放内部状态的系统里，让模型永远像人一样盯着像素，未必是最好的终点。

有时候，需要增加的动作甚至很简单。最近，我给几个独立工作的模型增加了一个通信渠道，并没有写一套“多 Agent 协作 SOP”。结果它们自己开始在发现跨项目依赖时联系对方，确认接口是否稳定、谁负责哪一部分、是否需要等待，然后各自继续工作。

最有意思的是，这些通信反而减少了真正需要协作的部分。几句话把边界确认清楚以后，结论经常只是：你做你的，我做我的，等接口稳定以后再接。

我没有教它们这套协作方式。我只是给了“去问另一个正在工作的主体”这个动作。这让我越来越怀疑，我们今天称作“模型不会”的一些事情，究竟有多少是能力不足，又有多少是它已经学会的概念，在当前环境里没有对应的动作。

这些知识要起作用，环境得允许相应的行动。观察和实验需要可读的状态与可控的干预；要处理另一个项目的依赖，就得能够联系到负责它的人。没有对应的动作，模型学过的道理就很难在任务里派上用场。

在这两次实验里，动作渠道仍然是我提供的，模型自己探索了用法。再往前一步，就需要它在已有渠道不够用时，自己发现缺口。

我所说的创造工具，就包括把原本不可见的状态变得可见，制造一次能够区分原因的变化，或者建立一个可以独立检查结果的验证过程。模型不能永远等着人替它准备好这些东西。它应该在卡住时意识到：“我现在缺的可能不是更长的推理，而是一只眼睛。”然后想办法把它造出来。

判断力

我们总说模型缺少判断力。相比执行、计算和生成，判断力仍然经常被认为是人类最珍贵、最难替代的部分。但在评价模型之前，至少应该先看看，我们究竟把哪些判断留给了它。

如果问题由人定义，工具由人提供，测试由人写好，验收标准已经封闭，模型拿到的就是一个整理过的世界。它仍然需要判断怎样完成任务，但那些关于问题是否成立、证据是否充分、验证方式是否合适的判断，已经提前替它做掉了。我们把这些判断拿走，再根据剩下的执行结果宣布它没有判断力，这个结论下得未免太草率。

甚至当模型表现出一点判断倾向，评价方式也未必欢迎。一个模型拿到任务后，先花半小时研究环境，确认哪些接口可以观察真实状态，再决定从哪里开始；另一个模型立即写代码，很快交出一个看起来能运行的结果。如果测试很窄，又只比较完成时间和 token，后者很容易占便宜。前者那半小时，却可能改变后面几个小时的工作质量。

调查当然也可能没有必要。判断力恰恰包括分辨这半小时值不值得，而这需要知道它消除了什么不确定性，不能只看它多花了多久。

真正的判断，经常发生在答案出现以前。假设一个界面没有正确更新。原因可能是数据没有变化，事件没有送到，布局没有重算，也可能前面的过程都正常，只是最终渲染没有刷新。如果模型不能把这些解释分开，给它再多接口也只是乱试。它可以翻完日志，跑完命令，再写几个调试脚本，最后仍然不知道自己究竟在找什么。

它首先需要意识到，当前缺少的是能够区分这些解释的证据。一个有用的问题是：什么现象会让我放弃现在的判断？围绕这个问题，模型才有依据决定继续观察，还是主动制造一次变化，需要什么工具也会逐渐清楚。

读取操作前后的状态，就能检查数据是否变化；记录事件流，则可以确认事件有没有送达。对于布局和渲染的问题，模型还可以主动触发相应过程，制造一次确定的状态变化，再检查最终输出。

创造工具和判断力因此很难分开。判断决定需要什么证据，证据决定应该造什么工具；新的观察回来以后，又会改变判断，让模型调整工具和路径。这已经是一套很熟悉的实验逻辑。面对几个都说得通的解释，我们寻找能够把它们分开的现象；现有测量没有分辨力，就换一种测法；单纯观察不够，就进行干预。

很多时候，判断力就体现在知道此刻缺少什么证据，以及应该怎样向现实提问。模型从语言里接触过这套逻辑。现在值得继续训练和检验的，是它能否在实际工作中主动使用，尤其是在问题没有被人整理好的时候。

如果它遇到不确定性时，开始判断当前的观察条件为什么不足以回答问题，并主动改变这些条件，那么提升的就不只是任务完成率。它开始扩张自己能够获得的证据。有些原本只能反复猜测的问题，会因此第一次变得可解。

品味

并不是所有问题都能靠实验收敛。两个实现可能都通过测试，两个界面也都可以正常使用，但我们仍然会觉得其中一个更好。一篇文章没有明显逻辑错误，读起来却还是一股流水线味。现成的验证程序很难替我们完成这部分判断。

一谈到模型的品味，讨论很容易被拖进意识问题，纠缠于它是否真的喜欢某个方案，是否拥有主观审美。在这里，我不太关心这些。

我更在意的是，模型在开始处理一件事之前，会不会先想一想什么样的结果算好，以及自己为什么这么认为。它已经从人类语言里学到了不少关于好坏的知识，应该尝试用这些知识形成自己的判断。接到任务后直接生成一个东西，再补一句“整体比较协调”，和真正先想过好坏，差别很大。

比如写一篇文章，模型可以先根据内容判断合适的语气。一段具体的开发经历，用直接、朴素的表达就能讲清楚；套上过于整齐的结构和一连串漂亮的总结，反而会把其中真正有意思的东西磨掉。先有了这个判断，再动笔，写出来的东西才有可能摆脱那些熟练的套路。

这不要求我们先证明模型真的“在品”。我只希望它能利用自己已经学到的知识，在执行之前做一次关于好坏的推理。判断可能会错，也会随着工作展开而改变，但至少它先有了一个经过思考的方向。

人类在这里的要求有时相当滑稽。我们希望 AI 像一个优秀设计师一样判断，又要求它像一个按钮一样响应，最好从头到尾不要提出异议。它真的顺从了，我们再回过头骂它没有观点，只会迎合。这和那些要求下属“大胆发挥”，最后每一处都必须改回领导意见的人，没什么区别。

人当然可以不同意模型的判断，也可以保留最终决定权。但既然希望它有品味，就得给它认真想过以后再动手的余地。

时间感

时间感一直在前面这些动作里。时间使观察具有寿命，使行动产生机会成本，使验证存在期限，也让模型知道自己是否真的在前进。

现在不少系统会在提示词里告诉模型：“当前日期是 2026 年 9 月 3 日。”这只能说明模型拿到了一个日期字段，并不代表它会把时间纳入判断。

假设我们在 8 月 20 日讨论某个在线服务的部署异常，下一次对话已经是 9 月 1 日。只要两段文字在语义上接得起来，模型就可能沿用上一次的判断，仿佛十二天只是两条消息之间的一次换行。但对于高速变化的线上服务，十二天已经很长。上次的观察仍然相关，却不能直接代表现在。

不同信息的寿命完全不同。一个架构原则过了半年仍然可能成立；一个部署状态过了两周就值得重新核验；一条“今天路上很堵”的记录，两个小时后都可能没用了。有长期记忆，却没有时间感，结果很可能是拿旧世界不断污染新世界。

两条历史记录互相矛盾，也未必需要判定其中一条错误。8 月服务异常，9 月恢复正常，它们可能都是真的。矛盾有时只是世界变化之后留下的两张截面。

时间也作用于模型自己。一个原本预计十分钟能够修好的问题，模型折腾了三个小时还没解决。即使期间没有出现新的报错，三个小时本身也已经是新证据。一个人类工程师到这时候，很容易冒出一个念头：这事不对。

这时候需要重新检查对问题的理解。问题分类、采用的抽象、关键输入，都可能值得回头看一遍，尤其要弄清自己是不是一直在重复同一种失败。“我他妈搞了三个小时还没搞定”，看起来像一句抱怨，其实包含了很强的元认知。

智能体却可能一直没有这个转折。它能数出自己尝试了多少次，却没有让已经花掉的时间影响下一次决策。每一轮推理醒来，眼前仍然只有一句“继续完成任务”。

它需要不断判断：这一段时间里，我到底有没有获得新的有效信息？花了很久，但正在逐步排除原因，可以继续。花了很久，却始终在同几条路上打转，就应该换路，重新理解问题，或者停下来找人。

时间同样会改变模型怎样与人协作。白天，用户一直在持续交互，说明他大概率就在。模型可以在必要时及时询问，趁用户在场把需要判断的地方确认清楚。到了深夜，用户已经几个小时没有参与，可能睡觉了。在已经授权的范围里，模型就应该尽量继续那些风险低、可以撤回的工作，别让一个无关紧要的问题阻塞整晚。

这也不能靠一句“晚上不要打扰用户”解决。用户可能凌晨两点还在疯狂开发。模型需要结合当前时间、最近一次交互、任务进度和风险，判断用户此刻是否可用，以及怎样协作更合适。

任务执行期间，世界和用户的状态都在变化，原先没想到的问题也会陆续暴露。一个目标不应该把执行策略从头到尾钉死。时间会改变原来的证据是否仍然可信，当前工具是否合适，什么时候继续实验，以及什么时候承认自己已经卡得太久。

后训练

前面的两个实验，让我开始重新理解后训练应该承担的任务。观察接口开放以后，模型开始自己发现异常、构造样本。通信渠道开放以后，它开始确认依赖、协商边界。我没有在这个过程中重新训练模型，也没有逐步安排这些行为。至少在这些任务里，我不需要从头教它什么叫观察、实验或者协作。

但在一个任务里做出来，与在不同环境、长时间运行和连续受挫之后，仍然能够主动选择这些动作，还有很长的距离。不同模型在这里的表现也可以很不一样。有的模型看到新的能力，会主动探索它能做什么；有的模型即使知道工具存在，也要等到提示词明确要求才会使用。

我们当然可以把要求写进提示词：修改之后必须验证，旧信息需要检查时间，缺少观察能力时尝试创造工具，长时间没有进展时重新评估。任务刚开始时，模型可能会认真遵守。但经历几十次工具调用、几轮方向变化和上下文压缩以后，这些要求能否继续约束行动，就又成了问题。写在提示词里，并不等于已经成为可靠的工作方式。

我希望后训练能够缩小的，正是这个距离。模型遇到几个无法区分的解释时，应该主动寻找更有分辨力的观察；如果长时间仍然没有进展，就该检查当前路线。品味也是如此：在开始生成之前，先根据任务想清楚自己认为什么样的结果更好。

这些行为也不能只按动作数量奖励。跑了很多测试，仍然可能漏掉真正的问题。前面那个通信案例里，最有价值的结果，恰恰是确认边界以后各自继续工作。需要训练和评价的，是模型能否在合适的时候采取这些动作，以及动作带回来的信息有没有真正改变判断。

后训练可以让这样的选择更主动、更稳定，但它仍然需要一个允许行动的世界。观察和干预有赖于系统开放状态、允许操作，协作需要通信渠道。即使模型懂得时间的意义，运行时也得持续提供可靠的时间和状态变化，它才有依据判断。

预训练让模型接触了大量关于智能行为的知识，运行时为这些知识提供可以落地的动作，后训练则应该让模型更可靠地选择和使用它们。这几件事需要一起发生。

最近这些开发实验让我越来越关心的，是模型怎样处理自己的不知道。发现证据缺口之后，它应该有办法改变观察条件，让现实参与推理。如果尝试始终没有带来新信息，也应该能够承认当前的办法已经不值得继续。

模型可能没有我们想象中那么缺少这些概念。我们却太习惯把它放在一个没有眼睛、没有手、没有同伴，连时间都只剩一个日期字段的环境里，然后问它为什么不像一个真正活在世界里的智能体。别再只让模型解释这些概念。

让它在不知道的时候，先决定怎样才能知道。