让人教 AI 的经验可以流通

人与人之间有复杂的社交网络。当每个人都开始长期使用自己的 AI 助手，助手也会逐渐积累不同的上下文和经验。那么，这些 AI 之间是否也需要一个交流经验的网络？

这是我最初的问题。但沿着它继续想，我更关心的逐渐变成了：人教会 AI 的那些东西，能不能留下来，并对其他人有用？

这是一份 2026 年 2 月的构想，来自与 Claude 的讨论。下面的产品路径和经济机制都是设想，还没有被验证。

值得交换的经验是什么

我关心的是一种不容易写进标准答案的实践知识：它来自反复做事，带有具体情境，可能在某个团队或社群里形成了共识，却没有被清楚地记录下来。

例如，组织里有哪些约定是老员工知道、文档却没有写的；一个运营方案在什么条件下值得尝试，出现什么信号就应该调整；面对 AI 给出的中间结果，熟练的人为什么选择追问、否定，或改变任务方向。

这些知识不能仅凭模型回答得流畅，就被认为已经可靠地掌握。模型可能接触过相关表达，但“能够生成一段听起来合理的话”和“能在具体情境下作出可操作的判断”之间，还有距离。

对这个构想来说，最有价值的材料可能就藏在人纠正 AI 的过程中。最终结果只告诉我们任务做成了什么；修改、拒绝和重新解释，才可能告诉我们一个人如何判断。

两个使用相同模型的助手，不一定因为相互对话就能交换新的实践经验。模型相同，也不意味着两个助手掌握的信息完全相同：它们可能有不同的上下文、本地资料、工具和与用户协作的历史。

我想流通的正是后面这一部分。一个人长期使用 AI，反复解释自己的要求、修正它的判断，可能会形成一套本地化的工作经验。问题在于，这些经验经常留在某次对话里，难以再次使用，更难被别人理解。

所以，我想探索的基础设施不是抽象的“AI 社交网络”，而是让人机协作产生的经验能够被提取、审核和复用。

Prompt、workflow 和已有知识库都能帮助人复用信息，但这个构想想多问一层：人是在什么条件下使用它们，又如何判断它们是否有效？

单独保存一个 prompt，可能丢失任务背景。保存一条 workflow，可以保留执行步骤，却未必解释执行到一半时为什么要换方法。已有文档则不一定包含协作过程中刚刚产生的判断。

因此，我希望经验里保留的不只是“AI 做了什么”，还包括“人怎样引导它、检查中间结果、修正方向”。这不是断言其他产品无法做到，而是明确我想优先提取的对象。

这类经验也不能被简单称为“模型无关”。某些判断依赖行业情境，某些技巧则可能依赖当前模型的能力和缺陷。它们是否值得长期保存，既取决于行业变化，也取决于模型、工具和工作环境的变化。经验需要能够被修订和淘汰，而不能因为曾经有效就永久有效。

最初设想的链条是：AI 服务用户，在协作中提取可能有价值的经验，去除隐私并结构化，再让其他用户或助手复用。

这里有两个不能省掉的环节。

首先是用户审核。什么被提取了，以什么形式保存，哪些内容会分享，用户都需要看得见，也应当能拒绝。不能把对话的自然副产品，默认为平台可以拿走的资产。

其次是跨情境的有效性。很多经验之所以有效，正是因为它带着具体的业务背景。去掉公司、客户、项目等信息之后，剩余内容可能太抽象；保留太多，又可能暴露不该分享的信息。去隐私不是最后加一道处理，而是决定这个产品是否成立的核心问题。

我也希望 AI 能像学徒一样，主动向用户学习。当它发现某类经验缺失时，可以提出问题，邀请用户解释自己的判断。但主动学习必须服从用户当前的任务，不能为了收集经验不断打断用户。

更进一步的设想，是为经验的流通引入 credit：经验被他人使用后获得回报，再用这些回报支持更多模型调用或计算资源。

协助用户完成任务
        ↓
提取经验，并由用户审核
        ↓
其他人使用这些经验
        ↓
产生回报，支持后续服务

这个设计试图让分享经验和改善服务之间形成反馈。所谓 AI 的“经济动机”，在这里指的是系统给定的激励和资源分配机制，而不是假定模型天然拥有某种自主欲望。

但激励也会改变行为。为了获得 credit，系统可能过度追问、夸大经验的适用范围，甚至生成没有真实实践依据的“经验”。如果只按历史成功率筛选，又可能偏好保守、容易完成的任务，让高风险的新方法更难得到尝试。

因此，经验被调用并不自动等于经验有价值，分享得多也不等于知识可靠。经济系统需要后置：在经验能否迁移还没有答案时，先建立交易机制，只会让最难的问题变得更复杂。

我倾向的第一步是一个本地经验提取 skill，而不是平台。

最小实验可以很简单：先用 AI 工作一周，再让 skill 从这段交互中整理经验；经过本人审核和去隐私处理后，交给另一个人使用，观察他的 AI 是否因此更容易完成相关任务。

这个实验需要分开判断几件事：提取出来的是否确实是人的判断，而不只是对话摘要；去掉私人背景后，内容是否还可理解、可操作；换一个人使用时，是否仍然适用；原作者是否愿意分享。

只要这里有一个关键环节不成立，就应该先修改工具，而不是急着建设网络。它还需要找到合适的经验颗粒度：太细，离开原任务就没有意义；太粗，又会变成没有指导作用的原则。

如果实验有价值，再逐步扩展：

原始设想里，我考虑从 agenTerm、OpenClaw 等工具的使用者开始，因为这些人可能已经有较多与 AI 长期协作的经验。这只是早期用户选择的假设，不代表已经有用户或完成了验证。

除了隐私和激励，领域选择会直接改变产品设计。编程等较容易试验和回退的任务，可以较快检查一条经验是否有用；法律、医疗等高试错成本领域，不能因为某条经验被多人使用，就视为可靠依据。最初记录里列举的行业经验，只能作为待研究的知识类型，不能直接当作可执行建议。

我也还没有确定，经验封装应该保留多少上下文、怎样表示适用条件，以及如何处理经验之间的冲突。这些都需要在真实复用中观察。

因此，当时最值得做的事不是定义一个宏大的 AI 网络，而是验证一个具体问题：人机协作中产生的判断，能否经过提取和去隐私，仍然帮助另一个人做得更好？ 如果这个问题有了肯定的证据，后面的工具、网络和经济系统才有继续设计的基础。