瓶颈外移：AI工程演进的主线规律

瓶颈外移：AI工程演进的主线规律#

AI 工程演进遵循一条反直觉但清晰的主线规律：每当模型变强一截，整个系统的瓶颈就被迫往外移一层。

演进闭环：

模型能力提升
    ↓
原瓶颈被突破（不再是主要障碍）
    ↓
新瓶颈在外层暴露（下一层成为限制因素）
    ↓
工程重心外移（投入资源解决新瓶颈）
    ↓
新瓶颈被解决 → 模型再变强 → 循环

这条主线将四个看似独立的工程概念串联为同一条线上的四个路标，而非四个互相换皮的赛道。

四站沿瓶颈外移主线依次展开，每一站解决前一站留下的瓶颈：

递进路径：

Prompt（怎么说）
    ↓ 瓶颈外移
Context（给什么）
    ↓ 瓶颈外移
Harness（干活的环境）
    ↓ 瓶颈外移
Loop（你自己）

四站之间不是取代关系，而是层层包含关系：

Prompt ⊂ Context ⊂ Harness

这意味着：

新概念层出不穷容易让人焦虑。瓶颈外移主线提供了一个"概念过滤器"：新概念是否对应着某个被外移的新瓶颈？若是，则值得深入；若否，可能只是换皮。

理解主线规律后，可以预判：当当前瓶颈（如 Loop）被突破后，下一个瓶颈会出现在哪里。这是战略性的工程规划能力。

不同组织、不同任务阶段，瓶颈位置不同。判断当前瓶颈在哪一站，能避免在错误的地方投入资源（例如模型已经很强时仍死磕 Prompt）。

四个具体工程会随模型演进而过时，但"瓶颈外移"作为元规律是可迁移的——它适用于任何"能力-系统"耦合的工程领域。