问 5 个简单问题，理解今天所有 AI 项目的能力，对，所有。

xxxxxxxxx

我烦死了这些介绍 ai 项目的表达方式，动不动就转折点，光速超越，夯爆了，不用就 out 了。。。然后就是什么效能 x50 成本降 3 倍。。。

然后，你花时间一试才知道坑在哪里。快是快了，干活也越来越不靠谱。。。

其实从 2023 年到今天，AI 的基本运用方式已经可以抽象出来一个稳定框架了，熟悉这个框架，的确能创造出一些魔法效果，但是我们又不是都是证监会门口卖茶叶蛋的。。。老老实实的把到底有什么技术特色，专注解决什么问题，适合什么任务，要避免如何错误使用这么介绍一下不就完了。。。

否则折腾两周，最后还是灰溜溜回到 claude code/ codex 和 opus or gpt 有意义吗。。。

所以这里给出一个今天这个时间点所有 AI 项目解决问题的一个抽象框架，你根据这个框架可以去判断任何 AI 项目的能力：

看一个新 AI 项目时，问这5个问题：

1. 基础模型能力够不够？

根据任务复杂度很多时候你能判断某些项目的模型能力就是不足，避免不了先天残缺。就比如 u 盘给你跑本地模型的复杂数据管理的项目。。。

2. 上下文工程质量（Context Engineering）如何？

只是简单 RAG + 历史对话拼接 = 玩具水平

3. 规划和迭代机制是什么？

是单步 ReAct 循环还是有前瞻/重规划能力？ → 任务超过 8-10 步会发生什么？ → 失败了能回退还是直接卡死？

4. 编排模式对不对？

提示链（Prompt Chaining）/路由（Routing）/ 并行化（Parallelization）/编排-执行（Orchestrator-Workers）/自主Agent（Autonomous Loop）这些没跟上复杂长时间自动任务肯定有问题。

5. 可靠性控制机制行不行？

评估器（Evaluator）/护栏（Guard / Guardrail）/反馈循环（Feedback Loop）的能力是否是项目关注的重点，如果都没有，那么这是个 demo，不是个生产工具。

最后的话

当你建立了这个基本问题框架，那些吹上天的 AI 项目就都可以相对清晰的判断了。

Open Claude 之所以偏玩具，就是因为 3 比较弱，5 就约等于没有。Harness 强，就因为 2，3，4，5 他都给了比较好的回答。而 Claude Code 之所以绕不开，就因为他是少数 1，2，3，4，5 的理解都非常深刻的。。。

其他所有 AI 项目，听完他们吹 NB ，你就问这 5 个问题把，不要天天被各种 FOMA 控制了，短期内，他们就这些招数不断变换了。