一切复杂的设计都不长久 · Vol.091

在这一章的播客里面，我想讨论一个问题：我们到底能够在多大程度上设计复杂？

我们现在每 1 到 2 周都会看到新的产品发布。实际上我觉得，不管是大的模型厂商还是 AI 应用的创业公司，他们真的都在做创新。这不像移动互联网晚期的时候，大家只是在做交互界面的创新，或者是在做一些并不符合商业规律的事情。

随着 AI 的基座能力不断上升，我们也正在解锁新的场景。实际上我们有很多需求没有被满足，大家并不希望去做非常多重复性的工作，或者需要一直出差、和人来来回回地拉扯。这些本身都是交易成本，都是一种消耗。

所以我最近看到了很多令我兴奋的产品。我希望首先分享的话题是：我们现在越来越多地看到好的产品，并且有持续的产品力被解锁。这一切的来源都归功于两点：

我们对于用户场景深入的了解与思考
模型能力的不断提升

但这就让我想起了过去几个月时间里，那些被很多人讨论、但热度又可能立刻消退的事情。

N8N

第一个我想讨论的是 n8n。这是一个在几个月之前特别火的工作流应用，可以理解为它有一个可视化的搭建画布，能够设置各个节点和工作流，让大模型去处理每个阶段的任务。

当时我很典型地深入做了一些尝试。比如让 n8n 的工作流搭配 GPT-4o 模型，去搭建一个自动优化官网的工具。这个工具的主要目的是发布文章，并自动填好文章中 SEO 的重要字段，比如元描述（Meta Description）、关键词和 Schema。

我记得当时做了很多深入的尝试，流程如下：

自动研究关键词并填入 Google Docs
读取 Google Docs 中的关键词，调用大模型生成文章内容
再次调用大模型生成配套图片
使用另一个大模型任务评估文章质量并进行修改
最后由大模型填写 SEO 字段

但实际情况是效果并不好。所以我当时有一个判断：类似的 GEO 或 SEO 优化工具（即所谓 AI 参与的优化工具），其实内在的工作原理都与此类似。但我用这种相对低成本的方式搭建完 n8n 流程后，它依旧无法带来理想的结果。

我当时的感受是，这些任务可能过于复杂了。虽然从 2025 年到现在，我们不断看到代码能力、Browser Use 和 Computer Use 的能力在提升，但它其实依旧局限在某些任务类型上。比如写代码、完成复杂的工程设计，这些变得越来越可行；但如果是一个相对复杂的综合任务，希望用“工作流”的方式去完成，中间就会有太多的错误累积，最终导致结果不可用。

而现在，如果我们使用 Claude 最新的 Computer Use 能力或其他大模型，很有可能很快就能解决我前面提到的官网优化任务。

相比之下，工作流模式需要大量的工程量去调整每一个节点。这种任务的 AI 能力设计很有可能是不长久的，因为它的过程和内在设计过于复杂，需要太多定义的任务和节点。这并不符合大模型的使用或设计原则。

更符合设计原则的方向应该是：内在逻辑和设计是简单的，但通过增加大量的资源投入与重复机制来保证效果。这可能是我们解决更复杂问题的一条类似途径。

OpenAI Atlas

后来我记得为了解决这个问题，OpenAI 的 Atlas（AI 浏览器）发布了。同期的还有 The Browser Company 的 Dia 浏览器，以及 Perplexity 公司的 Comet。这些都是当时可能同期发布的 AI 浏览器。

当时我对 OpenAI 的 Atlas 深入使用的次数更多一些，因为我可以打开我官网后台的页面停留在这里，相当于给了它一个能够操作的网页。然后我告诉它，希望它能把我目前没有设置 Schema 的页面全都挨个点开，并把这些 Schema 的字段都填进去。

我观察到它能很好地进行任务拆解：

自动点开一个页面
检查页面中是否有编辑按钮
自动填写内容

整个过程其实有些磕磕绊绊，因为每一个官网后台或文件编辑后台的面板都长得不太一样。它可能会点错，点错之后发现又复制了好多新的页面出来，还需要把旧的删掉。它的能力肯定不如一个实习生，但这种操作流程和逻辑确实是符合直觉的。

对于用户来说，如果要雇佣一个人，可能也就是这样给他安排任务：演示一下如何进入官网后台，然后给出一个明确的任务。比如：

把文章发布
检查文章的好坏
把相关字段设计好

这是一个典型实习生能干的事情。但很明显，基于现在的能力模型，它更擅长处理偏文本和代码的工作，而对于一些电脑使用（Computer Use）和浏览器使用的任务，目前处理得还不够好。

但我觉得相比于工作流式的 n8n 流程，它还是更加直觉，是一个更好的方向。它在内在逻辑上消化了很多复杂性： (a) 能够看懂界面 (b) 能够拆解非简单的用户任务 (c) 能够操作电脑和浏览器去完成任务

虽然中间可能有很多打断，需要用户的接管和同意，但我觉得它相比于工作流的复杂度已经降低了一些。

物理学与神经科学

最近我在读一些科普类的书籍，感触很深。我发现自己竟然这么晚才对这些科普内容有更深入的了解，确实有些遗憾。

我看到在生物学和物理学中，那些最终看起来异常复杂的现象——无论是生物体还是物理世界的运作——其实内在都是由非常简洁的规则设计的，只是通过大量重复展现出了复杂性。

计算机底层原理：就像我们经常津津乐道的电脑计算，其底层是由 0 和 1 构成的。正是 0 和 1 的海量排列组合，带来了复杂的信息处理和计算能力。这是一个典型的“简洁规则设计，复杂结果表现”的例子。
物理学原子结构：进一步看物理学关于原子的讨论，每个原子由原子核和电子构成。原子核中包含质子和中子： (a) 质子：由两个上夸克和一个下夸克组成的复合粒子 (b) 中子：由两个下夸克和一个上夸克组成的复合粒子

整个宇宙的多样性，其实都源自于这三种基本构建的排列组合，它们分别就是质子、中子和电子。

由这三种基本的构建排列组合而成，原子的元素种类是由原子核当中的质子和中子数量决定的；同时，原子核中的质子数量与电子数量相等。我们知道，大量原子的堆叠形成了各种元素。这是一种典型的内在规则：虽然规则非常简洁，但最终呈现出的表征却是极其复杂的。

话说回来，假如我们要设计一个产品来实现一项复杂的任务（比如自动优化官网内容），我们的目标是让官网拥有高质量文章，并能多次被谷歌曝光和被 AI 引用。为了实现这个目标，通常的手段是写出好文章，因为内容最终是要被人消费的。

但“如何写出好文章”是一个复杂问题。如果我们从结果出发进行拆解，设计方式会变得非常像传统的工作流。我们会将其拆解为：

选题阶段：分析竞争对手的选题，进行关键词分析
内容创作：撰写草稿，准备图片并填写 SEO 内容字段
整合评分：将内容拼接起来，检查是否符合 SEO 要求及打分情况
推广发布：建立内链和外链，进行校对，最终发布

这是一个典型的、根据最终结果人为拆解的流程。如果我是一个人或者带一个实习生，可能会这样处理问题。但当我更深入地设计 AI 产品（比如翻译软件）时，我会更多地从“原子层”的规则去思考。

如果抛开所有既定规则，我们真正需要的是什么？以官网文章发布产品为例：

最核心的其实是一个发布器。
在设计 MVP（最小可行性产品）时，最简洁的功能或许只是一个能登录后台的界面，以及一个简单的“点击发布”功能。

这是原子级的功能和规则设计思维。在此基础上，我再去堆叠自动撰写或生成内容的功能。这与拆解现有任务的逻辑完全不同：

现有任务：往往涉及过多功能平台的拼接。
MVP 思考：抛开所有已有流程，先设计一个核心规则。

设计复杂是徒劳的

我们需要思考的是：通过对这个规则的不断强化（无论是数量上的强化还是重复次数的强化），它是否能产生预期的最终效果？

我认为这是一个核心问题。我们很难单纯通过结果拆解来设计一个好产品，因为拆解过程中会充斥着太多重复的既有经验。而这些经验往往并不符合事物本身应该呈现的自然状态。

这也让我想到了关于人脑的研究。如果从更宏观的层面来看，我们大脑的外皮层是由非常多个结构类似的皮层柱所组成的。它们虽然结构类似，但通过大量的重复，组成了我们产生思维和智能的前提条件。

同时，我们已有的知识在人脑中是由1,000亿个神经元相互连接形成的，而这些神经元之间的连接方式正是我们形成知识的关键。每个神经元细胞都具有同构的结构，由树突和轴突组成。由于每个神经元当中有一万个树突，这意味着人脑中会形成1,000万亿个连接。这种基于树突和轴突的连接，通过生物电和化学递质的方式进行沟通，形成了人脑信息的存储、交换以及思维产生的基础结构。

其实这些知识对于神经网络或AI研究者来说并不陌生，但我每次读到时仍觉得很神奇。这种设计的精妙之处在于：

基础规则是可被描述且可设计的：例如神经元的结构、树突和轴突的连接方式。
最终结果却很难被描述或归因：例如思维，我们很难解释为什么此时此刻在想这件事，而非那件事。

这也就是很多领域所推崇的“结构主义”：结构本身是极其重要的。在思维形成的过程中，神经元的设计和大量的重复结构起到了决定性作用，即便我们很难预测最终的结果。

这种理念引申到产品设计上，我想强调的是：我们很难通过结果去反向进行拆解和设计。我们真正能设计的，应该像设计神经网络一样，是它最基础的规则。

这些基础规则应该是寥寥几句就能讲清楚的，比如：

节点之间如何沟通
需要重复哪些原则

这是我最近的一些感受：我们很难设计复杂的东西，且一切复杂的东西都不长久。我们无法通过复杂的结果去反推路径，我们真正能做且应该做的，是设计可被描述的规则，并不断强化这些规则。

这个原则不仅适用于产品设计，也适用于制定社会规则、法律法规或人与人之间的交往原则。我们只能设计这些底层原则，至于它未来如何演变、如何强化、强化后会产生什么结果，往往是很难预测的。试图去过度拆解并设计复杂的结果，往往是徒劳的。