总结（上）· 原理 + Harness
大模型认知框架 / 幻觉应对 / Prompt 与 Agent 核心要点
本页解决的问题
先给结论「总结（上）· 原理 + Harness」要解决的关键问题是什么？
大模型认知框架 / 幻觉应对 / Prompt 与 Agent 核心要点
让这个结论先证明自己值得留下。 把这一页当成决策工具，而不是需要背下来的定义。把概念连到一个真实任务、一个可观察结果，以及一个能改变你判断的失败上。
写下一个问题：试完这个方法后，你能用什么证据回答它？
结论听起来很完整，却没有检查最关键的假设。
「模块一」为什么能找到相关内容
「大模型认知框架 / 幻觉应对 / Prompt 与 Agent 核心要点」把检索问题从“把资料存起来”推进到“怎样找到真正相关的资料”。这一步决定了 RAG、推荐和以图搜图最后交给模型的输入质量。
相似度不是答案，召回之后还要核对
在「大模型认知框架 / 幻觉应对 / Prompt 与 Agent 核心要点」对应的流程里，Embedding 负责把对象放到可比较的语义空间，近邻索引负责减少搜索范围，最终的回答仍然依赖召回片段是否覆盖问题、距离指标是否合适，以及内容有没有过期。
先区分找得到和找得准
把「大模型认知框架 / 幻觉应对 / Prompt 与 Agent 核心要点」落成一次小测试：准备几条有明确答案的查询，记录召回的相关性、遗漏和无关结果，再决定是否需要换切分方式、索引或重排。
从「模块一」走到「模块二」
「模块一」先把问题落在「🧠 模块一 · 大模型是怎么来的 建立认知直觉，不被忽悠 核心认知 1 对话不是学习，参数是冻结的 训练结束后模型就定型了。你每次对话，模型 不会记住、不会进步 。AI 按 Token 计费，不按提问次数计费。 核心认知 2 幻觉是结构性问题，无法根除 模型做的是 预测下一个 Token ，不是查数据库。知识截止、自信编造、事实混淆，这三类幻觉只能缓解，不能消灭。 缓解方案 RAG：把真实文档塞进 Prompt 每…」上；到了「模块二」，讨论继续推进到「✍️ 模块二 · Prompt 怎么写才管用 让 AI 按你要的输出，不是瞎猜 System Prompt 你说什么，它就变什么 System Prompt 定义角色、语气、约束。 同一个模型，Prompt 不同，输出天差地别 。这是 AI 产品差异化的核心杠杆。 Few-Shot 示例 给例子比讲道理管用 与其描述要怎么做，不如 直接给 2-3 个输入→输出的示例 。模型会从中推断你期望的格式和风格。 CoT 思维…」。两段连起来，重点就不只是记住一个结论，而是看清它成立所依赖的条件。
把这条判断带到下一个场景
检索系统也可以这样看：先确定什么算相关，再观察召回是否覆盖问题，最后检查排序、切分和时效性有没有把真正有用的内容挤出去。
- 「模块一」：🧠 模块一 · 大模型是怎么来的 建立认知直觉，不被忽悠 核心认知 1 对话不是学习，参数是冻结的 训练结束后模型就定型了。你每次对话，模型 不会记住、不会进步 。AI 按 Token 计费，不按提问次数计费。 核心认知 2 幻觉是结构性问题，无法根除 模型做的是 预测下一个 Token ，不是查数据库。知识截止、自信编造、事实混淆，这三类幻觉只能缓解，不能消灭。 缓解方案 RAG：把真实文档塞进 Prompt 每…
- 「模块二」：✍️ 模块二 · Prompt 怎么写才管用 让 AI 按你要的输出，不是瞎猜 System Prompt 你说什么，它就变什么 System Prompt 定义角色、语气、约束。 同一个模型，Prompt 不同，输出天差地别 。这是 AI 产品差异化的核心杠杆。 Few-Shot 示例 给例子比讲道理管用 与其描述要怎么做，不如 直接给 2-3 个输入→输出的示例 。模型会从中推断你期望的格式和风格。 CoT 思维…
最后的「最后把结论落到实践」把讨论落到「大模型认知框架 / 幻觉应对 / Prompt 与 Agent 核心要点」。回看这条线索时，最值得保留的是：当输入、规模或风险改变，哪些判断需要重新做一遍。
我把这篇文章里的一个判断改写成了今天可以验证的小实验。比记住结论更有用的是，知道下一步要观察什么。
读完以后我先回头找它成立的条件，而不是直接把方法搬进项目。这个顺序让后面的取舍清楚很多。
如果把这个判断放到真实工作里，最先需要补的约束是什么？我想知道从阅读到第一次实践之间，哪一步最值得先做。
还没有这篇文章的讨论。