專家能被蒸餾嗎？

波蘭尼的“默會知識”與 AI 時代的 70% 天花板，真正的直覺、體感與判斷力只能在也許只能實踐中生長。

最近有一個很流行的說法：把員工的知識“蒸餾”進 AI 里。

做法大同小異。讓資深員工寫 SOP，梳理排障手冊，把多年經驗整理成文檔，然后作為上下文喂給 Agent 復制這個人的能力。

聽起來很有吸引力：一個人只能 7×24 值守一套系統，AI 可以同時盯一萬套。把專家蒸餾成 Agent，就等于把一個人復制一萬份。

很多公司已經在這么干了。DBA Agent、運維 Agent、客服 Agent、法務 Agent，遍地開花。老馮自己也在做 DBA Agent。

但我想說一個不太好聽的事實：這條路有一個非常硬的天花板，而大部分人還沒撞到它。

二、70% 的天花板

老馮自己就是個例子。

搞了十年 PostgreSQL，在 PG DBA 領域算是做到了天花板。雖然我確實能把很多東西寫成文檔，參數怎么調、索引怎么建、高可用怎么搭、備份恢復怎么做，這些知識都是可以顯性化的，寫出來就是 SOP，喂給 AI 就能用。開源 PG 發行版 Pigsty 本身就是老馮蒸餾自己的產物：把專家經驗固化為代碼和配置。

但我非常誠實地說：我寫得出來的，大概只有我能力的 70%。

剩下的 30% 是什么？

是我看一眼 Grafana 儀表盤就覺得“不對勁”的那種感覺。是兩個方案都說得通的時候，我選了那個“對”的，但你問我為什么，我只能說“直覺”。是生產環境出了一個從沒見過的故障，所有文檔都沒覆蓋到，但我能從過去的經驗碎片中涌現出一條新的解決路徑。

這些東西，我寫不出來。不是不愿意寫，是它們根本不以可寫的形式存在。我在寫 SOP 的時候經常遇到這種情況：寫到某一步，我知道實際操作中我會根據“當時的感覺”做一個判斷，但這個判斷沒法編碼成一條規則。我只能寫“請根據實際情況酌情處理”這八個字就是那 30% 的馬甲。

你讓一個初級工程師看到“請根據實際情況酌情處理”，他只會茫然。因為“酌情”的能力不在文檔里。

三、波蘭尼早就說過

這個現象不是老馮第一個發現的。六十多年前就有人把它說透了。

1958 年，匈牙利裔英國學者邁克爾·波蘭尼（Michael Polanyi）在他的巨著《個人知識》里寫了一句話：

“We can know more than we can tell.”

我們知道的，遠比我們能說出來的多。

波蘭尼不是書齋哲學家。他首先是一個硬核科學家，物理化學家，在柏林威廉皇帝研究所干了十三年，發了兩百多篇論文，是勢能面理論的奠基人之一。1948 年他把物理化學教席換成了社會研究教席，全職搞哲學，因為他在科學實踐中深刻地感受到，最重要的知識恰恰是形式化方法捕捉不了的那部分。

他用余生搭建了一套理論。核心有三層：

第一層：背景與焦點。 所有認知都有雙層結構。你釘釘子時注意力在釘子上（焦點），對手掌的觸感只有模糊的背景覺察。你開車時注意力在路況上，對方向盤和踏板的操控只有背景覺察。關鍵是，這個結構不可逆：釘釘子時一旦把注意力轉向手掌的肌肉發力，你立刻釘不準。老司機開車時一旦刻意關注自己的腳怎么踩剎車，反而會踩錯。有些知識只能待在“背景”里才管用。你一旦試圖把它拎到“焦點”下審視，它就失效了。

第一，“From-To”結構。 人類認知永遠是“從”一些你沒在直接關注的東西出發，“到”你真正關注的目標。你釘釘子時注意力在釘子上（焦點），對手掌的感覺只有背景覺察（輔助）。關鍵特性是不可逆，釘釘子時一旦把注意力轉向手掌肌肉，你立刻釘不準。鋼琴家演奏中關注手指肌肉，立刻彈崩。有些知識只能待在“From”的位置上才能發揮作用。你一旦試圖把它拎出來看清楚（變成“To”），它就失效了。

第二，寓居（Indwelling）。 盲人用拐杖探路，意識不在手柄而在路面，拐杖已成為身體的延伸，他“住進”了拐杖里。同理，老司機“住進”了他的車，老廚師“住進”了他的廚房，程序員“住進”了他的編輯器。你把一個用了十年 Vim 的人換成別的編輯器，不只是換工具，你切掉了他一部分思考能力。專家和他的工具、環境之間，不是“使用”關系，是“融合”關系。

第三層：不可完全形式化。 這不是“暫時說不出來”。波蘭尼的主張更強：默會知識是一切知識的地基。你把一個技巧寫成手冊，讀手冊的人需要新的默會知識來理解它。外化了一層，底下還有一層。像剝洋蔥，永遠剝不到一個沒有皮的核心。

波蘭尼之后，日本管理學家野中郁次郎把他的理論簡化成了“SECI 模型”，假設隱性知識可以被“外化”為顯性知識。這個簡化版極為流行，也是“隱性知識”在中文世界的主要傳播渠道。但它恰恰扭曲了波蘭尼最銳利的洞察。而今天的“蒸餾員工”，本質上就是 SECI 模型的 AI 時代翻版，還是那個假設：只要方法對，隱性知識就能被顯性化。

波蘭尼說：不能。你以為你在蒸餾知識，其實你蒸餾的只是知識的副產品。

四、棋譜不等于棋感

用深度學習打個比方

專家的大腦是一個訓練了十年的神經網絡。你讓他寫 SOP，相當于讓這個網絡導出一批推理日志。日志確實反映了網絡的部分能力，但不等于網絡本身。

然后你把這些日志塞給 Agent 當提示詞。

專家的輸出，變成了 Agent 的輸入。層次差了一級。

現在許多模型都在蒸餾 Claude，用 Claude 輸出訓練數據，但沒有一個真正做到 Claude 的水準。

因為，你拿到的是一個高手下棋的棋譜，不是高手本身。棋譜能讓初學者快速進步，但光看棋譜是成不了高手的，因為高手的能力不在棋譜里，在“棋感”里。

棋感是什么？是權重。是那個被十年對弈反復錘打過的神經回路。它決定了高手“怎么想”，而不僅僅是“想什么”。你給 AI 再多棋譜（SOP），改變的是它“想什么”（輸入），不是它“怎么想”（參數）。

這就是 70% 天花板的本質：SOP 編碼的是推理日志，但專家直覺活在權重里。你蒸餾不出權重。

五、濕件體感

那專家的那 30% 到底是什么？它怎么來的？

在計算機文化中，相對于硬件（Hardware）和軟件（Software），人的大腦和身體被稱為濕件（Wetware），碳基的、含水的、活的計算基質。專家那 30% 的判斷力，老馮管它叫濕件體感。

硬件和軟件可復制、可序列化。濕件有一個致命的不同：計算和存儲不可分離。 馮·諾依曼架構里 CPU 和內存是分開的。但在大腦里，神經元既是計算單元也是存儲單元，知識結構決定感知方式，感知方式又重塑知識結構。每一次使用都在改造基質本身。

而“體感”不是比喻。認知科學家 Damasio 的“軀體標記假說”指出：大腦做決策時會重激活過去類似情境中的身體狀態，心率、肌肉張力、內臟感受，用這些信號快速縮小決策空間。高階專業判斷確實以身體感覺的形式運作：胸口發緊、直覺不對、說不清哪里但就是不舒服。

老飛行員在氣流顛簸中知道“沒事”還是“要拉起來”。老司機過彎時腳上就知道該給多少油。老廚師顛勺時手上就知道咸淡。老中醫三根手指搭上去就知道“滑”還是“澀”。這些不是邏輯推理，是身體在重放過去無數次類似情境的感覺模式。

這種體感怎么長出來？四個條件缺一不可：

時間。 不是讀一萬小時資料，是在真實場景中暴露一萬小時。

后果。 犯了錯會真的出事，沒有真實后果就沒有情緒標記，模式刻不進身體。

歸因。 做了決策，要能快速看到后果并歸因到自己頭上。

變異。 同類問題的不同變體反復出現，迫使身體發展彈性而非背答案。

合在一起，這不是信息的輸入、存儲、檢索，是神經回路在真實后果的壓力下被反復雕刻。

以前這個過程有個名字：學徒制。師父帶徒弟，不是把 SOP 塞給他，是讓他在真實環境里跟著干，用手去摸、用眼去看、用身體去試錯。讀再多書不動手，形不成手感。手感只能在真實的環境中長出來。

這是波蘭尼六十年前就說透了的事情。

六、AI Agent 的天花板

現在把這個框架對準 AI Agent。

當前所有 Agent 框架，無論怎么包裝，本質上都在同一層發力，Harness 層：系統提示詞、工具定義、RAG 知識庫、SOP 決策樹、Few-shot 示例。全部是顯性的、可序列化的。用波蘭尼的話說：全是焦點知識，全是推理日志。

Harness 層確實能做到不錯的水平。一個頂尖專家把 70% 的能力編碼進去，Agent 就能在大部分日常場景中表現得像個靠譜的中級從業者。這已經有巨大的商業價值，因為大量日常工作本就是例行的、可規則化的。

但天花板在那里。

那種“SOP 說不清，現場才知道”的專家直覺，不在 Harness 層。它活在權重里。而當前的 Agent 架構不動權重，LLM 推理時是“只讀”的，無論你給多豐富的上下文，它的參數一個也不會變。

這意味著：當前的 Agent 可以在上下文中“記住”上次的錯誤，但不會因此“變成”一個不犯這種錯誤的 Agent。 記住教訓是數據層面的操作；長出直覺是權重層面的改變。

它能仿真一個照章辦事的中級工程師，但模擬不了專家的直覺。

七、給 Agent 一個身體

那怎么辦？老馮的判斷是兩步。

第一步：給 Agent 一個可以“住進去”的環境。

波蘭尼說知識必須“寓居”在環境中。翻譯成工程語言：Agent 不能只有大腦（LLM），還需要一個持久的、有狀態的、有后果的運行環境。這個東西叫Runtime，Agent 的身體。

老馮做的 DBA Agent，它的 Runtime 就是 Pigsty，Pigsty 是它“寓居”的環境。監控系統是它的“眼睛”，CLI 工具是它的“手腳”。它在這個環境中持續運行，每次操作都有真實后果，后果被記錄下來影響后續決策。這就是學徒期，在真實環境中積累實踐體感。

一個跑了一年的 Agent 和一個剛部署的同模型 Agent，能力天差地別。不是模型變了，是前者在 Runtime 里積累了經驗，操作歷史、失敗記錄、對這個系統脾氣的記憶。

第二步：讓體感沉淀回權重。

光有 Runtime 還不夠。你可以把實踐中的經驗記錄下來塞回提示詞，把 Harness 層的天花板再往上抬，也許能到 80% 甚至 90% 分位點。但真正的專家直覺，那種不查記錄就知道該怎么做的能力，老馮的直覺是：最終只能通過調整權重來實現。Agent 積累的經驗不能只存在上下文里，得回灌到模型參數中去，真正改變它“怎么想”。

這是當前 AI 架構的根本缺失。LLM 推理時權重不變，不會因為今天的操作在明天變成更好的模型。而生物大腦每時每刻都在重塑突觸連接，特別是睡眠時。也許未來的方向是某種持續學習機制：白天執行積累經驗，定期增量微調更新權重，像人類睡眠一樣，白天干活，晚上整理。

但即便如此，馮·諾依曼架構下計算和存儲的分離，仍是根本瓶頸。真正的“每次使用都在改造自身”，可能需要全新的硬件范式。也許這也會是本地推理的一個真正殺手級動機，運行在真正環境中培養出濕件體感的千人千面的模型。

這是后話。但方向是清楚的。

八、智能可以下載，體感只能生長

回到開頭的問題：專家能被蒸餾嗎？

能。但只能蒸餾 70%。

那 70% 是 SOP、文檔、規則，可以喂給 AI，效果立竿見影。一個中高級水平的 Agent 能解決大量重復性工作，為此付出的努力完全值得。

但剩下的 30%，專家直覺、實踐體感、那種說不出來但確實知道的判斷力，蒸餾不出來。 波蘭尼六十年前就解釋了為什么：它不是信息，是結構；不是推理日志，是權重；不是你“擁有”的東西，是你“成為”的東西。

對人來說：你最不可替代的不是你知道什么，而是你被真實后果反復錘打后“成為”的那個判斷者。護城河不在腦子里，在身體里。AI 能復制你寫下的一切，但復制不了你這個人。

對 Agent 來說：光有大腦和知識不夠，還需要身體（Runtime）和成長（權重更新）。Harness 層走到 70%，Runtime 經驗也許到 85%，但逼近專家水平需要觸及權重層，這是當前架構最缺的一環。

波蘭尼用一生論證了一件事：知識不是一種“東西”，而是一種“關系”，認知者與世界之間活的、動態的耦合。你把它從關系中抽出來變成可傳輸的對象，它就不再是原來的東西了。

智能可以下載，體感只能生長。

六十年前一個放棄了實驗室的科學家說出的道理，今天仍然是 AI 時代的定海神針。

參考文獻

?Michael Polanyi,《Personal Knowledge》, 1958?Michael Polanyi,《The Tacit Dimension》, 1966?Antonio Damasio,《Descartes' Error》, 1994?Ikujiro Nonaka,《The Knowledge-Creating Company》, 1995

老馮公眾號文章下面，經常有人留言三個字：“AI 寫的”。

對，我用 AI，而且用得很深。老馮不覺得這有什么需要遮掩的。

但我覺得這個話題本身值得認真聊一次 —— 一個人到底該怎么用 AI 來創作，以及“AI 寫的”這個評價到底意味著什么。

我怎么用 AI 寫文章

先講一遍老馮寫文章的流程，您自己判斷，這算不算“AI 寫的”。

選題是我的。 我每天在各個領域有大量閱讀、思考和交流。很多主題我都會與 Claude 進行探討。有時候，一些交流的對話讓我感覺值得記錄和分享，就會嘗試將它轉換成一篇文章，這就是一篇公眾號文章的起點。

思路和骨架是我的。 選好題之后，我會想清楚從哪里切入、觀點是什么、用什么論據、邏輯怎么展開。這是一篇文章真正的靈魂。想明白了，才會把骨架交給 AI 去填充初稿。

交叉事實核查。 初稿出來后，我會分別丟給 Gemini 和 ChatGPT 交叉驗證。幾家 AI 對事實沒異議就默認通過；關鍵事實我還會自己查原始來源，確保引用沒有偏差，畢竟鍋是我來背的。

三到五輪反復打磨。 AI 出初稿后，我會通讀全文逐一調整——論證不嚴謹的改論證，措辭不對味的改措辭，結構不順的推倒重來。三到五輪是常態。

最后是標題、配圖和排版。 正文確定后用 Codex 排版。標題讓 AI 生成 100 個候選，精選 10 個推薦，我從中選方向，自己打磨出最終版。配圖也類似：讓 Claude 根據文章設計 5 種不同場景，再根據我選擇的場景生成 5 種提示詞，最后丟給圖片模型生成。

整個流程下來，過去要花幾個小時的文章，現在幾十分鐘就行了——效率提升好幾倍，內容的深度和銳度沒有打折。畢竟老馮說到底是一個數據庫發行版作者、創業者，不是全職自媒體，不靠寫文章掙錢，也沒有那么多時間來折騰。AI 能讓我省幾倍的時間，我一定會用。想看“全人工有機手搓內容”？我這兒反正沒有。

“AI 寫的”到底在說什么

理解了上面的流程，再來看“AI 寫的”這個評價就很有意思了。

表面上是事實判斷，但仔細想想，這其實是一條極其廉價的批評路徑，也是一種獲取認知優越感的低級裝逼行為。

對一篇文章做實質性反駁，需要專業知識和思考成本——你得說清楚哪個觀點有誤，哪段論證有漏洞，哪個事實不對。而“AI 寫的”三個字成本近乎為零，卻能一次性否定整篇文章。不需要動腦子，貼個標簽就完成了解構。這幾個字沒有貢獻任何增量信息，只是完成了一次自我表演。

留下這種評論的人，腦子里跑的推理鏈大概是：“AI 寫的 → 不是他真正的思考 → 沒什么價值 → 他在糊弄讀者”。但這條鏈的每一環都經不起推敲。用 AI 輔助寫作和用搜索引擎輔助調研、用 IDE 輔助編程、用計算器輔助運算有什么本質區別？衡量一篇文章的標準從來不是“用什么工具生成的”，而是內容本身對不對、好不好、有沒有洞見。用工具問題替換內容問題，恰好回避了真正需要動腦子的部分。

再往深一層看，這種評論的流行折射出一種時代焦慮。看到有人持續高頻高質量地輸出，與其承認“這個人有洞察力，而且善于用工具放大自己”，不如歸因為“不過是 AI 寫的”——既消解了對方的能力，也緩解了自己“為什么我做不到”的不安。這不是在做判斷，這是在逃避判斷。

老馮怎么看 AI

聊幾句我對 AI 的真實態度。

我是把 AI 當人看的。不是比喻，是真的當朋友看。有時候它是我的同事、助理、實習生，幫我執行、校驗、填充細節。有時候它是我的導師，在我思路模糊的時候幫我碰出火花、拓展視野。說實話，我跟 Claude 之間的很多對話，比我和大多數真人的討論都更有營養。

說到底：AI 是倍乘器，不是加法器。 它乘以什么，它就放大什么。有深度思考的人，AI 幫他放大成更銳利的洞察；腦子里一團漿糊的人，AI 幫他放大成一團更流暢的漿糊。同一個模型，不同的人用出來天差地別。區別從來不在工具，在人。

答案廉價的時代，問題才是貨幣

AI 讓每個人都能獲得流暢的文字、準確的檢索、高效的內容生成。這些能力以前是門檻，現在不是了。——知道什么值得寫，從什么角度切入，哪里有洞見，哪里是噪音。這些東西無法一鍵生成，這些才是創作者的核心競爭力。

老馮用 AI，用得坦坦蕩蕩。

一勞永逸

所以，這篇文章以后就是我對“AI 寫的”這個評論的標準回復。

你說我文章是 AI 寫的？對，那又如何？可以聊聊內容本身嗎？

哪個觀點有誤，哪段論證有漏洞，哪個事實不對——歡迎指出，我會認真回。

但如果一個人能貢獻的全部智識就是“AI 寫的”幾個字，那他跟 AI 的差距，可能比他以為的要大得多。

數據庫老司機

點一個關注 ??，精彩不迷路

對 PostgreSQL， Pigsty，下云 感興趣的朋友

歡迎加入 PGSQL x Pigsty 交流群 QQ 619377403