说实话，爽文这类东西我平时去进行阅读的次数确实极少。
倒不是瞧不上，纯粹就是没养成那个阅读习惯罢了。不过前阵子因为有个项目需要，我只好硬着头皮去开展研究工作。研究着研究着，我倒是发现了一件挺有意思的事。
就是说，要是你对某个领域完全不存在审美偏好的时候，你反而能够看清一些平时被懂行这点给遮蔽住的东西。
就拿prompt这件事来举例说明吧。
很多人以为prompt能力就是会进行更加复杂的指令撰写，会选用更多技巧性的词汇。但我把这个项目做完之后才发觉，真正的prompt能力根本就不在措辞这个层面上。
它在于你能不能把问题定义出来、建立好边界、把污染控制住，并且安排妥当验证环节的工作。
换句话说，prompt能力其实是开展研究的能力，而不是写作能力。
这个认知到底是怎么来的，我得从头开始讲起才行。
一开始我手里拿着一批网文写作教程，让AI去进行学习整理工作，然后去设计一个短篇爽文创作skill。AI倒是做出来了，规则看着也挺完整，知道要去避免主角降智、巧合救场、外援通关、反派工具人这些常见的毛病。
但我读完之后总觉得哪里不对劲。
后来我想明白了那句话，这套体系说白了就是一套防烂体系，却缺少真正能造爽的技术手段。
不降智、不巧合、不失衡，保证的统统都是下限。但爽文的商业成败根本不发生在下限，而是发生在上限。情绪密度、压强差、过程期待，读者什么时候知道主角手里有牌，又是什么时候真正看到这张牌落下去。
一篇小说可以做到每个场景都有状态变化、人物不降智、因果也通顺，但就是不好看。
压根就不是一回事，发生了事情和读者获得了情绪回报。
所以我换了个思路，不再去问爽文有哪些规则，而是去问爽感究竟是怎么被制造出来的。
这么一问，这样一来问题就变成了研究问题，而不再是创作问题了。
开展研究的头一步就是进行样本隔离。
我找了一批经过市场验证的知乎故事来充当语料，但没直接扔给AI让它去学习。而是把它们划分成了三组，一组用来发现规律，一组专门用来挑战并且推翻规律，还有一组在规则定稿前完全封存起来，只留编号不看内容。
封存一批不看，是为了什么呢。
因为要是所有的样本都参与了规则的形成，你后来说的验证，就只是在检查自己能不能重新解释一遍已经看过的材料罢了。那不是验证，那叫复述。
封存的那一组，是留到末了才用的考卷。规则没定死之前谁都不许去翻，防的就是看完答案再去改假设这种人类容易犯且毫无自觉的作弊行为。
这个方法我在AISet的知识库设计里同样也运用上了。
知识库始终存在着一项核心原则，那就是原始资料必须得保持不可变的状态。你抓取到的素材本身是什么样就是什么样，后续所有的加工、提炼以及纠错等相关工作都得记录在实体页、概念页里，绝不能回过头去对原始资料进行修改操作。
为什么要这么去进行设计呢，究其原因在于，要是允许对原始资料进行修改，那么你后续所有的验证工作都会沦为单纯的复述。这就相当于你把答案写进了题目当中，然后又假装自己把题目给解出来了。
样本隔离其实也是同样的道理。!
针对参与研究的那批样本，我们为每一篇都进行了一张证据卡的建立。这并不是在做剧情摘要，而是借助一组固定问题来开展拆解工作，这篇的一句话选题到底是什么，它选用了哪个熟悉母题，真正落到主角身上的私人损失究竟是什么，哪个事件让局面跨过了阈值，读者为什么愿意站队，接下来期待看什么过程。
每篇都设置了十几个字段。
不过数量并不是重点，重点是我们逼着AI对每篇同时进行三个问题的回答。
1，到底是什么在起作用。
2，它在什么条件下才能够起作用。
3，要是换一种完全相反的写法，这个作用还在不在。
一个只能解释某一篇故事的结论，算不上规律，只是对那个故事的事后说明罢了。一个能跨越家庭、职场、古代权力、系统异常、末世生存、悬疑怪谈，同时还能够扛住反例检验的结论，才有资格进skill。
这其实是两种完全不同的知识。前者是我记住了这篇为什么好，后者是我掌握了好这件事的规律。
研究下来得出了两个结论，直接改写了我对选题和爽点这两个词的理解。
头一个，我们平时说的选题，绝大多数都是假选题。
重生复仇、职场打脸、真假千金、末世囤货，这些其实不是选题，而是题材标签。
一个能真正发动短篇的选题，是三样东西的组合，熟悉母题加上落在具体人物身上的私人得失，再加上一项改变行动规则的变量。
举个例子，母亲偏心弟弟不是完整选题，它只有关系判断，没有执行对象，也没有下一步。
但要是变成，母亲没经过女儿同意替她签字卖掉外婆留下的门面，准备拿去给弟弟付婚房首付，而买家下午三点就要过户。
这样一来东西就全了。
损失是具体的，门面和处分权。时间是有限的，下午三点。规则变了，母亲不再只是表达偏心，而是在代替主角处分财产。主角也有了头一步动作，不是坐下争论谁孝顺，而是先去阻止过户。
好选题不是更惨更炸更离谱，好选题是它能立刻改变人物下一步要去做什么。
身份、系统、重生、财富、异能本身都不重要，它们只有在改变知情权、行动权、成本、责任或成功标准时，才真正进入故事。否则再大的设定，也只不过是海报上的字罢了。
第二个结论，爽点并不是反派倒霉了。
爽感更接近于一笔情绪债的分期偿还。
读者先看到不公、失控或关系错位，情绪被压进去。但压强不能无限加，否则憋屈就会变成弃文。所以真正有效的爽文，会很早就让读者看见一张牌。这张牌不一定马上解决问题，却要证明主角并不是一个只能等待结局的人。
蓄压，某些具体的不公平状况就开始发挥出作用了。
暗爽，让读者率先看出来主角手里其实是握着底牌的。
微兑现，主角率先把一部分的损失给止住。
中额翻转，对手原本做出的那些判断就开始失去效用了。
主释放，先前做出的选择、拿到的证据以及付出的代价统统被集中回收过来!
最开始拿到手的那笔回报，往往并不是那种终极性质的打脸，反倒更像是一种止损的操作。
把授权给取消掉、把属于自己的物件给带走、把后续的服务给停掉、把相关证据给保全下来、让原本处在自动运行状态的流程彻底停顿下来。
这些举动并没有全场震惊那么轰轰烈烈，却更容易让读者去相信，这个人已经开始重新掌控自己的人生了。
旁观者同样能够把爽感给放大，但前提并不是所有人倒吸一口凉气，而是某个旁观者在拿到新信息之后，把签字给撤回、把付款给停止、把证词给改变、把合作给终止。
围观并不是爽，认知层面的变化能够转化成现实后果，那才是真正的爽。
这两个结论，我后来在AISet的人味儿写作心法里面同样找到了呼应之处。
人味儿这东西，并不是你刻意去添加什么口语词汇、感叹号、网络梗就能搞出来的。人味儿恰恰落脚在不够好、不够整齐、不够标准的那些地方。一个句子要是太完美了，反倒不像人类说出来的话。
爽文也是这般。真正让人想要追下去的，并不是每个环节都严丝合缝，而是那些带有毛边、带有缺口、带有真实生活质感的东西。主角并不是在演绎一个爽文剧本，而是在处理一个具体的、私人的、会产生后果的困境。
这个认知，让我对skill的理解也发生了改变。
许多人把skill视作超级prompt，但实际情况并不是这样。
Prompt更像是一次性的任务说明。Skill更像一个小型操作系统，它里面不仅囊括了规则，还包含了任务路由、按需加载、机制选择、案例隔离、质量闸门，以及出现问题时该回到哪一层去进行修改的逻辑。
Skill在我看来，就是某个人对完成一件事情所积累下来的心得体会。
AISet的知识库同样是遵循的这个思路。
你并不是把所有信息一股脑塞给AI，让它自己去看着办。而是事先规划妥当，当前究竟是什么任务，该读取什么，不该读取什么，哪条规则享有优先权，出现哪种失败状况该回到哪个上游变量去重做，以及什么时候必须承认自己并不知晓。
这里头还藏着我曾经踩过的一个坑，要是样本给多了，AI就会开始偷懒。
要是样本太少，它理解得就不深。要是样本太全，它又会去寻找相似的那篇，把人名、职业、时代和道具换掉，生成一篇在结构上几乎一模一样的东西。它表面上瞧着更会写了，其实仅仅是检索和换皮变得熟练罢了。
所以skill尽管带有案例，但案例的用法被死死限制住。案例仅仅用于理解，规则究竟产生了什么效果、需要什么条件、会在哪里失效、有没有相反的实现方式。案例绝不被拿去寻找相似的那篇、复用完整的事件顺序、换个个人名职业就去扩写。
这大概是我对让AI进行语料学习这件事最为深刻的一项体会了，真正高质量的学习过程，绝不是让AI把一堆答案死记硬背下来，而是得让它清清楚楚地明白，哪些内容是可以提取带走的，哪些东西又是必须原封不动留在样本里面的。
回过头来看看这个项目，我最后当然顺利拿到了一套爽文skill，但我真正特别感兴趣的，却完全是另外一件事了。
我们常常说，运用AI的前提是你自己必须得真正弄明白这个领域，说到底，只有你真正弄懂了，才能够去对它给出的结果到底好不好、究竟行不行做出判断。
这话一点毛病都没有。不过它仅仅说了一半而已。
鉴于AI的能力还在不断往前推进，咱们并不是只能在自己已经掌握的领域里去开展运用工作。
你还可以借助它的索引、拆解、比较、执行还有验证能力，去把一个原本压根就不存在的判断系统给构建起来。
要知道前提可是你不能一上来就逼着它给出答案，你得先去设计它该怎么学习、怎么犯错、怎么被反例给推翻掉、怎么把污染给隔离出去，并且什么样的证据才算得上数。
这样一来一个人面对陌生领域时，关键的能力绝不是假装自己有审美，而是清楚自己没有审美之后，能不能去设计出一条获取判断力的路径出来。
这条路径，大概长这样。
先承认自己不知道。找到经过现实验证的材料。分出学习集、挑战集、封存集。建立统一证据卡，不急着去归纳。找跨类型规律和相反实现。
冻结假设，再启封考卷。控制变量加新旧盲评。把规则封装成按需调用的skill。反向验收，每一项完成，究竟由什么证据证明。
很多人以为的prompt能力，就是会写更复杂的命令。
但真正高级的prompt能力，并不发生在措辞层面，它发生在你能不能把问题定义好、把边界建立起来、把污染控制住、把验证安排妥当，并且在AI给出一个看起来相当漂亮的答案时，你仍然知道该从哪里继续对它产生怀疑。
提示词只是表面，下面真正起作用的，是一个人怎么去组织思考。
要是没有现在这些工具，我大概不会为了一个自己没兴趣的领域，去手工处理这么庞杂的语料，成本实在是太高了。
但当AI把大量机械劳动、索引劳动、初步分析劳动的成本给降下来之后，人就可以把注意力放到那些真正只有人能干的位置上了。
这个分类是不是假的。这个结论是不是仅仅只解释了我已经看过的样本。这条规则到底是提高了吸引力，还是只是让文本看起来规范了。模型是不是为了显得聪明，偷偷给主角准备了太多刚好能翻盘的工具。
这些问题可不是AI自动带来的，它们来自于人对整个研究过程的设计。
所以我越来越觉得，未来真正把差距给拉开的，不是谁先运用上了某个模型，也不是谁收藏了更多prompt。
而是谁能把AI从一个回答问题的东西，变成一套参与研究、接受约束、保留证据、暴露失败、并且持续迭代的认知基础设施。
我从几乎不看爽文开始，末了得到的不只是一套爽文规则，我得到的是一次很具体的证明。
你不必假装自己什么都懂。但你要知道，面对自己不懂的东西，怎样不靠自信、靠方法，一步步把真正的判断给建立出来。
这才是AI时代更难得的能力!
