只多说一个词，AI 为什么就抓住了问题的关键？
我经常让 AI 帮我分析产品、设计和工程问题。面对同一个产品决策，如果只说“请深入分析”，回答通常会从用户、功能、商业价值和技术成本等方面展开。内容看起来完整，各部分却往往停留在相近的深度。
加上一句“请从第一性原理出发”，回答的起点会发生变化。模型开始区分已知事实与未经验证的假设，寻找不可绕过的约束，再从这些条件重新推导结论。原本并列铺开的多个方面，开始围绕一条因果线索组织起来。
新增的五个字没有提供项目事实，也没有规定答案格式。模型并未突然获得新的能力；它们只是改变了当前上下文，使与“第一性原理”相关的事实、问题和推理方式更可能进入回答，回答也由此从不同的起点展开。
概念是知识网络中的坐标
大语言模型从大量文本中学习词语之间的关系。一个概念经常与哪些事实、人物、案例、争论和分析方法共同出现，会影响模型在当前上下文中怎样继续生成。可以把概念理解为一组由关系构成的语义线索，它的作用超出一条孤立的字典释义。
“第一性原理”长期与一组具体动作联系在一起：识别基本事实，拆开隐含假设，寻找底层约束，再从约束重新推导。它进入提示词以后，这些知识与推理步骤更容易参与回答。
如果不用这个概念，人可能需要写下一整段要求：“不要直接沿用现有结论，先区分事实和假设，找出不可绕过的约束，再从这些条件重新推导。”一个概念把这段共同知识压缩成了几个字。
“机会成本”会把知识带向选择与放弃，“路径依赖”会带向历史选择与迁移阻力，“威胁模型”会带向资产、攻击面和风险路径。不同概念连接着不同的世界知识，也为回答提供不同的展开起点。
当人说出“第一性原理”时，自己也在指向事实、假设和约束；模型则沿着同一个概念展开相关知识。双方无需拥有完全相同的理解，一个共同概念已经足以让对话从相近的知识区域开始。这就是标题所说的“AI 展开了一整个世界”：概念改变了这一次回答更容易抵达的知识范围。
泛泛的要求，把选择交给默认概率
模型生成回答时，会根据完整上下文不断估计接下来哪些内容更可能出现。在一次具体对话里，用户最直接改变的就是输入。输入不会指定每一个词，却会影响后续内容的条件概率。
面对“请深入分析这个产品决策”，用户体验、商业价值、技术成本、市场竞争和项目风险都可能成为合理方向。提示词没有说明应该优先进入哪一条路径，模型便会依据训练中更常见的表达和当前上下文分配权重。
从用户视角看，这很像从一副权重不透明的牌中抽卡。牌面并非完全随机，常见的分析框架拥有更高概率；提示词越泛，模型越容易沿着这些默认路径展开。
温度控制的是模型如何从当前概率分布中选择。较高温度允许更多低概率路径出现，较低温度更倾向高概率路径。降低温度可以让输出更稳定，却不能替输入补上方向；一个泛泛的问题，在低温下往往只是更稳定地得到默认答案。即使温度很低，完整系统与执行环境也未必保证每次输出逐字相同。
概念参与改变当前的概率分布，温度影响模型怎样从中取样。温度主要决定输出有多发散，概念则影响回答更可能沿哪一类知识路径展开。
人不需要预先写出整套答案。更有效的控制来自四类输入：眼前的事实、真正的目标、不可忽略的约束，以及希望模型参考的概念。泛泛的要求把知识方向留给默认概率；说出概念，让人开始参与方向选择。
在提问之前，先决定从哪里出发
模型会自行判断问题并选择方法。面对泛泛的提问，它通常沿着默认路径展开。人对模型的影响，更多发生在起点：识别当前问题需要怎样的思路，再用少量信息调整模型的方向。
例如，“帮我整理房间”容易得到一份打扫清单；加入“按照日常使用动线设计收纳”，模型便会转向物品位置、使用频率和维护方式，并继续完成具体方案。
说出“第一性原理”体现的是同一种动作：人给出一个双方都能理解的分析角度，模型继续展开后续步骤。起点处的一次调整，由此影响整条回答路径。
随着模型能力提升，在一些任务中，详细指令和过程干预可能逐渐减少。人更需要识别有价值的方向，并在少数关键位置调整模型。保持不变的，是人对自身处境和目标的理解，以及对最终结果的选择。
当模型能够自行完成更多步骤，人的输入会越来越集中在目标、约束和判断上。这也把一次提问技巧，带向了更长期的人机协作问题。
当模型承担更多执行，人的差异如何形成
模型正在把知识、方法和执行能力变成更容易调用的基础能力。许多今天还需要详细说明的任务，未来可能只需表达目标，模型便能自行拆解、选择方法、调用工具并完成验证。
变化首先发生在执行层。在许多标准化任务中，记忆大量知识、熟练完成流程、掌握复杂提示技巧所带来的差距可能缩小。模型能够完成的范围越大，人能借助它完成的任务范围也越宽。
保持稳定的是人与现实之间的联系。什么值得长期投入，什么结果符合自己的处境，愿意承担什么后果，都需要在真实生活与行动中形成。模型可以提供大量可能性，人需要从中建立自己的标准，并在行动中检验选择。
人的差异因此会更多来自方向、判断和积累。方向决定把模型能力用在哪里；判断决定哪些结果值得采用；积累则把一次次选择、反馈和经验沉淀成独特的上下文。相同的模型进入不同人的长期工作后，也会呈现出不同的协作能力。
概念在这里成为一种可积累的协作接口。通用概念可以连接模型学到的世界知识，双方在长期协作中确认的概念，则能连接个人经验、项目背景和历史判断。只有当概念与稳定的背景、历史记录和反馈机制相连时，它才会成为可以重复使用的协作语言。
模型会展开越来越多可能，人仍要决定哪些值得进入现实。文章开头的一个词，只是这种判断进入对话时最小的一次表达。