打破许愿编程的边界：让 AI 找到你还不知道的专业解法

最近，我做了一个 Agent Skill，叫作 Meta Method Discovery。

它想解决一个很简单的问题：

当我们知道自己遇到了什么困难，却不知道应该用什么专业方法解决时，能不能让 AI 主动帮我们找到？

现在用 AI 做事情已经很方便了。想做网页，描述一下需求，AI 就能写出代码；想分析数据，把文件交给它，也能很快得到结果。

但我发现，很多时候真正限制我们的，并不是 AI 的执行能力，而是我们自己也不知道该从哪里入手。

比如，面对几千条用户反馈，不知道怎么找出最值得解决的问题，Agent 可以借助主题分析（Thematic Analysis）自动整理评论、归纳共性问题并生成分析报告；想剪辑一段宣传视频，却总觉得镜头之间衔接生硬，Agent 可以借鉴影视剪辑中的匹配剪辑（Match Cut）和 J/L Cut，利用剪辑工具重新组织镜头和音轨；面对大量杂乱的文档，不知道怎样整理才能方便以后查找，Agent 可以借助信息架构（Information Architecture）与分类法（Taxonomy），分析文档内容、建立分类标签并批量组织文件；面对大量商品销量和库存数据，不知道哪些商品应该优先管理，Agent 可以借助ABC 分析法，自动计算分类结果并生成库存管理建议。

这些方法其实早就存在了。

问题在于，如果我们连方法的名字都不知道，又该怎么向 AI 提问？

这也是我开发 Meta Method Discovery 的初衷。

我希望 Agent 不只是按照要求完成任务，还能从用户描述的困难出发，主动寻找相关领域成熟的算法、理论和方法论，判断是否适合当前问题，再给出可以实际执行的步骤。

如果某个方法在实际使用中确实有效，还可以经过用户确认，将问题、解决过程和反馈保存下来。下次遇到类似问题时，就不必完全从零开始。

我觉得，这比单纯让 AI 多知道几个专业术语更有价值。

让 AI 帮我们找到不知道的方法，再把真正用过的办法，慢慢变成自己的经验。

不过，只说这些还是有些抽象。

所以，我想拿最近做过的一次网页改版，讲讲这个 Skill 到底能带来什么变化。

从“高级一点”，到找到真正的问题

问你一个问题。

你有没有让 AI 帮你做过一个网页，功能很快就齐了，打开一看，却总觉得像某个后台模板？

左边一列导航，右边几个统计卡片，下面再摆上一排内容卡片。

按钮能点，搜索能用，该有的都有。

但你就是不太想把它发出去。

于是，你开始提修改意见。

“高级一点。”

“简洁一点，有设计感一点。”

它可能换个配色，调一下圆角，再给卡片加点阴影。

页面确实变了，但你仍然说不清，这次为什么就应该更好。

继续改，需求越来越长。你得告诉它哪里不顺眼，什么叫舒服，怎样才有质感。

写到后来，甚至会想，自己要是能把这些说清楚，是不是已经能做设计了。

我觉得，许愿编程一个很有意思的边界，就出现在这里。

我们可以描述“想要什么感觉”，却未必知道应该借助哪些专业方法，把这种感觉落实到页面里。

这次，我就拿一个个人知识库首页，把这件事实际做了一遍。

页面叫“知页”，有 6 篇笔记、3 个主题集合。搜索、分类、收藏、新建、导入文档，都能用。

原始页面采用常见的后台卡片布局。

这是改版前的样子。

单独看每一块，其实都说得过去。

统计卡片醒目，分类颜色分明，每篇笔记有自己的容器。问题出在它们同时出现的时候。

打开一个知识库，我通常想找一篇笔记，或者继续读刚才的内容。

但这张页面里，深色侧栏、三个大数字、几种彩色图标和六张卡片，都在争取注意力。

“这页不好看”的背后，开始出现了一个更具体的问题。

页面还没有决定，什么最值得用户先看。

如果继续让 AI 猜“高级”的意思，大概率还是在颜色、阴影和卡片样式上反复调整。

但视觉设计领域其实已经积累了很多处理这类问题的方法。

于是，我尝试让 Meta Method Discovery 从这个困难出发，寻找对应的专业知识。

原本模糊的要求：

“把这个页面做高级一点。”

逐渐转变成了一个更清楚的问题：

“这个知识库首页的信息应该怎样组织，才能让用户更容易找到需要的内容？”

沿着这个问题，我检索并阅读了 Nielsen Norman Group 关于视觉设计原则的文章。

文章讨论了比例、视觉层级、平衡、对比和格式塔分组等原则。

这些词听起来很像设计课上的内容。

但真正把它们放回页面，修改方向就清楚多了。

先说视觉层级。

知识库的重点是内容。

统计数字可以帮助了解空间状态，却没必要占据三个又大又亮的卡片。

我把它们收成了一行辅助信息，保留原来的数字，降低背景、边框和色彩的存在感。

这样，页面上半部分的重点开始集中到标题、搜索，以及下一步可以做的操作上。

新建笔记保留一个实心主按钮；导入文档变成较轻的描边按钮。

两个入口都在，但读者更容易分辨它们的主次。

再看笔记本身。

这 6 篇笔记主要靠标题和摘要识别，并不依赖封面图。

原来每篇内容都占一张大卡片，标题、标签、时间散落在不同位置，眼睛需要在几列之间来回移动。

我把它们改成了纵向列表。

标题和摘要靠在一起，标签和更新时间对齐在右侧。

相关信息更接近，同类信息出现在固定的位置。一条笔记读完，视线就可以顺着往下走。

这用到了邻近与对齐的思路，也给内容安排了一条更明确的浏览路径。

颜色和排版也跟着这条主线调整。

主标题、笔记标题、辅助文字各有自己的层级。重复出现的内容使用同样的字号和间距。

分类仍然保留，但不再让每种分类都拥有很强的颜色。

页面选用了柔和的底色和统一的绿色强调色。

配色服务于主次，重要的操作和当前选中的位置更突出，其余部分留给内容。

改完之后，是这个样子。

放在一起看，差别会更直接。

这次没有增加新的业务功能，也没有靠删除笔记来制造留白。

6 篇笔记、统计数字和操作入口都保留了，前后共用一套页面内容与交互逻辑。

改动发生在信息怎样被看见。

统计退后一点，搜索和内容向前一点；标题与摘要靠近，标签与时间归位；把每一张卡片都强调的布局，改成一组可以顺着浏览的内容。

我也实际在浏览器里检查了搜索、分类、收藏切换、打开详情、新建和导入，前后两版都能完成这些操作。

到了这里，“高级一点”终于落到了可以解释的选择上。

为什么缩小统计区，为什么改成列表，为什么减少强调色，每一步都对应一个具体问题。

当然，这并不意味着列表一定比卡片更好。

如果换成作品集、商品展示或者图片素材库，卡片可能反而更适合。

专业方法不是给所有问题套上同一个答案，而是帮助我们根据具体任务作出更有依据的选择。

回头看这次改版，其实没有什么特别复杂的操作。

我只是先弄清楚用户来这里想做什么，再借助视觉设计原则重新安排信息的主次，最后检查原有功能是否还正常。

真正发生变化的，不只是页面的样子，而是解决问题的方式。

以前，我需要不断告诉 AI 哪里不好看；这一次，我让它先去寻找专业方法，再决定应该怎么改。

让寻找专业方法成为 Agent 的一种习惯

这就是我希望 Meta Method Discovery 能够做到的事情。

用户未必知道“视觉层级”和“邻近原则”，也未必知道“试验设计”“贝叶斯优化”或“统计过程控制”。

他只是遇到了一个问题。

或许是页面不够舒服，或许是实验成本太高，或许是系统指标出现了难以解释的变化。

如果 Agent 能主动把这些问题连接到相关领域的专业知识，接下来的讨论就会具体很多。

我们可以讨论该选择哪个方法，需要什么条件，先尝试哪一步，再怎样判断是否有效。

而当某种方法真正帮助用户解决了问题，经过确认，还可以把这次实践积累下来。

下一次遇到相似困难时，就不必完全从零开始。

如果你也想试试，可以安装 Meta Method Discovery，然后把自己的问题和实际条件交给 Agent。

例如：

$meta-method-discovery

我有多个工艺参数需要优化，
温度、压力、速度都可能影响产品良率。

逐个调整效率太低，
全部组合实验成本又太高。

请帮我检索相关领域的专业方法，
结合现有条件推荐一个可执行的方案，
并告诉我第一轮实验应该怎么开始。

它会尝试从问题结构出发，找到适用的方法，说明推荐理由、必要输入、执行步骤和验证方式。

方法检索依赖宿主 Agent 提供的搜索与阅读工具；个人经验保存则需要启用相应的持久化文件读写能力。

具体安装、使用及实现细节可以在 GitHub 仓库中查看：

Meta Method Discovery — GitHub 开源地址

我把这篇文章叫作《打破许愿编程的边界》，是因为当代码已经能跑、功能已经具备以后，我们仍然会遇到大量“知道哪里不满意，却不知道怎样往前走”的时刻。

AI 已经能够帮助我们完成很多过去需要专业技能才能完成的操作。

但有时候，真正限制我们的并不是执行能力，而是不知道这个问题原本就存在一套值得借鉴的专业解法。

这次网页改版只是一次具体尝试，还不能证明这个 Skill 在所有领域都能稳定带来提升。

但它至少让我看到了另一种使用 AI 的思路。

不只是反复告诉 AI 自己想要什么，而是让它主动寻找，我们还不知道应该怎样解决的问题。

让 AI 不只是实现我们已经能够清楚描述的需求，也能帮助我们发现那些尚未掌握的专业解题方法。

---

本文设计方法参考：

Nielsen Norman Group：5 Principles of Visual Design in UX

项目地址：

GitHub：Meta Method Discovery