把书放回床头：我和大模型的向内求与向外看

以前我坐地铁通勤，每天来回有一个多小时的固定时间，基本都用来读书，会读一些经典书籍。上半年工位搬了，我开始自驾通勤，开车没法看书，这段时间就换成了听播客和网络课程。

一开始觉得路上的时间没有浪费。可听得多了才发现，播客大多面向大众，很多话题点到即止，缺少深度；得到上的讲书也差不多，半个小时讲完一本，听到的是别人消化过的版本。更明显的是阅读计划：年初列了 12 本书，到 9 月初才读了 5 本。

9 月开始，我做了一件很小的事：把想读的书放在床头，每天睡前读半个小时。几周下来，深度阅读和思考的时间又慢慢回来了。

回头看，这件事里有两个动作。第一个是向内的：我先察觉到自己不对劲，听了很多却不踏实，真正想要的是能沉下来的阅读和思考。第二个是向外的：我没有逼自己“每天必须挤出时间读书”，而是改了环境，让书就在伸手可及的地方，把睡前阅读变成默认选项。

这件小事让我想到，一件事做不好的时候，我们通常有两种本能：一种是停下来问自己“我到底怎么了”，另一种是去找工具、找人、换环境。

《孟子·离娄上》说“行有不得者，皆反求诸己”，这是向内求；《荀子·劝学》说“君子生非异也，善假于物也”，这是向外看。两句话都对，但放到具体问题里，究竟该先向内还是先向外，并没有那么容易判断。

《非暴力沟通》我很早就读过，一直觉得这套理念很好，但真到实操落地，总觉得还差点什么。最近读了《助推》，才隐约觉得这两本书像是一体两面，刚好站在内与外的两端。前者花了大量篇幅教人觉察和表达自己的状态，本质上是一种向内的澄清；后者则建立在人的理性有限这一前提上，主张通过设计环境来帮助人做出更好的选择。

再往我熟悉的领域延伸一步，这组关系在大模型上几乎重演了一遍：模型自身的推理能力，让它在回答之前先把问题想清楚，是向内；模型之外的 harness，把它接到工具、代码仓库和测试上，让它从环境里拿到反馈，是向外。

这篇文章想讨论的不是哪一种更好，而是它们各自能解决什么问题、在哪里失效、怎样组合起来，以及在向外已经变得太容易的今天，向内还意味着什么。

向内：从非暴力沟通里取什么

马歇尔·卢森堡把非暴力沟通拆成四个要素：观察、感受、需要和请求。¹

但在中文语境里，直接照搬这套句式很难落地。“我感到失落，因为我需要被尊重，你愿意……吗？”这样的话放在家人或同事之间，听起来更像翻译腔，甚至会让对方觉得你在“用技巧”。我们的日常表达更含蓄，很多情绪习惯用语气、行动或者一顿饭来传递，而不是直接说出口。

所以我更倾向于不搬句式，只取原则。这套方法常被当成和别人沟通的技巧，但它的顺序本来就是先向内、再向外：先把自己理清，再开口。书里专门有一章讲怎样用它对待自己，我这次回头再看，最先用上的对象也是自己。

先观察自己

书里反复强调两组区分：

• 观察与评论：“我最近越来越不自律”是评论，“年初列了 12 本书，到 9 月初读了 5 本”才是观察；
• 感受与想法：“我觉得自己在退步”是一个判断，“不踏实”才是感受。

这两组区分用在自己身上，比用在别人身上更难。评论自己几乎是一种条件反射：“太懒了”“没毅力”，话一出口就定了性，接下来要么硬逼自己，要么干脆放弃。

卢森堡对这种自我评判有一个很准确的说法：自我评判和所有评判一样，是没有被满足的需要的一种悲剧性表达。¹ “我太不自律了”这句话底下，真正在说的是：有一个需要一直没有被照顾到。

按书里的方法拆一下：

• 观察：换成开车通勤后，路上的时间给了播客和讲书，12 本的阅读计划到 9 月初只完成了 5 本；
• 感受：不踏实，听了很多，心里却不满足；
• 需要：一段能沉下来的阅读和思考。

分清需要和策略

拆到“需要”这一步，还有一个很容易滑过去的区分，也是我这次觉得最有用的一点：需要和策略不是一回事。

卢森堡给过一个判断标准：需要不指向具体的人做具体的事；一旦说出“我要（谁）去做（什么）”，那就已经是策略了。在他看来，所有人的需要都是相通的，人与人之间的冲突，几乎都发生在策略层面。²

用这个标准回头看，“读书”其实是一种策略，“能沉下来思考”才是需要。播客和讲书也是策略，它们满足的是“获取信息”，满足不了“深度”。这就解释了我那段时间的别扭：路上的时间一点没浪费，信息也没少听，可真正的那个需要一直空着。

分清这一点有实际的用处。如果我把需要当成“读完计划里的书”，半小时一本的讲书几乎是最省事的办法；可我要的是自己沉下来想，讲书恰好把这一步替我省掉了。

把“应该”换成“选择”

书里还有一个专门针对自己的练习：把“我不得不”“我应该”换成“我选择……因为我想要……”。¹ 卢森堡认为，出于“应该”的行动，背后往往是内疚、羞愧或者义务感，即使做成了，人也很难从中得到乐趣。

“我应该多读书”是一句压在自己身上的要求，做不到就自责；换成“我选择每天睡前读半小时，因为我想要一段能沉下来想事情的时间”，事情还是那件事，动力的来源变了：前者在和自己较劲，后者在照顾自己的需要。

上面这几步都发生在心里，不需要对任何人说。它们的作用是让自己先分清：哪些是发生了的事，哪些是我加上去的解读；我真正缺的是什么，我正在用的办法又是不是对路。

倾听：听懂孩子的心声

在自己身上练熟了这几组区分，再听别人说话，也更容易听到话底下的东西。

比如家里的娃。他今年上一年级，有时我晚上回到家已经快十点了，他还不愿意睡觉。我担心他睡眠不够，一着急就会吼着让他去睡，结果往往适得其反。事后拆一下才看清：我的初心是担心他没睡够、影响第二天的状态，可一吼出来，反而让当晚的入睡变得更难。让我失控的不是娃，而是那份没有被自己看清的担心。

后来有一次陪他躺下，我没有催，而是问他：为什么不早点睡，每天早上又起不来？他的回答很简单：还想玩。

他不是故意对着干，只是还没玩够。我在意的是他睡够、第二天状态好，他在意的是玩够，两边都没错，冲突的只是策略：“现在就去睡”和“再玩一会儿”。听懂了这一层，说出口的话也会不一样：

“都几点了还玩！赶紧去睡！”

“我有点担心你明天早上又起不来。是不是还没玩够？我们一起想个办法，既能玩，又能早点睡。”

第二句没有“我感到……因为我需要……”的标准句式，但感受、需要和请求都在里面，还把他的需要也放了进来。问题就从“怎么让他听话”，变成了“怎么让两边的需要都被照顾到”。

对自己也一样：累了一天、只想省力的那个自己也有它的需要，跟它硬碰，通常赢不了。

请求要具体

表达不必套四段式，关键是把“指责对方”换成“说清自己”，并且请求要具体、做得到。“你能不能懂点事”没法执行，“我们约好几点上床”就很清楚。对自己也一样：“我要多读书”是空话，“每天睡前读半小时”才是做得到的请求。

这是我这次重新理解非暴力沟通的地方：向内澄清的终点，是一个具体的请求，对别人如此，对自己也是如此。 但也正是在这里，我过去实操时的那个卡点出现了：想清楚了，下一个晚上怎么办？

向内的边界：看清自己并不容易

问题在于，向内这条路并不总是走得通。

第一，计划是在冷静时做的，执行却常常发生在情绪里。 《助推》第二章引用了行为经济学家 George Loewenstein 提出的“冷热共情鸿沟”：人在冷静的“冷状态”下，会系统性地低估自己在饥饿、渴求、情绪上头这些“热状态”下会怎么做。³ 快十点娃还不睡的那一刻，就是一个典型的热状态：书里的方法在平静时很好理解，可急火一上来，根本想不起什么观察和感受，等回过神来，话已经吼出去了。

第二，自我叙事很容易变成自我辩护。 我们向内分析时，用的是同一个大脑，它既是被审视的对象，也是审视者。心理学家 Nisbett 和 Wilson 在 1977 年报告过一个很有名的实验：让路人从一排四双完全相同的丝袜里挑出质量最好的一双，结果最右边那双被选中的次数，几乎是最左边的四倍。问到理由时，大家说的都是质地、做工；直接问是不是受了摆放位置的影响，几乎所有人都否认。⁴ 他们的结论是，人解释自己为什么这么做时，很多时候并没有真的“看见”内心，只是按常理推了一个说得通的理由。向内找到的东西也一样，有时是真正的需要，有时只是一个让自己舒服的解释。

第三，知道不等于做到。 我很清楚自己需要深度阅读，但“清楚”本身并不会把书送到手边。孩子也一样，他知道早上会起不来，到了晚上还是想再玩一会儿。

向内能解决“我不知道自己要什么”的问题，却很难单独解决“我知道但做不到”的问题。后者正是《助推》关注的地方。

向外：用助推从结构上改变环境

理查德·塞勒和卡斯·桑斯坦在《助推》里区分了两种人：经济学模型里的“经济人”（Econs）总能理性计算，现实中的“普通人”（Humans）则会拖延、怕麻烦、受默认选项和周围人的影响。³ 书中借用心理学里的两套思维系统来解释这件事：自动系统快速、直觉、省力，反思系统缓慢、审慎、费力，而大多数日常决策是由前者完成的。

既然人很难每次都调动反思系统，那么与其要求人更自律，不如调整做选择的环境。作者把这称为“选择架构”，并且强调不存在中性的设计。他们举的例子是建筑师总得决定洗手间放在哪里，这个位置会悄悄影响同事们在走廊里碰面的次数。选择总发生在某种环境里，环境就算没人有意设计，也会推人一把。

我丢掉阅读习惯的过程就是一个例子。地铁车厢本来就是一个无意间的助推：它给了我一段做不了别的事、正好适合读书的时间。换成开车，这个助推消失了，车里最顺手的选择变成了播客和讲书，习惯也就悄悄跟着走了。

书里有几个例子，到现在还常被引用：

• 默认选项：Madrian 和 Shea 研究了一家美国大公司把 401(k) 养老计划从“主动加入”改为“自动加入、可以退出”的前后变化。入职时间相近的员工里，改之前的参与率是 37%，改之后是 86%，而计划本身的经济条款一点没变；⁵
• 器官捐献：德国需要主动登记，同意捐献的比例约为 12%；奥地利默认同意、可以退出，这个比例是 99.98%。⁶ 不过要补一句：登记率的差距远大于实际捐献的差距。同一项研究在控制其他因素后发现，默认同意的国家，每百万人口的实际捐献数只高出约 16%，因为家属意见、医疗条件等因素都会起作用；
• 承诺机制：“明天存更多”计划让员工提前承诺，把未来每次加薪的一部分存进养老账户，绕开了“当下多存钱很痛”的心理障碍。在第一家实施的公司里，参与者的平均储蓄率在 40 个月里从 3.5% 升到了 13.6%；⁷
• 小便池里的苍蝇：阿姆斯特丹史基浦机场在小便池里印了一只苍蝇，流传最广的说法是溅洒减少了 80%。但这个数字从来没有正式的研究支撑，当年负责这件事的机场经理 Aad Kieboom 自己也说，它“非常凭经验”。⁸

这些例子都没有去改变人的内心。它们承认人有局限，然后调整环境，让正确的行为更容易发生。

从结构上改，才能少内耗

内耗常常来自一种很普遍的模式：环境不变，全靠意志力硬扛。每一次都要和自己的自动系统打一架，赢了很累，输了还要自责。

《助推》用一个模型来描述这种拉扯：每个人身上都住着一个有远见的“计划者”和一个只顾眼前的“执行者”。计划者代表反思系统，想为长远打算；执行者受自动系统驱动，直接暴露在各种诱惑面前。³ 结合前面的冷热鸿沟，思路就清楚了：不要指望执行者在热状态下做对，而是让计划者在冷状态下，提前把环境改好。

床头的书就是这样起作用的。睡前是一天里最累的时候，如果那一刻还要从头决定“今晚读不读、读哪本”，执行者多半会选更省力的那个；书就在枕边，伸手就能拿到，这个决定就不用再做了。

这算不上偷懒。承认自己是普通人，才能把有限的注意力留给真正需要判断的事情。

按原则改，一次改一处

改环境也不是想到什么改什么。《助推》用 NUDGES 这个缩写总结了好的选择架构的六条原则。为了凑出这个缩写，作者还自嘲“稍微作弊了一下”：打头的 N 其实取自 iNcentives 的第二个字母。³ 我把它们放到重拾阅读这件事上：

这六条里，我现在做得最差的是反馈。以前偶尔会把读书时的想法记进收集的笔记里，最近基本没怎么写了。

在此之上，还可以借一点实验的思路：一次只改一处环境，观察两三周，有效就保留，无效就换一个。床头放书就是我改的第一处，到写这篇时差不多三周。这样改变就不用靠一次下决心的冲刺，而是拆成一连串可以验证的小实验。这和调试代码很像，也和后面要讲的 Agent 一样：小步修改，看反馈，再决定下一步。

向外的边界：环境也可能把人带偏

助推的力量来自环境，它的风险也来自环境。

同样的默认选项，既可以帮人储蓄，也可以诱导人订阅一项难以取消的服务。后者常被称为“暗黑模式”，技术上和助推几乎一样，区别只在于设计者站在谁的一边。塞勒后来专门给这类设计起了个名字，叫 sludge（淤泥）：好的助推帮人做出“按他们自己的标准”更好的选择，淤泥则故意制造摩擦，让人更难做对自己有利的事，比如繁琐到让人放弃的退款流程。⁹ 桑斯坦也专门讨论过助推的伦理问题，强调透明、可退出和符合被助推者自身的利益。¹⁰

另一个风险是依赖。环境可以帮我们做到一件事，却不一定帮我们理解为什么要做。一旦环境变化，行为可能随之消失。地铁上天天读的书，通勤方式一换，习惯就散了，说明它很大程度上是靠环境撑着的，并没有真正长在自己身上。

所以向外看并不是把判断交出去，而是要先想清楚：我希望被推向哪里？这个问题又回到了向内。

一体两面：非暴力沟通与助推

回到开头那个疑问：为什么《非暴力沟通》的理念很好，我实操时却总觉得不够？重拾阅读这件事给了我一个解释。

非暴力沟通帮我看清了需要：我缺的不是信息，而是深度思考。但如果只停在这里，想得再清楚，到了晚上累了一天，那点清楚也敌不过惯性。

助推帮我把这份理解变成结构：书放在床头，睡前半小时成了默认安排。但如果跳过前一步，只盯着“一年读多少本”，再配上打卡和奖励，环境倒是设计得很完整，推的方向却可能是错的：为了凑数去挑薄书、快书。古德哈特定律常被概括成一句话：一个指标一旦变成目标，就不再是一个好指标。

说起来，我年初那份 12 本的计划本身就是一个数量指标。拿它提醒自己没有问题，我也是看到“12 本读了 5 本”才意识到落后了；可一旦把凑够数量当成目标，前面说的半小时一本的讲书，就会显得是一条很合理的捷径。数字适合用来发现问题，不适合用来定义需要。

开头引的孟子和荀子，分歧在更底层：怎么看人性。孟子主张性善，善端本在心中，所以“反求诸己”；荀子在《性恶》篇里点名反驳孟子：“人之性恶，其善者伪也。”“伪”不是虚伪，而是“人为”：善要靠师法和礼义一点点塑造，这也是他在《劝学》里强调“善假于物”的底层理由。

两本书的出发点，几乎就落在这两端。卢森堡在书的开头说，他相信人天生乐于以慈悲的方式给予和接受，暴力是人与这种天性断开之后的结果；¹ 《助推》当然不认为人性恶，但它同样不指望人自发做对，它的前提是普通人会犯可以预见的错，所以要从外部设计环境。³ 一个相信内在，一个借助外物，和孟荀之争的结构很像。

所以我现在觉得，这两本书是一体两面：非暴力沟通回答“我真正需要什么”，助推回答“怎样让它不再依赖每一次的意志力”。 前者向内，决定了方向；后者向外，让方向可以持续。只有前者，想清楚的事容易在下一个晚上被打回原形；只有后者，改变容易被错误的指标带偏，用在别人身上，还可能变成操纵。

大模型的向内：推理

读这两本书的时候，我脑子里总在对照另一件事：大模型。模型面对的是同一个困境：只靠自己，能想清楚的东西是有上限的。

让模型“先想再答”，起点是 2022 年的思维链（Chain-of-Thought，CoT）：只要在示例里展示推理过程，或者加一句 “Let's think step by step”，大模型在数学和常识推理上的表现就会明显提升。¹¹¹² 那时它还是一个写在提示词里的技巧。之后，OpenAI o1（2024 年 9 月）和 DeepSeek-R1（2025 年 1 月）用强化学习把“想得更久”直接训练进了模型；¹³¹⁴ 到 2025 年 8 月 GPT-5 发布时，ChatGPT 已经由一个路由根据问题的难度自动决定要不要深入思考，API 里则用 reasoning_effort 这样的参数调节想多久。¹⁵ 到今天，推理已经是主流模型的默认能力，一道题值得想多久，基本由模型自己判断。

形式变了，做的事没变：把一团直觉拆成可以被检查的结构，这和非暴力沟通做的是同一件事。模型没有获得新的信息，但获得了更多的计算步骤。Merrill 和 Sabharwal 从理论上证明过，允许 Transformer 在回答前生成中间步骤，确实能扩展它能解决的问题范围，扩展多少取决于中间步骤有多长。¹⁶ 说白了，推理给了模型一张草稿纸。

严格说，草稿纸本身就是一种外化：思考被写成文本，模型再读着自己写下的东西往下推。所以推理的“内”，指的是信息来源仍然只有模型自己，没有新的事实进来；形式上，它已经借了外物。内与外从这里开始就不是截然分开的，后面还会再遇到。

推理的边界，也和人向内时遇到的问题很像。模型变强之后，这些问题并没有消失，只是换了形式：

• 越想越错：早先 Huang 等人就发现，缺少外部信号时，让模型“检查一下自己的答案”，它有时会把原本正确的答案改错。¹⁷ 推理模型学会了回头检查，问题却换了一种形态。Anthropic 的研究人员在 2025 年构造了一批任务，模型推理得越长，准确率反而越低：比如问“你有一个苹果和一个橘子，一共有几个水果”，题干里再掺一段无关的概率描述，Claude Opus 4 和 DeepSeek R1 想得越久，越容易把干扰信息算进去；¹⁸
• 自我叙事：Turpin 等人在 2023 年做过一个实验，把示例里的选项重新排序，让正确答案总是 (A)。模型的答案明显被这种位置偏向带偏了，写出的推理过程却对此只字不提。¹⁹ 2025 年，Anthropic 沿用这个思路在推理模型上重做了一遍：在提示里悄悄塞进答案线索，模型确实用了线索，但在推理过程里承认这一点的，Claude 3.7 Sonnet 平均只有 25%，DeepSeek R1 只有 39%。²⁰ 推理模型比普通模型坦诚一些，可大多数时候，写出来的推理仍然不是它真正的理由；
• 想不出不知道的事：推理再深，也无法凭空得到训练数据之外的新事实，比如今天的股价、某个仓库里一段没见过的代码。

这几条几乎可以逐一对应到人身上：想得越多越偏的内耗、事后编出来的理由，以及知识本身的边界。Turpin 和 Anthropic 的实验与那排丝袜尤其像：模型被选项的位置或一条暗示带偏，路人被丝袜的摆放位置带偏，事后给出的理由，都没提到真正起作用的那个因素。

大模型的向外：harness

推理是模型自身能力的演进；harness 则是模型之外的一切。Agent 的思路更接近《助推》：既然模型单靠内部推理有局限，那就把它放进一个能提供反馈的环境里。

这条路的起点是 2022 年的 ReAct：让推理和行动交替进行，模型想一步、查一步，再根据观察结果继续想。²¹ 随后的 CRITIC 说明，一旦允许模型借助搜索、代码解释器等工具验证自己的输出，自我纠正就变得可靠得多。²² 今天的 Claude Code、Codex 这类编程 Agent，最里层转的仍然是这个“想、做、看”的循环，但和当年比，模型内外两侧都变了。

模型这一侧，循环里的思考和调用工具，都已经成了训练出来的能力。推理模型可以在两次工具调用之间继续思考，拿到结果先想一想，再决定下一步；²³ 调用工具也不再靠提示词里的格式约定，而是模型的原生能力（这段是怎么来的，后面会讲）。怎么转这个循环，已经不需要人去教。

模型之外，工程的重心从循环本身挪到了循环外面的环境。2026 年 2 月，OpenAI 和 LangChain 前后相隔几天发文，把这件事叫作 harness engineering。²⁴²⁵ LangChain 的定义最简洁：Agent = 模型 + harness，除了模型本身，其余的代码、配置和执行逻辑都算 harness。²⁶ 它要决定给模型看什么上下文、开放哪些工具和权限、每一步之后自动跑哪些检查、什么时候压缩历史、什么时候把任务拆给子 Agent。这一层有多重要，LangChain 做过一个对照：模型固定不变，只改 harness，他们的编程 Agent 在 Terminal Bench 2.0 上的得分从 52.8% 提到了 66.5%。²⁵

今年上半年，各家的 harness 一度层出不穷，到年中，逐渐收敛到头部几家，彼此之间也在相互借鉴思路。一篇对 11 个生产级编程 harness 做源码分析的论文发现，它们没有一个依赖 LangChain 这类通用的 Agent 框架，彼此却越长越像：Codex 直接沿用了 Claude Code 的 hooks 术语，还能导入它的会话和配置。²⁷

在代码场景里，向外的价值最明显。我在 Code Agent 的中控系统 里写过，编译器、单元测试和 git diff 比模型自评可靠得多。模型不用去猜“这段代码应该没问题”，运行一次测试就知道了。外部环境在这里扮演的是一面镜子，帮模型看见自己看不见的错误。

OpenAI 那篇文章里有一句话，把这层关系说得很直白：当工程团队的主要工作不再是写代码，剩下的就是设计环境、说清意图、搭建反馈回路，让 Agent 能可靠地干活。²⁴ 换成《助推》的说法，harness 就是给模型设计的选择架构，写 harness 的人，就是模型的选择架构师：

其中几条，OpenAI 做得很彻底：AGENTS.md 控制在一百行左右，只当目录用，详细的设计和架构文档放在仓库的 docs/ 里按需查阅；自定义 lint 的报错信息直接写成修复指引，报错的同时就告诉 Agent 该怎么改。²⁴ 一个好的 harness，不是让模型每一步都做艰难的判断，而是让正确的动作成为最自然的下一步。

向外同样有边界。测试覆盖不足时，Agent 可能学会“让测试通过”而不是“把问题修好”，这就是前面读书指标那个问题在代码里的翻版。它还可能过早宣布完工：Anthropic 在长时任务的 harness 里专门对付这一点，先让 Agent 把要做的功能全部列成清单、一律标为“未通过”，再一次只做一项，做完留下提交记录和进度说明。²⁸ 检索到的网页可能过时，甚至带有恶意指令；工具权限过大时，一次错误调用的代价远高于一次错误回答。这和被暗黑模式带偏的人很像：环境越强，环境本身的质量就越重要。

一段钟摆：大模型在内外之间来回

回看这几年的演进，业界注意力的重心大致在向内和向外之间摆了几次。这是事后整理出来的叙事，实际上两条路线一直并行，ReAct 本身就是推理和行动交替。但重心的转移是看得见的：

• 2022 年，CoT 让大家意识到，模型“多想一会儿”就能变强；
• 2022 年底到 2023 年，ReAct、function calling 和各种 Agent 框架相继出现，注意力转向工具、检索和环境；
• 2024 年到 2025 年初，OpenAI o1、DeepSeek-R1 等推理模型把“想得更久”直接训练进模型，推理时计算成了新的扩展方向；¹³¹⁴
• 2025 年，推理和工具调用在模型内部合流。4 月，OpenAI 发布 o3 和 o4-mini，官方的说法是，这是他们的推理模型第一次可以在推理过程中自主使用并组合 ChatGPT 里的所有工具；²⁹ 5 月发布的 Claude 4 可以在两次工具调用之间继续思考；²³ 8 月的 GPT-5 把推理变成了默认配置。¹⁵ 也是在这一年，Claude Code、Codex 这类编程 Agent 走进了日常开发；
• 2026 年上半年，推理和调用工具都成了模型自带的能力，注意力又转回模型之外：harness engineering 有了名字，各家 harness 集中涌现，又很快收敛到头部几家，相互借鉴。²⁴²⁷

每一次转移都不是否定上一次，更像是撞到了上一种方式的边界：只会想的模型碰到了知识和验证的上限，于是转向工具；只会调工具的 Agent 暴露出规划和判断的不足，于是回头补强推理；等推理和调用工具都成了模型自带的能力，差距又落回了模型之外：给它什么上下文、什么约束、什么反馈。这一次钟摆摆向外面，摆到的已经不是“多接几个工具”，而是“设计整个环境”，和《助推》的思路几乎一样。最后留下来的，是一个既会想、也会看的系统。

我的阅读习惯也走过类似的一圈：先是被地铁这个外部环境托着，环境一撤就散了；后来靠向内的觉察找回方向，再用床头的书重新搭起一个外部结构。

内与外不是二选一

这样看下来，向内和向外不是两条路线，而是同一个循环的两半。

向内决定了向外的质量。 一个说不清自己需要什么的人，即使求助也很难得到有效帮助；一个没有规划的 Agent，工具再多也容易乱用。非暴力沟通最后落在“请求”上，Agent 里的推理最后落在“下一步调用什么工具”上，道理是一样的：先想清楚，外部的力量才能用对地方。

向外反过来塑造向内。 被助推形成的习惯，时间久了可能变成自己的一部分。床头这本书能不能做到这一步，让习惯在环境再变时也留得住，才过了三周，还不好说。大模型在这一点上倒是给了一个清楚的例子。DeepSeek 在训练 R1 的过程中，先做了一个 R1-Zero：直接用可验证的外部奖励做强化学习，奖励主要看最终答案对不对，并不教模型该怎么想。可训练过程中，模型的回答越来越长，开始自己回头检查、换思路重试；论文里还记录了一个“顿悟时刻”：“wait” 这个词在训练早期几乎不出现，8000 步之后突然激增，模型学会了停下来重新审视自己的步骤。¹⁴ 外部反馈，最终被内化成了向内的能力。

更日常的例子是 Agent 的 harness。早期要让模型用工具，得在提示词里规定好 “Thought / Action / Observation” 这样的格式，再由框架从输出的文本里把调用解析出来，格式一乱就会调用失败。2023 年 6 月，OpenAI 推出 function calling，模型经过微调，能自己判断什么时候该调用函数，并按函数签名输出 JSON。³⁰ “一步一步思考”也走了同样的路：它原本是写在提示词里的外部技巧，到了推理模型，OpenAI 的官方指南反而建议别再这么写，因为模型已经会在内部推理，额外要求有时还会拖累效果。³¹ 到了今天，这个过程还在加快：LangChain 在文章里提到，Claude Code 和 Codex 背后的模型，后训练时就是连同 harness 一起练的，文件操作、执行命令、做计划、分派子 Agent 这些 harness 设计者希望它擅长的动作，被直接练成了模型的本能。²⁶ 很多一开始要靠 harness 搭出来的能力，就这样一点点变成了模型本身的能力。

反方向的移动也在同时发生。前面那篇源码分析观察到，原本写在提示词里的行为约束，正越来越多地搬进配置。²⁷ 与其在提示词里嘱咐模型“改完代码记得跑测试”，不如写一个 hook，每次改动之后自动跑。这几乎就是《助推》的主张：不指望执行者在当下记得做对，而是让计划者提前把环境改好。模型身上的“应该”，也在被一条条换成结构。

最好的外部工具，常常是帮人向内的工具。 程序员有一个老办法叫“小黄鸭调试”，出自 1999 年出版的《程序员修炼之道》：遇到解决不了的 bug，就对着桌上的一只橡皮鸭，逐行解释代码在做什么。³² 鸭子什么也不会说，但很多时候，解释到一半，问题就自己浮现出来了。鸭子是外物，它帮助的却是向内的澄清。非暴力沟通里的“请求”、写给自己的计划、Agent 在行动前写下的 plan，连同前面推理的那张草稿纸，都有点像这只鸭子：借一个外部的形式，逼自己把内部想清楚。

落到具体问题上，我会用几个问题判断该先往哪边走：

当向外变得太容易

最后还有一个问题绕不过去：对今天的人来说，向外看已经太容易了。

遇到不懂的问题，打开对话框问一句，几秒钟就能得到一个条理清晰的答案；心里别扭，也可以让大模型帮忙分析情绪、润色措辞。大模型成了一个随时可用、几乎零成本的外部环境。

开头我把丢掉阅读归因于环境变了。现在回头看，还有另一层：播客和讲书本身就是一种太容易的向外。别人已经替你读完、消化好，再用半小时讲给你听，获取信息的成本很低，但咀嚼和思考的那一步，也一起被省掉了。用非暴力沟通的话说，它是一个很高效的策略，却刚好绕开了那个需要。

大模型让这个问题变得更隐蔽。讲书只是替你读，大模型还能替你组织思路、替你下结论。如果连“我到底想要什么”“我此刻是什么感受”都交给模型回答，得到的答案再漂亮，也只是一个外部的猜测。非暴力沟通里最难的部分，恰恰是没法外包的：观察要自己看，感受要自己认，需要要自己找。

写代码时，这一点我感受最深。Claude Code 是很好的工具，确实能大幅提效，但怎么用好它是一门学问。它常常一下子交回一大段代码，看上去需求也实现了；可我描述到的部分做对了，没描述到的地方，却不知道埋了多少隐患，我经常要回头收拾残局。

有一次我让大模型写 SQL，查一个场景的曝光和点击率。点击的口径我明确告诉过它，但同一轮里还给了几个别的口径，它把这几个混在了一起。偏偏我跑 Claude Code 的机器连不上数据库，它没法自己跑一遍、拿一手数据核对，只能在上下文里顺着推，推出了一堆有模有样的结论。直到几组数据叠在一起越看越不对劲，我才回头手动推了一遍，发现点击口径用错了，整个分析都失效了。

复盘下来，问题出在两头。向内没理干净：口径我说了，但几个口径一起给，哪个用在哪里没有划清边界，模糊的地方它就按自己的理解补上，还补得像模像样。向外被切断了：没有数据库，就没有反馈，模型只能自己检查自己，这正是前面讲的推理的边界，没有外部信号时，自我纠正并不可靠，错误的解释反而越写越圆。前面说“测试通过”不等于“问题修好”，这一次更糟：连测试都没有。

一个简单的做法是给自己一点助推：问模型之前，先写下自己的判断，哪怕只有一两句。写代码时，这个判断就是验收标准：要做成什么样，哪些地方不能动，怎样才算做完。它也不是开头写一次就够了，模型每交回一段代码，都要拿它对一遍。能给模型一条自己验证的路就尽量给，哪怕只是一小份样本数据；给不了，这个核对就只能由我来做。这样模型的回答就成了反馈，而不是替代。OpenAI 讲 harness engineering 时，把工程师剩下的工作归结为设计环境、说清意图、搭建反馈回路；回头看那次 SQL，后两件我都没有做好。先有意图，工具才是助力；没有意图，工具只会带着人跑。

我现在怎么理解

回到床头那本书。它能起作用，靠的不只是“放在床头”这个向外的动作：如果不是先察觉到自己听了很多却不踏实，真正想要的是沉下来的阅读，书放在哪里都不会被翻开。反过来，光有这份察觉也不够，是床头的书让它每天都有机会变成行动。

向内求是为了看清，向外看是为了借力。

《非暴力沟通》让我学会在开口之前先理一理自己的脉络，分清什么是需要、什么只是策略；《助推》让我接受人的局限，与其和自己较劲，不如从结构上把环境改好。放到大模型上，推理让模型更充分地使用已有的能力，harness 则让它可以依靠真实世界的反馈，看见自己原本看不见的错误。

最好的状态也许不是只选其中一种，而是知道自己此刻卡在哪里：想不清楚的时候向内，想清楚了却做不到的时候向外，被外部信息淹没的时候再回到自己。反求诸己和善假于物，本来就不矛盾。

参考资料

关于 Agent 如何借助外部环境形成闭环，可以继续阅读：Code Agent 的中控系统 和 Agent 如何积累能力：RAG、Memory 与 Skills。