把书放回床头：我和大模型的向内求与向外看

Wed, 23 Sep 2026 00:00:00 +0000

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。

维度	向内求	向外看
书	《非暴力沟通》	《助推》
大模型	模型自身的推理（reasoning）、自我反思	模型之外的 harness：工具、上下文、反馈回路
核心动作	觉察感受、澄清需要、正向表达	改变环境结构、借力、获取反馈
依赖什么	自身已有的信息和能力	外部环境的质量

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：

原则	在重拾阅读上的用法
用好激励（iNcentives）	给自己设计及时、看得见的小回报
理解映射关系（Understand mappings）	把抽象目标换算成具体结果：每天半小时，一个月就是十五个小时
设好默认选项（Defaults）	把书放在床头，让睡前阅读成为不需要做决定的默认安排
给出反馈（Give feedback）	记下读了什么、想到了什么，让积累被看见
预期会犯错（Expect error）	提前接受会有断掉的晚上，断了第二天照常，不自责
简化复杂选择（Structure complex choices）	提前选好下一本，睡前不用再挑

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。

flowchart LR
 self["观察自己<br/>听了很多却不踏实"] --> need["分清需要<br/>深度思考，而不是读书数量"]
 need --> nudge["改变默认<br/>书放在床头"]
 nudge --> act["睡前半小时"]
 act --> feedback["看见反馈<br/>读了什么、想到了什么"]
 feedback -.->|不合适就调整| need

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：

助推中的设计	harness 中的对应
设好默认选项	每次启动自动读入项目规则（`AGENTS.md`、`CLAUDE.md`），默认按项目约定干活
理解映射关系	给一张地图，而不是一本手册：规则文件只当目录，细节按需去查
简化复杂选择	先写计划，把大任务拆成小步，必要时交给子 Agent
给出反馈	用 hooks 在每次改动后自动跑 lint 和测试
预期会犯错	沙箱、权限确认、git 检查点和回滚

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。

flowchart LR
 clarify["向内澄清<br/>观察、需要、目标"] --> plan["具体请求<br/>或行动计划"]
 plan --> act["向外行动<br/>工具、他人、环境"]
 act --> signal["外部反馈"]
 signal --> update["更新认知"]
 update --> clarify
 signal -.->|长期积累| habit["内化为<br/>习惯或能力"]
 habit -.-> clarify

落到具体问题上，我会用几个问题判断该先往哪边走：

当前的困难	更适合的方向	人的例子	模型的例子
不清楚自己要什么	先向内	区分感受、需要和策略	先拆解任务、写计划
知道要什么，但做不到	向外设计环境	改默认选项、找人监督	写进项目规则，用 hooks 自动检查
缺少必要的信息	向外获取	请教、查资料	检索、调用工具
反复思考却没有进展	找外部反馈	找人聊一聊、先做一个小尝试	运行测试、换一条路径
外部意见太多、互相冲突	回到向内	重新确认自己的需要	回到目标和验收条件

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。

马歇尔·卢森堡，《非暴力沟通》（Nonviolent Communication: A Language of Life），章节号按英文第二版。人天生乐于以慈悲的方式给予和接受，见第一章 “Giving From the Heart”；自我评判、“把‘不得不’换成‘我选择’”见第九章 “Connecting Compassionately with Ourselves”。 ↩︎ ↩︎ ↩︎ ↩︎
Marshall B. Rosenberg, We Can Work It Out: Resolving Conflicts Peacefully and Powerfully, PuddleDancer Press。 ↩︎
理查德·塞勒、卡斯·桑斯坦，《助推：如何做出有关健康、财富与幸福的最佳决策》（Nudge: Improving Decisions About Health, Wealth, and Happiness），2008。冷热状态与“计划者/执行者”见第二章 “Resisting Temptation”；NUDGES 见第五章 “Choice Architecture”。 ↩︎ ↩︎ ↩︎ ↩︎ ↩︎
Richard E. Nisbett and Timothy D. Wilson, Telling More Than We Can Know: Verbal Reports on Mental Processes, Psychological Review, 1977。 ↩︎
Brigitte C. Madrian and Dennis F. Shea, The Power of Suggestion: Inertia in 401(k) Participation and Savings Behavior, The Quarterly Journal of Economics, 2001。 ↩︎
Eric J. Johnson and Daniel Goldstein, Do Defaults Save Lives?, Science, 2003。 ↩︎
Richard H. Thaler and Shlomo Benartzi, Save More Tomorrow: Using Behavioral Economics to Increase Employee Saving, Journal of Political Economy, 2004。 ↩︎
Blake Evans-Pritchard, Aiming to Reduce Cleaning Costs, Works That Work, 2013。 ↩︎
Richard H. Thaler, Nudge, not sludge, Science, 2018。 ↩︎
Cass R. Sunstein, The Ethics of Influence: Government in the Age of Behavioral Science, 2016。 ↩︎
Jason Wei et al., Chain-of-Thought Prompting Elicits Reasoning in Large Language Models, 2022。 ↩︎
Takeshi Kojima et al., Large Language Models are Zero-Shot Reasoners, 2022。 ↩︎
OpenAI, Learning to Reason with LLMs, 2024。 ↩︎ ↩︎
DeepSeek-AI, DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning, 2025。“wait” 的词频统计见 arXiv v2 补充材料 C.2 的 Figure 9，v1 只有“顿悟时刻”的案例，没有这组统计。 ↩︎ ↩︎ ↩︎
OpenAI, Introducing GPT-5 与 Introducing GPT-5 for developers, 2025。 ↩︎ ↩︎
William Merrill and Ashish Sabharwal, The Expressive Power of Transformers with Chain of Thought, ICLR 2024。 ↩︎
Jie Huang et al., Large Language Models Cannot Self-Correct Reasoning Yet, 2023。 ↩︎
Aryo Pradipta Gema et al., Inverse Scaling in Test-Time Compute, TMLR, 2025。 ↩︎
Miles Turpin et al., Language Models Don't Always Say What They Think: Unfaithful Explanations in Chain-of-Thought Prompting, 2023。 ↩︎
Yanda Chen et al., Reasoning Models Don't Always Say What They Think, Anthropic, 2025。 ↩︎
Shunyu Yao et al., ReAct: Synergizing Reasoning and Acting in Language Models, 2022。 ↩︎
Zhibin Gou et al., CRITIC: Large Language Models Can Self-Correct with Tool-Interactive Critiquing, 2023。 ↩︎
Anthropic, Extended thinking: Interleaved thinking。Claude 4 起以 beta 形式提供，之后的模型在自适应思考模式下默认开启。 ↩︎ ↩︎
Ryan Lopopolo, Harness engineering: leveraging Codex in an agent-first world, OpenAI, 2026-02-11。 ↩︎ ↩︎ ↩︎ ↩︎
Vivek Trivedy, Improving Deep Agents with harness engineering, LangChain, 2026-02-17。 ↩︎ ↩︎
Vivek Trivedy, The Anatomy of an Agent Harness, LangChain, 2026-03-10。 ↩︎ ↩︎
Paul Barbaste et al., Harness Engineering: Anatomy, Architecture, and Evolution of Coding Agents – A Source-Code Study of Eleven Systems, 2026。 ↩︎ ↩︎ ↩︎
Anthropic, Effective harnesses for long-running agents, 2025。 ↩︎
OpenAI, Introducing OpenAI o3 and o4-mini, 2025。 ↩︎
OpenAI, Function calling and other API updates, 2023。 ↩︎
OpenAI, Reasoning best practices。 ↩︎
Andrew Hunt and David Thomas, The Pragmatic Programmer: From Journeyman to Master（中译本《程序员修炼之道》）, Addison-Wesley, 1999。 ↩︎

推理模型 | Xwell's Blog