这期有个案例一开始让人挺生气：有团队把一件正则就能干的事交给大模型，中间还硬加了一层表达式。当场的反应是「这不智障吗」。但顺着想下去，那一层恰恰是企业落地里最关键的东西——用户说的话和企业内部的黑话之间，语义距离比想象中远得多。
这套东西不新，大概 2020、2021 年就发了。它的说法是：数字化转型从 10% 走到八九成大概要 10 年，AI 转型大概 8 年——注意这是行业增量口径，不是说某一家公司要干这么久。
它显然是基于上一代机器学习那套概念想出来的，没料到生成式 AI 会把这个时间压缩到什么程度。
但它有一点值得借鉴：先定义 key capabilities——不谈时间表，先把「成熟」到底由哪几项能力构成说清楚。这个框架对外沟通时是能用的。
LangChain 一直被开发者当成一个 LLM 框架。问题是：如果只在「框架」这个维度上跟 LlamaIndex、Semantic Kernel 比，它没有概念上的高度，也就没有竞争优势。
所以它提了一个新词——cognitive architecture（认知架构）。文章里最直接的例子是 OpenAI 推 Assistant API：表面上是个 API，本质上推的是一套认知架构。
这个说法的用意很清楚：把自己从「一个编排 flow 的工具」抬到「你在构建认知架构」这个层面上去。
Anthropic 在提示词这块做得确实强，基本没人敢说比它更强。官方 blog 给的例子很直接：你要做一个教育计划，只需要写一小段说明加几个 topic，它会自己跑一轮提示词优化流程，最后交给你一个完整的东西。
当时的想法是接到国产模型上试一遍，看看这套流程是不是模型无关的。
Llama Tutor 这个项目发出来时看着挺有意思。打开一看，代码本身是学生级别的框架，没什么特别的东西。
那这类项目怎么看？直接翻它的 prompt。项目的全部价值往往就浓缩在那几条提示词里——代码是壳，prompt 才是产品。
有个案例是这样：判断「用户是否到期」「为什么是这个 119 的档位」这类策略解释。他们的做法是先把逻辑转成一层表达式，大模型只负责最后一步——把表达式翻译成人话回答。文章里还一直在吐槽这个转换过程有一定概率会转错。
第一反应是生气：一件正则就能完成、根本不需要任何推理能力的事，你让大模型去做，还转错？
但想下去会发现这层有道理。企业内部的黑话，和用户提问之间，永远隔着相当大的语义空间距离。要真正落地，就得在中间定义出一层语言——既能沾上用户的语义，又能沾上内部的业务模型。
这和之前分享过的 DSL 那个思路是一回事，微软 Copilot 的实现里也是在中间做了这么一层。那层表达式不是多余，它就是那层中间语言。