AI 改进感知与实际对比

她把"大家以为能改善 AI 应用的事" 和 "真正能改善 AI 应用的事" 列成对照表：

大家以为重要（实际收益有限）：

• 时刻追踪最新 AI 新闻
• 采用最新的 agentic 框架
• 纠结该用哪个向量数据库
• 不停评测哪个模型更聪明并切换
• 对模型做 fine-tuning

真正重要：

• 和用户对话
• 构建更可靠的底层系统/平台
• 准备更好的数据
• 端到端优化整个工作流
• 写更好的 prompt

她给出判断"这件事值不值得纠结"的两个具体追问，可以直接套用在任何技术选型场景（例如 MCP vs Agent-to-Agent 协议的选择）：

1. "从最优方案 vs 非最优方案能拿到的收益差有多大？" ——如果她追问下去、对方发现"其实差别不大"，那就不值得为此纠结。
2. "如果现在采用这个新技术，未来想换掉它有多难？" ——如果新技术还没被充分验证、又难以替换，等于长期锁死在一个不确定的选择上，这种情况下应该更谨慎、甚至观望。