AI 解决问题的本质：图搜索模型

一个帮助理解 AI 工作方式的新视角

---

引言：从迷宫说起

想象你被关在一个巨大的迷宫里，需要从入口（问题）找到出口（答案）。

你不知道迷宫的全貌，只能一步步摸索：

• 有时候走到死胡同（尝试失败）
• 有时候走了很远才发现这不是最近的路（低效）
• 有时候有人告诉你"先向北走 3 步"（省了很多时间）

这就是 AI 解决问题的方式。

---

核心模型：问题是一张图

1. 什么是"图"？

不是画图，而是一张关系网络图。

简单类比：

• 从北京到上海，有多条路线
  • 飞机
  • 高铁
  • 汽车
  • 可能还有其他组合方式
• 每个路线都通过不同的"中转站"（北京→南京→上海，或北京→杭州→上海）

问题空间中的"图"就是这样：

    【问题】
      ↓
    多条可能的解决思路
      ↓
    【答案】

2. 图的三个要素

要素	是什么	例子
节点	问题解决过程中的各个状态/信息	代码片段、文档、工具输出、中间结论
边	从一个状态到另一个状态的操作	阅读文档、调用工具、修改代码、推理
最短路	从问题到答案最快的路径	高效的解决方案

日常例子：

• 你要修家里的水龙头
• 节点：问题（龙头漏水）→ 获取工具 → 拆卸 → 维修 → 安装（解决）
• 边：每一个步骤的操作
• 最短路：不走弯路的修理流程

---

AI 的搜索方式：穿过迷宫找出口

3. 基本策略：逐步尝试

AI 的工作方式就是从起点开始，一步步尝试各条路，直到到达终点。

这像一个人在迷宫里：

• 从入口开始，有左、中、右三条分岔路
• 先尝试一条（比如左边）
• 走了一段，如果似乎有希望就继续深入
• 如果走不通，回头，再试其他的
• 重复这个过程

这就是"搜索"。

4. 搜索的代价

搜索需要时间和资源。

• 时间成本：AI "想"每一步需要时间（token预算）
• 精力成本：要记住走过的路、试过的死胡同

所以目标是：找到答案，并且走的弯路尽可能少。

---

优化搜索的五大策略

现在来看，怎么让 AI 更聪明地找路。

策略 1️⃣ ：预先指路（Commands）

场景：你告诉迷宫里的人"先向北走"

这不是告诉他答案，而是指出一个好的初始方向，让他不浪费时间往南或往东。

不指路：AI 会尝试所有方向
指路："用 /commit 命令" → AI 直接走向正确的方向

效果：大幅减少初期搜索的分散。

---

策略 2️⃣ ：提供捷径（Skills）

场景：有人告诉你"从这里可以直接走地下通道到那里"

地下通道不是新发明的，而是已知的最优路线，谁都可以走。

不用 Skill：AI 要自己推理如何修改代码、如何测试、如何提交
使用 Skill：AI 直接调用 /commit，相当于走预制好的捷径

效果：消除重复思考，节省大量 token。

关键理解：Skill 不是限制 AI，而是让 AI 不必重复解决已解决的问题。

---

策略 3️⃣ ：连接孤岛（MCP）

场景：迷宫的两个区域本来没有通道，但 MCP 挖出了一条新通路

问题：
  - AI 知道"如何编写代码"
  - AI 知道"如何查询数据库"
  - 但 AI 不知道"怎么连接这两者"

MCP 的作用：
  - 添加一条新的"边"
  - 让 AI 可以在思考过程中直接查询数据库

例子：

• 没有 MCP：AI 只能说"应该查一下数据库"，不能真的查
• 有 MCP：AI 可以直接执行查询，得到实际结果

效果：扩大 AI 能到达的区域。

---

策略 4️⃣ ：标记热点（Memory）

场景：你在迷宫里留下标记"这条路经常有用"

下次来时，先往这条路走。

第一次：AI 花了 10 步找到解决方案
第二次：同类问题，AI 优先尝试同一类路线，快速找到答案

在代码项目中：

• 项目的常见问题 → 记录在 memory 里
• 编码规范 → 记录在 memory 里
• 下次 AI 遇到类似问题，优先想到这些规则

效果：提升重复任务的效率，减少搜索分散。

---

策略 5️⃣ ：背景地图（知识库）

场景：你有一份迷宫的部分地图

虽然不完整，但能让你做更好的决策。

没有地图：你要走每一条路才知道它通不通
有地图：你看一眼就知道这条路应该往哪边走

在 AI 中：

• 团队知识库 = 这个项目的"地图"
• 编码规范文档 = 路线信息
• 架构设计文档 = 重要节点信息

效果：改进 AI 的"直觉"，减少错误的尝试。

---

必要的约束：为什么要设置禁区

6. 为什么有些东西不能做

想象一个迷宫里设置了"禁区"——某些区域不能进。

这不是在难为你，而是在保护你：

• 某些死胡同特别深，浪费时间
• 某些操作太危险（比如直接修改生产数据库）
• 某些路太长，超过时间限制就会卡死

AI 的约束包括：
1. Token 限制 ← "你只有一小时找路，别浪费"
2. 权限限制 ← "有些文件夹你进不去"
3. CLAUDE.md 规则 ← "有些操作禁止做"

关键理解：这些约束不是限制，而是有效搜索的必要条件。

---

动态的图：问题在不断变化

7. 为什么 AI 有时候会"突然想到"新方法

迷宫不是静止的。每获取一个新信息，图就会改变。

第一步：读了一个文档
  → 发现了三条新的可能路线

第二步：尝试第一条路线，失败了
  → 这条路变成"已排除"，图重新调整

第三步：调用了一个工具，得到新数据
  → 突然出现了新的机会

这就是为什么：

• 同一个问题，AI 可能给出不同的答案（因为搜索环境变了）
• 多尝试一次可能获得更好的答案（因为图已更新）
• 数据、文档、工具很重要（它们改变了可用的路线）

---

实际启示：怎样和 AI 更高效地合作

8. 应用这个模型

现在你知道了 AI 的工作原理，如何利用这个理解？

✅ 做这些事，帮助 AI 更快找到答案：

你的做法	对应的图论操作	效果
给出清晰的问题描述	准确定义起点和终点	AI 不会往错误方向走
提供相关文档链接	提供部分地图信息	AI 能做更好的决策
告诉 AI 用什么工具	预先指路（Strategy 1）	减少初期分散
要求 AI 按照规范做	设置有效约束	AI 不走弯路
记录项目的常见模式	维护 Memory（Strategy 4）	重复任务快速解决

❌ 避免这些，否则会增加搜索成本：

你的做法	对应的图论问题	后果
模糊的、多义的问题	不清楚终点在哪	AI 搜索分散，尝试各种方向
错误的假设	误导地图	AI 往错地方走
频繁改需求	不断移动终点	之前的搜索都白费了
权限问题	突然禁入某个区域	AI 的路被卡死，得重新规划

---

为什么 AI 有时候"不理解"

9. 搜索失败的三个原因

【情况 1】：图太稀疏
  问题：信息不足，节点之间连接太少
  原因：知识库缺少，文档不全
  解决：补充信息

【情况 2】：搜索时间不足
  问题：Token 用完了，还没找到答案
  原因：问题太复杂，需要很多步才能解决
  解决：拆分成更小的问题

【情况 3】：目标本身有问题
  问题：AI 找不到任何通向终点的路
  原因：需求本身矛盾，或需求超过 AI 能力
  解决：重新审视目标是否合理

---

总结：AI 就是一个高级迷宫解决者

比喻	现实
迷宫	问题空间
入口	用户输入（问题）
出口	答案
走路	推理和计算
指路	Commands
捷径	Skills
新通道	MCP
地图	知识库
标记	Memory
禁区	约束和权限
搜索步数	Token 成本

核心理解：

• ✅ AI 不是"知道所有答案"，而是"会搜索答案"
• ✅ 帮助 AI 找到答案的方式 = 优化搜索
• ✅ 优化搜索 = 提供更好的地图、指路、捷径
• ✅ 约束和权限不是限制，而是让搜索更高效

---

推荐阅读

如果你想进一步了解：

• 启发式搜索：为什么 AI 不是完全随机尝试，而是"有直觉"地选择
• 强化学习：为什么 AI 会从失败中学习，下次搜索会更聪明
• 知识图谱：如何组织信息，让搜索更高效

---

最后的话：

下次当 AI 给出一个出乎意料的答案时，不要认为它"太神奇"或"不可思议"。

它其实就是：在一个复杂的关系网络中，从你的问题出发，通过推理、调用工具、查询信息，一步步走向答案。

有时候快，有时候慢。有时候直接，有时候走了弯路。

就像任何聪明的问题解决者一样。