智能体时代，为什么你的个人经验更值得记录？

一张夜间红外相机照片，ChatGPT给出的答案是“中美蓬尾浣熊”。它听起来专业，外形也似乎说得通，却忽略了一个关键线索：这种浣熊科动物的已知分布并不包括哥伦比亚。专家后来判断，照片里的是负鼠。

这不是一次孤立的“看走眼”。一项以哥伦比亚野生动物照片为样本的研究发现，AI识别出错有规律可循：公开图像稀少、分类名称刚更新的物种，往往更难被认对。对正在学习AI、尝试把智能体用进工作的人来说，这个结果也提出了一个实际问题：模型没有拿到的背景信息，该由谁补上？

负鼠、豪猪和犰狳：三种不同的识别难题

这张照片来自哥伦比亚蒙特斯德玛丽亚地区的红外相机调查。当地自然调查长期受武装冲突影响，保护组织开始监测林地后，陆续积累了大量相机照片，却缺少足够的人手逐张鉴定。于是，团队先用ChatGPT协助整理。

除了把负鼠认成浣熊，调查还遇到两种分类层面的错误。一只豪猪属于2025年才从旧物种分类中拆分出来的新物种，AI却给出了已经被取代的旧名称；另一张照片里的犰狳则因穴居、夜间活动，公开记录相对少，模型也没能可靠识别。三个例子分别指向地理分布、分类更新和图像稀缺的问题。

一万张照片测试：物种级命中率为9.5%

研究者随后从iNaturalist抽取了1万张哥伦比亚脊椎动物照片，爬行动物、哺乳动物、鸟类、鱼类和两栖动物各占2000张，再用GPT-5.2判断照片中的动物属于哪个科、属、种。按属名和种加词都匹配才算物种级答对，最终命中948张，约为9.5%。

不同类群的差别很大：爬行动物为18.9%，哺乳动物为17.2%，鸟类为4.5%，鱼类为4.0%，两栖动物为2.6%。模型仅154次把回答标为“高信心”，其中109次是哺乳动物。需要注意，模型自报的信心标签并不等同于经过校准的正确率。

这个数字不能直接理解成“普通人随手拍一张照片，GPT-5.2只有9.5%的概率认对”。研究把五类动物各设为同样数量，属于便于横向比较的抽样设计，不代表自然环境里各种动物的实际出现比例。作者公开的方法还说明，模型被要求填出科、属、种，不得留空；这测量的是被要求给出完整答案时的物种级表现。论文公开方法没有明确说明是否开启网页搜索，因此不宜把联网检索与否当成解释结果的依据。

公开资料越少，AI越容易猜错

研究还观察到，某个物种在iNaturalist上的公开照片记录越多，模型识别正确的情况通常也越多；对于近年才正式命名的物种，表现往往更差。不过，这是一种统计关联，不能证明模型训练时一定见过这些iNaturalist照片。作者将平台上的照片数量当作公开数字资料丰富程度的指标，而不是模型训练数据的清单。

这对理解AI的能力边界很重要。模型可以从图像特征和已有知识推断，但当辨认所需的细节很少被拍摄、上传或整理时，它更可能拿相似、熟悉的类别来补全答案。答案流畅、名称专业，并不等于依据充分。

iNaturalist也提醒用户，不应只凭自动识别建议确定物种；观察记录可以先停留在有把握的较高分类层级，再由社区继续核实。

智能体需要的不只是更强模型，还有你的上下文

这项野生动物研究并没有测试个人智能体，但它提供了一个有用的类比：AI能否帮上忙，不只取决于模型本身，还取决于它能看到哪些相关资料。

在2026年未来科学大奖周的一场对话中，据第一财经报道，腾讯首席AI科学家姚顺雨谈到AI产品的竞争力时提及数据、用户上下文和信任；他以微信为例说明，了解用户日程与关系的信息，可能让产品更贴近个人需要。

放到日常工作里，这些上下文可能是你筛选酒店时在意的细节、判断方案“不对劲”的原因，或某次踩坑后总结出的条件。它们如果只留在脑中，智能体就很难在需要时调用。对AI学习者来说，值得练习的一项能力，是把经验写成可检索的记录：当时要解决什么问题、有哪些约束、为什么这样选、哪些做法失败了。

使用AI识图和智能体，可以从四件事做起

第一，要求模型说明依据，并列出其他可能选项，不要只问“这是什么”。第二，补充地点、时间、环境等相关信息；遇到稀有物种或重要记录，再查对分布与最新分类。第三，在工作中逐步记录判断依据、常见例外和踩坑经验，方便智能体在合适场景调用。第四，对涉及安全或重大后果的判断保留人工核验；AI给出一个完整答案，不代表它真的有把握。

AI可以替我们加快查找、归类和起草，也能帮助发现值得复核的线索。可一旦关键资料没被收集，个人经验没有留下记录，或者模型被要求“无论如何都要回答”，最终判断仍需要人来把关。AI变强之后，清楚说明需求、补足上下文、核对证据，反而成了更重要的学习能力。

关注本站，每天分享跨境电商前沿资讯（ Ctrl + D 收藏本站/收藏为书签 ）