6.1 智能手机的启示

不联网的"砖头"

想想你的手机。当它没有网络信号时，能做什么？

你还可以打开相册看照片，打开备忘录看之前记的东西，打开单机游戏玩一会儿。一台不联网的智能手机仍然是一台功能强大的小型计算机——只是它的"能力范围"被限制在了本地存储的那些数据之内。

但一旦连上网络，手机就完全不同了。你可以搜索任何问题，可以访问全世界的信息，可以和任何人视频通话，可以点外卖、叫车、挂号、转钱。手机还是那台手机，但因为有了连接，它的能力边界扩展了不止一个数量级。一台不联网的手机可以满足你 5% 的需求；一台联网的手机可以满足你 95% 的需求——差距不是来自硬件，而是来自连接。

这个类比可以用来理解 AI 模型的工作原理。

模型本身是"本地存储的知识"

一个训练好的 AI 模型，就像一台没有联网的手机。它"知道"的东西，仅限于它在训练时"见过"的数据。你问它一个问题，它的回答只能来自它内部的参数——那些从数十亿文本中学习到的模式。

这解释了 AI 的一些典型行为：

• 它能写出一段很好的 Python 代码，但如果你问它"昨天 Python 3.13 发布了什么新特性"，它大概率不知道——因为它的训练数据截止于某个日期。这个"截止日期"对 Vibe Coding 来说格外重要：如果你让 AI 用一个月前刚推出的新 API 写代码，它的代码很可能调用了不存在的函数或参数。
• 它能回答"怎么用 Linux 命令行查找文件"，但如果你问"我的服务器当前报了这个错，怎么回事"，它只能猜——因为它没有实时访问你的服务器。这意味着系统维护和排错场景中，你需要主动给 AI 提供实时的上下文（比如日志、配置文件内容、操作系统的版本信息）。
• 它能解释"React 中的 useEffect 怎么用"，但如果你问"我当前正在开发的项目里，那个 Button 组件被哪些页面引用了"，它不知道——因为这是你项目里的私有代码，不在它的训练数据中。

原因不是它笨，而是它"没联网"。它的知识是静态的、有截止日期的。这个限制在工作中的实际影响比你想象得更大——你问 AI "帮我分析一下这个新版本 SDK 的迁移成本"，如果它训练数据里没有这个版本，它只能根据"上一个版本"来推断，分析结果可能完全不准确。

联网之后呢？

现在，很多 AI 工具已经支持联网搜索了。当 AI 能访问互联网时，它的能力会像手机连上网络一样扩展。

它可以从文档网站读取最新的 API 文档来回答你的问题，可以从 GitHub 上查到一个仓库的最新情况，可以访问实时数据来计算答案。这和"离线模式"下的能力差了好几个级别。

在 Vibe Coding 中，善用这个特性可以让你的效率翻倍。让 AI 查阅最新的库文档而不是依赖训练数据中的旧知识，它给出的代码会更准确、更新。

但联网搜索也不是万能的。它有四个现实问题需要你了解：

第一，联网搜索不是"AI 变聪明了"，而是"AI 有了实时参考材料"。 AI 仍然根据自己的理解来生成回答，只是它参考的文档是最新的。如果你让它读的文档本身质量差（比如写得不清不楚的 API 文档），它的回答质量也会受影响。

第二，联网搜索消耗的 Token 更多。 因为它要把搜索到的网页内容也读一遍，这些内容都会作为输入 Token 计入成本。在一次复杂的编程任务中，联网搜索可能让单次对话的 Token 消耗翻倍。

第三，AI 的联网搜索不是"搜到就能用"。 它搜到的东西可能是错误的、过时的、或者不相关的。你需要对 AI 从网上获取的信息保持一定的判断力。AI 不会主动告诉你"这段文档可能是错的"——它倾向于把搜到的东西当作事实来使用。

第四，有些合作工具不会自动联网。 比如 Claude Code 默认不联网搜索，你需要明确告诉它去查阅某个 URL。在实际开发中，你可以手动把最新文档的 URL 发给 AI，效果比让 AI 自己搜索更精准。

这个类比的用意

我在这一章开头用这个类比，是因为后面的几个核心概念——Token、上下文窗口、成本——都可以用"手机流量"的比喻来理解。这不只是一个有趣的开场，它是你理解后面所有细节的思维模型。

所以当你读到下一节"Token 是什么"的时候，记住手机的启示：AI 的能力 = 本地能力（模型参数）× 联网能力（上下文和工具）。 两者缺一不可。

更展开地说，这个公式在实际使用中意味着：

• 本地能力决定了 AI 在"常见问题"上的表现——大部分人遇到的大部分编程问题，模型在训练时已经见过类似的模式。
• 联网能力决定了 AI 在"新问题"和"你的具体问题"上的表现——你需要 AI 理解你的代码库、最新文档、实时数据时，联网能力就变得至关重要。

在 Vibe Coding 的实践中，更好的本地能力意味着你"说一次"就能得到正确的结果。更好的联网能力意味着你的"专属问题"也能得到正确的回答。前者靠模型本身的进步，后者靠你如何给 AI 提供上下文。你可以通过自己的努力大幅改善后者——这正好是下一节要深入的话题。