当前AI知识工具存在软件思维盲区 适配通用知识工作不足

将 Codex/Cowork/Code 扩展到所有知识工作的一个根本问题是，它们仍然非常「软件思维化」：最终成果（软件）才是最重要的，代码充当着信息源的角色。

但对很多其他知识工作而言，过程至少和结果一样重要。这包括调研已知信息、探索替代方案、失败的尝试、原型分支、实验等等。所有这些内容都是有价值的。

你没法像使用代码库那样，只用最终那份PPT就代表全部；待办列表上的进展，压缩后也不足以提供完整的上下文。你工作在学习循环中，一路不断 refine 你的观点。

从某种程度上说，这让 Fable 这类长生命周期模型很难用于深度知识工作，因为它们的设计目标就是最终给你交付成品。你可以通过提示工程绕开这个问题，但 Codex 和 Code 整套工具的设计逻辑都是默认你是软件开发人员，你不得不费力去适配它们。

经理或者分析师思考问题的方式，和智能软件工具解决问题的思路之间，存在真实的脱节。解决这个问题，对让这些工具跳出编码 niche 至关重要。

以上还没算上 Codex 和 Code 其他「软件思维」带来的核心问题：把所有工作拆分成前端和后端设计，追求可重复的通用解决方案，不去测试或探索想法空间，只验证技术正确性不关注其他维度……