2026年，我个人AI方向研究的三个关键词

Hello，大家好，我是人月聊IT。

前几天跟一个朋友聊天，聊起了在2026年我个人在AI方面究竟想做一点什么东西。因为原来我在讲AI的时候，更多的是在讲AI编程，或者是AI Agent、MCP、Skill这些偏技术化的一些词语。

由于太技术化了，大家可能很难抓住我做这些东西具体跟你的业务场景问题、商业模式之间究竟是一个什么样的关系。所以说今天回来，我想从思维层面转变来聊一下，我个人在2026年在AI方面想去尝试的一些关键方向。

第一个我把它叫做"逆向"。

这个逆向就是通过AI大模型的能力，对你已有的软件工程项目，包括类似于已有的知识库、方案文档，这些都可以进行逆向建模，形成底层核心的元模型。当然这个元模型本身可以参考本体论建模的思路，构建一个完整的对象、行为、规则融合的元模型。

为什么要去构建这个元模型？它仅仅是为了你更好地去理解你当前已有的项目或者是文档吗？不是。我核心的印象或者说是抽象的目的是为了泛化，是为了举一反三。

当我构建了这么一个底层元模型的时候，我就可以更好地去考虑基于这么一个元模型，怎么样更好地去支撑我千变万化的业务场景。同时也正因为逆向了这个核心元模型，让AI后续在进行泛化和演绎的适合能够更加的精确化的输出和表达。更好的解决了AIGC的精确化问题。

第二个关键点，我把它叫做基于AI大模型已有核心能力去实现Skill技能的组合组装，形成方法论。

包括原来我在谈Skill技能的时候，更多的都是在谈原子类的技能，类似于写作技能、做PPT的技能，或者是涉及到软件工程里面的需求技能、设计技能、编码技能、Code Review的技能。但是这些技能没办法单个去完成一个大的复杂任务或者事件。

当我面对一个复杂的业务场景的时候，其实更需要的是我找寻一种方法，去对我已有可复用的各种原子技能进行组装组合、动态编排。

这个编排本身不是随意进行的，它是需要基于我们已有的很多经验、方法论的积累，按照一定的模式方法去做编排。所以说这个地方其实是相当有价值的，也就是我经常谈到的，你藏在自己脑袋里面已有的经验的显性化的一个过程。我们缺的从来都不是原子化的技能，而是涉及到面对不同的场景，你应该怎么样去组装编排技能的这么一个方法论。而这个方法论的技能本身它也是可以显性化的。这是我说的第二个关键点。

第三个关键点就是横向集成和穿透。

我还想做什么样的东西呢？就是通过AI大模型去实现你原有业务、原有流程或者是原有工作事项里面各种断点的集成打通或者是穿透。包括在前面我聊本体论的时候，我就聊到一个相当重要的东西，就是传统IT的建设它往往是OLTP和OLAP两大类的系统分开建设，这导致了这两类系统实现有天然的断层或者是断点。

你很难从OLAP数据分析类的应用，当发现一个数据问题的时候，快速地追溯回到你的传统OLTP系统里面去。所以说大家可以看到很多企业构建了大量的业务中台、数据中台，但是这两个中台实际上是天然割裂的。你提供了一堆的业务服务、数据服务，没有真正地使用起来。

而现在我们结合AI大模型，包括结合类似于Skill、MCP这种模式，可以更好地去融合这两类不同的应用。

包括我在前面专门讲过一个例子，就是当我发现某个数据指标的问题的时候，我能够快速地追溯或者是穿透到我的业务系统里面去。这个怎么样去实现？也就是说，我需要通过AI大模型去实现一个智能体，或者是实现一个智能包，通过这个技能包去实现已有的业务中台或者是数据中台能力之间的一个联合。这个联合是相当有价值的。

这个就是我说的叫"集成穿透"，解决已有系统里面的断点。大家去考虑AI大模型的时候，一定要意识到，实际上其实没有太多的事情需要完完全全从0到1去构建，更多的是怎么样去通过AI大模型去解决已有问题的历史问题，解决已有系统的集成的问题、断点的问题。这个往往是更加容易发挥大模型价值的地方。

所以最后再总结一下，核心的三个点我把它归纳为：逆向、动态的组合编排，以及集成穿透。所有我们在考虑AI大模型的时候，都要从这三个方面去入手，因为这三个方面是更加容易体现模型价值的地方。

好了，今天的简单分享就到这里。