技术消亡度框架：判断哪些 AI 技术值得长期投入

核心判断

AI 技术的生命周期差异极大。有些技术会随着基础模型能力的提升被自然"吞掉"，有些则会持续演进、长期有效。判断一项技术的生存空间，比追踪技术本身更有价值。区分标准只有一个：这项技术解决的是模型的能力缺陷，还是领域知识的结构化？

两类技术的本质区别

补救缺陷型：为弥补当前模型不足而产生，是过渡方案而非根本性解决。一旦基础模型升级，这类技术的价值就会显著缩水。典型特征是：去掉它，用更强的模型就能达到相同效果。

编码知识型：将特定领域的规则、约束、最佳实践结构化地传递给模型。这类技术的价值来源不是弥补缺陷，而是提供模型无法自行推断的领域信息，因此不会随模型进化消失。

为什么 CoT 会消亡，但合规规则不会

思维链（CoT）的本质是"告诉模型要分步骤推理"，解决的是早期模型推理能力弱的问题。当 Claude Opus、GPT-5 这样的模型出现后，分步推理成了默认行为，显式的 CoT 提示自然失去价值。

而金融行业的合规约束——比如"个人客户的杠杆上限是 2 倍，机构客户是 5 倍，特殊账户需额外审批"——这是领域知识，不是补救模型的缺陷。模型不可能从训练数据中推断出某家公司的内部风控规则，这类信息必须被显式编码传入，永远需要。