信息管理的终极问题：我们用信息网络建造的，从来不是真理
——Harari 风格：在《Nexus》之后，重新看 AI 辅助编程
没有人直接生活在现实里
设想一个场景。
一位老人在山东某家三甲医院的结算窗口前出院。他买过一份惠民保。十分钟后，他的医保报销、商保赔付和自付金额，被同一台屏幕一次算清。他不再需要保留发票，不再需要去保险公司柜台递材料，也不再需要拜托儿子拍照上传 App。
从他的角度看，他只是少跑了几次腿。
但从信息网络的角度看，这十分钟里发生的事，比他这一生大部分政治新闻都更重要。一个原本散落在患者、医院、医保部门、商保公司之间的低信任信息链，被改造成了一张可验证、可结算、可监管的网。截至 2024 年，这个平台已在山东全省上线，2760.30 万笔医保业务以「一站式结算」方式完成，惠及 511.22 万参保人，累计报销 13.34 亿元。[^1]
这位老人没有看见这张网，但他的余生将持续生活在这张网定义的现实里。
这就是信息管理。它不是整理资料，不是文件归档，不是把表格做得更漂亮。它决定一个社会如何看见自己，谁被看见，谁被忽略，谁有权行动，谁必须等待。
人类从来不直接生活在现实里。我们生活在被信息网络组织过的现实里。
信息的两张脸
有一种很顺口、也很危险的说法：信息越多，人类越接近真理。
这并不成立。
赫拉利在《Nexus》里反复提醒一件事：信息有两种功能，从来不重合。第一种功能是发现现实——让我们看见从未被看见的东西。第二种功能是组织人——让分散的个体能够协调、服从、行动。前者通向智慧，后者通向秩序。两者偶尔同向，更多时候各走各路。[^2]
历史上最强大的信息网络，往往不是最接近真理的网络，而是最擅长组织人的网络。
一种宗教让百万人愿意为同一个神而死，靠的不是事实核查，而是叙事的可复制性。一支军队让普通士兵冒着子弹冲锋，靠的不是哲学论证，而是命令链的清晰度。一家公司让员工每天准时打卡，靠的不是科学发现，而是工资单和考勤系统。
这些都是信息网络。它们记录的、传递的、强制的东西,大部分与真理无关。
赫拉利的提醒在 AI 时代变得格外刺耳：一个网络越强大，并不代表它越接近真实。它可能只是更擅长动员人、分类人、约束人，让人按某种规则行动。
社交媒体是信息网络。
医保系统是信息网络。
你公司里的 CRM 是信息网络。
未来部署在企业内部的 AI agent harness，也是信息网络。
它们的力量不在于「记录了什么」，而在于：让什么被看见，让什么被忽略；让谁能行动，让谁承担责任；让什么被当成事实，让什么被当成噪音。
回到那家医院的结算窗口。它表面上多了一个便民流程，实质上重新定义了三件事：医院与商保之间谁有权读取什么数据，费用如何被分类，赔付责任如何被分配。这是新的事实秩序。
信息管理之所以重要，因为它从来不是中性的。
一家公司是怎么变成半盲的
每一个组织都不直接接触现实。
它通过订单、合同、票据、病历、日志、报表、监控指标和会议纪要来感知世界。这些东西如果没记录，组织就看不见；如果记错了，组织就看错了；如果传得太慢，组织就活在过去。
很多小企业不是没业务，是老板看不见自己的业务。
客户在哪个销售手上，他不知道。
合同有没有续签，他要等月会。
发票有没有开，财务还没汇总。
钱到没到账，要在群里问一遍。
售后由谁跟进，全靠当事人记忆。
仓库里到底剩多少货，要去问那个干了十二年的老员工。
现实其实早就发生了。组织只是没形成统一感知。
这就是赫拉利意义上的「半盲」状态：信息已经存在于人世间，但还没有被组织成网络。它分散在每个人的手机、Excel 和大脑里，无法相互校对，也无法被任何一个共同视角看见。
一家公司从半盲走向看得见的过程，从来不是「上一套 SaaS」那么简单。它是一种治理升级。
谁有权录入？
谁有权修改？
什么算重要客户？
什么算正式投诉？
谁负责催款？
员工离职后，客户关系归个人还是归公司？
只要这些问题没答案，再贵的系统也只是把混乱搬进数据库。
信息管理还做了一件容易被忽略的事：它替组织记忆。
人会遗忘。组织也会。一个接口为什么不能改、一个客户为什么有特殊条款、一种药品为什么不能进某个支付流程、一次上线为什么会失败——这些经验如果只活在某个具体的人脑子里，等他离开，组织就会重新犯同一个错误。
信息系统的价值，是把「某个人知道」变成「这个系统知道」。这是从个人能力到组织能力的关键一跳。
协作的真相是：每个人都活在自己的版本里
只要有多人协作，就一定需要一个共享的现实模型。
但大部分项目的失败，不是因为大家不努力，而是因为没有形成共同的现实。
需求文档写在一个地方。
设计图存在另一个地方。
代码是第三套逻辑。
测试不知道真实意图。
运维不知道上线风险。
老板看到的是被销售层层修饰过的进度。
一群人看似在协作，其实活在不同版本的现实里。每个人的版本都不算谎言，但拼起来不构成同一个故事。
更糟糕的是，没有人知道哪个版本最接近真相。
这就是为什么开会越多的组织，往往越混乱。会议本身不是协调，会议是为了消除版本差异而进行的临时手术。如果信息系统是健康的，差异会被自动磨平；如果信息系统是病的，会议只是在不断暴露病情。
信息管理的本质，不是让大家说一样的话，而是让大家看到一样的世界。
任何网络都会犯错，问题是错了之后会发生什么
任何一个信息网络都会犯错。
数据会错，规则会错，模型会错，人会错，AI 也会错。
问题不在「会不会错」，而在「错了之后会发生什么」。
赫拉利用相当大的篇幅讨论过中世纪教会和 20 世纪极权宣传体系。它们都是极其高效的信息网络——覆盖广、传播快、组织严密。但它们都缺一样东西：自我纠错的机制。异见被清除，反对被压制，错误被神圣化。于是，这些网络越高效，灾难就被放大得越彻底。[^3]
一个网络的健康程度，从来不取决于它传播信息的效率，而取决于它识别和修正错误的能力。
软件工程师其实早就懂这个道理，只是用了别的词汇。
测试是纠错。
日志是纠错。
监控是纠错。
审计是纠错。
回滚是纠错。
代码 review 是纠错。
事故复盘是纠错。
权限隔离是预防性纠错。
用户申诉是社会性纠错。
一个没有这些机制的信息系统，会变成非常危险的东西。它不只是错，还会以系统权威的方式错。
接下来谈 AI 时，请记住这一点。我们不是在讨论 AI 会不会犯错——它一定会。我们要讨论的是：当一个能犯错的智能体，被放进一个本来就缺乏纠错机制的网络里，会发生什么。
AI 辅助编程真正降低的，不是写代码的成本
过去几年，关于 AI 辅助编程，所有的注意力都集中在一件事上：写代码更快了。
这个视角太窄。
数据本身不算新鲜。Stack Overflow 2025 开发者调查显示，84% 的受访者已经在使用或计划使用 AI 工具，专业开发者中 50.6% 每天使用 AI；同一份调查里，开发者对 AI 输出准确性的不信任比例已经超过信任比例。[^4] Gartner 预测，到 2028 年，90% 的企业软件工程师会使用 AI code assistants，开发者的角色会从「实现」滑向「编排、约束和验证」。[^5]
把这两组数字放在一起，会得到一个并不令人鼓舞但很重要的结论：AI 已经高频进入开发流程，但人类仍然必须验证它的产出。
更深层的变化藏在另一个地方。
写代码从来不是一个软件项目里成本最高的部分。
真正贵的，是沟通需求、设计数据模型、对接权限、写接口、生成报表、清洗脏数据、部署上线、培训用户、修 bug、跟随业务调整、长期维护。代码只是这条长链中的一段。
所以，当一个外包公司不愿意给小工厂做质检系统，不是因为代码难写，是因为整条链都不划算。当一家县医院接不进某个商保产品，不是因为接口神秘，而是因为没人愿意为这点业务量配齐一支团队。当一家养老机构上不了长护险结算系统，不是因为技术不存在，而是因为定制开发的成本永远高于这家机构付得起的金额。
于是这些需求长期被压抑。它们不是「不存在」，它们是「不值得」。
AI 辅助编程改变的，是「不值得」这条边界。
它不是把一个大型系统便宜一点做出来。它是让大量原本不值得做的小型信息系统，第一次变得值得做。
我把这个变化称为：毛细血管信息化。
过去，信息化主要发生在主干道——大型银行的核心系统、大型医院的 HIS、国家医保平台、城市级政务系统、大企业的 CRM。这些系统投入巨大、周期漫长、参与人多。
接下来要发生的事，是信息化向毛细血管渗透。
某个险种和某家医院之间的结算规则。
某个社区里几位独居老人的巡访记录。
某个小工厂的质检异常闭环。
某个外贸公司的回款提醒。
某个老师对学生长期学习状态的追踪。
某家律所的客户材料流转。
某家药房特药的处方核验和支付。
每一个都不大。加起来数量巨大。它们对应的是现实世界里无数尚未被软件覆盖的流程。
这才是 AI 辅助编程的社会意义。软件正在从「大机构的基础设施」，变成「具体流程的低成本管理层」。
医保结算窗口背后的三层信息秩序
让我们再回到那位老人面前的结算窗口。
这一次，把镜头放慢。
第一层是事实层。这位患者是谁？他的住院费用多少？医保应付多少？商保可赔多少？这些是赤裸裸的事实。听起来简单，但在过去，每一项都可能在不同系统里、以不同口径、以不同时点存在。事实层的工作，是让它们以同一种语法被表达。
第二层是秩序层。哪些机构有权读取哪些数据？谁来计算赔付？医院如何出具结算单？商保何时履行赔付责任？患者是否需要垫资？这一层定义的不是事实，是事实如何改变行动。
第三层是纠错层。如果身份匹配错了怎么办？如果费用分类错了怎么办？如果保险责任判断错了怎么办？如果有人骗保怎么办？如果系统接口失败怎么办？这一层决定，当前两层出问题时，谁会发现，多久之内发现，谁有权修正。
三层缺一不可。
少了事实层，秩序无凭可据。
少了秩序层，事实无法行动。
少了纠错层，前两层会以不被察觉的方式偏离真实，最后变成一种自动化的虚假。
这个三层模型不只适用于医保。它适用于所有信息系统。
中小企业的 CRM，事实层是客户、合同、报价、发票；秩序层是谁负责催款、谁有权打折、谁审核回款；纠错层是对账、抽查、客户申诉。
软件工程的代码仓库，事实层是代码、需求、日志、事故记录；秩序层是 review、CI、发布流程、权限分级；纠错层是测试、监控、回滚、复盘。
养老机构的护理记录，事实层是服务时间、服务内容、签字确认；秩序层是排班、保险结算、家属通知；纠错层是抽访、家属申诉、第三方审计。
任何一个信息系统，如果你看不清它的三层结构，那它八成已经在某一层失效了。
创新药支付：当事实链不够长，赔付就无法发生
医保结算窗口只是开始。
国家医保局关于「双目录」机制的文件指出，打破医保、医院与商保之间的数据壁垒，是支持创新药研发和商业健康保险扩张的前提。一些试点已经把保障从「事后补偿」延伸到「全程服务」：上海三甲医院推进「医保+商保一站式秒赔」，广州穗新保与医院实现全流程数据对接。^6
为什么创新药这件事必须由信息网络才能解决？
因为价格只是表面问题。
商保过去很难覆盖创新药，不只是因为药贵，是因为信息不够长。
保司不知道患者的真实疾病轨迹。
不知道用药的真实周期。
不知道疗效是否成立。
不知道停药率有多高。
不知道是否合规使用。
不知道是否存在欺诈。
没有这些信息，就无法做精算。没有精算，就没有可持续的产品。没有产品，患者就无药可保。这是一条被信息缺失锁死的链条。
当信息网络贯通诊断、处方、购药、支付、用药、随访、疗效、不良反应、再次治疗、真实世界数据时，整条链才有可能松动。商保不再面对一份残缺的病历，而是面对一段连续的事实。
这才是信息管理真正可怕的地方。它不只是提高效率。它会改变哪些事情「可能发生」。
一份创新药保单能不能出生，取决于事实链是否够长。
中小企业不是没管理，是管理活在老板脑子里
中国大量中小企业，不是没管理，是管理高度依赖人脑。
客户信息在销售微信里。
报价单在 Excel 里。
合同在网盘里。
发票在财务的电脑里。
回款靠老板亲自追问。
售后靠销售记忆。
库存靠仓库老员工知道。
项目延期靠群里吵出来。
员工离职后，很多客户关系和历史经验一起消失。
很多人会说：上 CRM、上 ERP。
现实是，中小企业经常上不起来。标准 SaaS 太重，字段不贴合，员工不愿意填，流程变得太快，老板想要的报表又是个性化的。大型 ERP 更不现实——成本、实施周期和组织成熟度都不匹配。
AI 辅助编程的机会，是让一家企业可以「长出」刚好够用的系统。
不是一上来买一个庞然大物。
而是从最痛的地方开始。
先把客户、合同、应收账款整理成一个小系统。
再把销售跟进记录接入。
再生成回款提醒。
再接入发票和银行流水。
再生成每周经营报表。
再把售后问题转成工单。
再让一个 agent 每天巡检异常。
每一步都不需要一个完整团队。每一步都可以在不打断业务的情况下增长。
但这里藏着一个赫拉利式的警告：信息系统不能凭空创造秩序。
它只能把已有的秩序显性化，把隐性的秩序结构化，把混乱暴露出来——或者，在更糟的情况下，把混乱固化下来。
如果老板自己也说不清客户分类规则，AI 不会帮他想清楚。
如果销售拒绝录入关键事实，AI 不会替他承担。
如果财务数据本身混乱，AI 只会自动化这种混乱。
如果公司内部权责不清，AI 会把责任的真空写进每一份自动生成的工单里。
中小企业信息化最难的部分，从来不是写代码。是让一家企业愿意面对它自己的真实流程。
Agent 是新一代官僚
现在轮到房间里那只越来越大的灰犀牛：AI agent。
OpenClaw 这一类 agent harness 的关键，不是聊天，是把大模型放进一个带工作区、工具、技能、配置和长期上下文的运行环境。它的 skills 可以作为带有 SKILL.md 的目录来教 agent 如何使用工具，workspace 也可以承载和具体环境相关的上下文。[^7]
如果把它部署在企业内部，它会成为某种东西——一种我们语言里还没有合适词汇的东西。
它不只是工具。
它不只是助手。
它甚至不只是流程自动化。
它是一台微型制度生产机器。
老板说：每天早上列出超过 30 天未回款的客户。Agent 去查合同、发票、收款记录，生成清单。这是一条新的制度。
销售说：这个客户同意了新报价。Agent 自动更新客户状态、生成合同草稿、提醒财务开票。这是另一条新的制度。
财务上传银行流水。Agent 自动尝试匹配合同和发票，标记异常项。又是一条。
售后接到投诉。Agent 自动生成工单，关联客户、产品、合同和历史问题。又是一条。
这些「制度」过去需要一个产品经理、一个工程师、一个运营人员、一个审批流设计者协作几周才能跑起来。现在，一句话之后，它就在运行。
这是非常美好的画面。也是非常危险的画面。
因为制度生产从来有两面。
好制度可以降低摩擦、减少误判、保护弱者、提升效率、让责任清晰。
坏制度可以制造形式主义、增加填报负担、强化监控、固化偏见，把人困在不合理的流程里。
AI agent 的危险在于——它非常勤奋。它可以源源不断地生成流程、表格、指标、看板、规则、提醒。如果没有人类判断介入，它会变成一种新型物种：
自动官僚。
自动官僚的特点，赫拉利在《Nexus》里其实早已勾勒过雏形。它能把所有事情表格化，把所有行为指标化，把所有例外流程化，把所有沟通工单化，把所有人放进某种评分体系里。
它运转良好。它从不抱怨。它每天准时生成报表。它绝不偷懒。
但它未必知道这些东西是否真的接近现实，是否真的减少负担，是否真的提升智慧。
围绕 OpenClaw 技能生态的近期讨论已经隐约提到这个问题：第三方技能、文件访问、命令执行、外部服务授权等能力，需要谨慎治理。[^8] 这些不是技术细节，这是治理问题。
一个真正可用的企业内部 agent harness，必须是这样一组东西的总和：
工具能力 + 权限边界 + 审计日志 + 沙箱环境 + 人工审批 + 数据治理 + 回滚机制。
少一项，它就不是基础设施，是事故源。
信息管理会从「搜索」滑向「供给」
传统信息管理基本上围绕搜索展开。
资料很多，你来找。
文档很多，你来搜。
知识库很大，你输关键词。
搜索结果给你，剩下你自己判断。
这种范式建立在一个假设上：信息的最终消费者是人，而人有时间和耐心。
这两个假设都正在失效。
接下来的信息消费者，会越来越多地是 agent。它们没有时间、没有耐心，也没有「自己再判断一下」的习惯。它们要求信息直接、结构化、可执行。
更重要的是，使用者的需求本身在变化。
人们不再想「找到资料」。他们想「完成任务」。
帮我改这个模块。
帮我排查这个 bug。
帮我判断这个客户是否有回款风险。
帮我生成本周经营报告。
帮我看这个患者是否满足保险责任。
完成任务所需的信息，不应该完全靠人去搜，而应该由系统主动供给。
一个 coding agent 要修改支付状态机，它应该自动拿到相关需求背景、状态机文档、接口契约、表结构、历史事故、下游依赖、测试用例、监控指标、上线回滚方案、权限和合规要求。这不是奢侈，这是它能不能被信任的前提。
一个企业经营 agent 要生成回款报告，它应该自动拿到合同、发票、银行流水、客户信用记录、销售跟进、催款历史、账龄规则、异常标记、老板关心的报表口径。
一个医疗支付 agent 要判断商保赔付，它应该自动拿到患者授权、保单责任、诊断、费用明细、医保结果、药品目录、历史理赔、风控规则、人工复核条件。
这叫任务型上下文供给。
它不是知识库的升级，是信息管理范式的转变。
但这里也有一个赫拉利式的危险：系统供给什么，AI 就基于什么行动。
如果上下文错误，AI 会错。
如果上下文缺失，AI 会猜。
如果上下文过期，AI 会用旧现实行动。
如果上下文带有偏见，AI 会放大偏见。
如果上下文没有权限边界，AI 会越权。
未来一家企业真正稀缺的，不是知识库，是可信上下文管理系统。
它要知道哪些信息最新，哪些已经废弃；哪些有权威来源，哪些只是讨论；哪些需要人工确认，哪些不能给 AI 看；哪些可以用于自动执行，哪些只能用于辅助判断。
这件事还没有名字。但它会成为 AI 时代信息管理的新核心。
高效幻觉系统
到这里，必须诚实地谈一件事。
AI 辅助编程降低信息系统建设成本之后，世界不会自动变好。
我们可能得到更高效的医院结算、更精准的企业管理、更好的养老服务。我们也可能得到更多垃圾系统、更多形式主义、更多虚假指标、更多自动化压迫。
最大的风险不是没有信息。
最大的风险，是错误信息被系统化。
过去一个员工误解规则，影响有限。
未来一条 AI 生成的规则被写进系统，可能影响所有人。
过去一位老板拍脑袋，影响一次会议。
未来这条拍脑袋的规则被写入自动审批流，会长期运行。
过去一个基层单位为了应付检查做几张假表，是一次性材料。
未来 AI 可以每天自动生成看似完美的假秩序。
过去一个理赔员判断有偏差，还有人工讨论的空间。
未来如果模型和规则自动拒赔，患者可能连问题出在哪里都不知道。
我把这种系统称为高效幻觉系统。
它有数据，有报表，有看板，有流程，有自动化，有 AI 总结。它运转得无可挑剔。
它只是不接近真实。
它只是更快地产生一种看起来合理的秩序。
这正是赫拉利反复警告的事：一个网络越高效，并不代表越真实；秩序越严密，并不代表越智慧。
未来的信息系统设计者，每天都要在心里问自己几个问题：
这个系统减少了现实摩擦，还是只是增加了填报？
它让真实问题更早暴露，还是更容易被包装？
它帮助一线，还是只是帮助上级制造控制感？
它让弱者更容易申诉，还是让弱者更难反抗系统判断？
它能纠错，还是只会维护自己的权威？
它让组织更聪明，还是让组织更自信地犯错？
这些问题没有标准答案。但不问的人，注定会建出高效幻觉系统。
真正的分水岭：错错的能力
未来组织之间的差距，不会是数据多少的差距，也不会是 AI 能力的差距。
会是纠错结构的差距。
所有组织都会有更多 AI。
所有组织都会有更多数据。
所有组织都会有更多自动化。
所有组织都会生成更多文档、报表、代码和流程。
但并不是所有组织都会因此变聪明。
有的组织会因为 AI 变得更快、更透明、更能学习。
有的组织会因为 AI 变得更乱、更官僚、更自信地犯错。
分水岭就在纠错。
一个强组织会问：
数据从哪里来？
谁验证？
什么时候过期？
规则怎样版本化？
AI 输出如何测试？
异常如何报警？
用户如何申诉？
责任如何追溯？
错误如何转化为制度改进？
一个弱组织只会问：
能不能自动生成？
能不能快点上线？
能不能多出几个报表？
能不能让 AI 替人干活？
这两种组织正走向完全不同的未来。
前者把 AI 当成学习机器。
后者把 AI 当成幻觉机器。
个人也有一张信息网
这篇文章不只关于社会和企业。
每一个人也都是一张小型信息网。
你的事实层，是你记录了什么——读书笔记、工作日志、代码片段、错误清单、会议纪要、想法、情绪、目标。
你的秩序层，是这些记录如何改变你的行动——是否形成 checklist，是否形成决策原则，是否形成可复用的 prompt，是否形成项目模板。
你的纠错层，是你如何发现自己错了——是否复盘，是否记录预测和结果，是否承认误判，是否更新方法，是否定期清理过期的认知。
一个真正强大的个人信息系统，不是资料最多，而是能不断把经历变成经验，把经验变成方法，把方法变成行动，把行动结果再反馈回来。
这就是个人版的 Nexus。
AI 时代，这件事的难度并没有降低。它只是变得更可见。
你过去靠记忆维持的秩序，AI 会要求你显式化。你过去靠直觉做的判断，AI 会要求你提供上下文。你过去能蒙混过去的混乱，AI 会以系统化的方式暴露出来。
这是好事。它逼你成为一个更清醒的人。
一个新的稀缺角色：信息管理架构师
如果把这一切落到职业上，我会说，未来最稀缺的角色不是程序员，不是产品经理，也不是 AI 培训师。
是一种你可以叫它「信息管理架构师」的人。
他做的事情大致是这样：
进入一家企业，观察信息流。
找出关键事实散在哪里。
识别哪些流程靠人肉记忆维持。
判断哪些数据必须结构化，哪些不必。
设计最小可用的数据模型。
用 AI 辅助编程快速生成轻量系统。
部署内部 agent harness。
建立权限、审计、备份、报表、提醒。
把老员工的经验转成规则和 checklist。
把企业从「人脑管理」推向「半自动信息系统」。
这个角色的价值不在于写多少代码，而在于能判断：
什么值得系统化？
什么不值得系统化？
什么必须人工裁决？
什么可以自动化？
什么数据必须准确？
什么流程会制造负担？
什么指标会诱导造假？
什么权限不能开放？
什么动作必须留痕？
什么错误必须能回滚？
他其实是一种微型制度设计师。
AI 辅助编程越强，这个角色就越重要。因为实现成本下降之后，真正稀缺的就是判断力。
当任何人都能让 AI 生成一个系统时，问题就变成——
你生成的，是好秩序，还是坏秩序？
结语：我们要用信息网络建造一个怎样的现实
让我们回到《Nexus》的核心问题。
人类不直接生活在现实里，而是生活在被信息网络组织过的现实里。
医院如何记录病人，决定病人如何被治疗、如何被支付。
企业如何记录客户，决定客户关系如何被维护。
学校如何记录学生，决定学生如何被理解。
政府如何记录基层，决定资源如何被分配。
软件如何记录状态，决定流程如何运行。
AI agent 读取什么上下文，决定它如何行动。
这些记录从来不是中性的。它们定义什么被看见，什么被忽略；什么算事实，什么算异常；谁有权行动，谁必须等待；谁承担责任，谁拥有解释权。
AI 辅助编程降低了建造信息网络的边际成本。这会释放巨大的社会生产力。医院和商保会更好衔接。中小企业会拥有刚好够用的系统。养老、教育、制造、基层治理、专业服务都会被毛细血管式地信息化覆盖。
但赫拉利的警告必须留在每一个建造者的耳边：信息网络不一定通向真理。它也可能通向幻觉、权力、官僚主义和失控。
所以未来真正重要的问题，不是「AI 能不能写更多代码」，也不是「我们能不能建更多系统」。
是这样一个问题：
我们要用这些低成本的信息系统，建造一个更接近真实、更能纠错、更尊重人的现实——
还是建造一个更高效，但更虚假的秩序？
这才是信息管理的终极问题。
对个人而言，它决定你能不能把经历变成成长。
对企业而言，它决定它能不能把个人经验变成组织能力。
对社会而言，它决定资源能不能被更准确、更公平、更低摩擦地配置。
对 AI 时代而言，它决定非人类智能能否安全地进入人类的现实。
信息管理不是整理资料。
它是智能的地基，是组织的神经系统，是社会的连接方式，是权力的分配机制，是错误能否被修正的制度条件。
它是我们用信息网络建造现实的能力。
而 AI 辅助编程的到来，只是让这个古老问题——变得更迫切、更具体，也更值得每一个认真对待未来的人，重新坐下来学习一次。
[^1]: 国家医保局：山东医保商保一体化同步结算平台已实现全省上线，2024 年山东省 2760.30 万笔医保业务通过「一站式结算」完成，惠及 511.22 万参保人，累计报销 13.34 亿元。
[^2]: Yuval Noah Harari, Nexus: A Brief History of Information Networks from the Stone Age to AI (2024). 信息有“两种功能”的论述贯穿全书，尤其见关于“真理与秩序”的张力的章节。
[^3]: 同上。Harari 关于信息网络自我纠错机制的讨论，是《Nexus》中针对 AI 风险最核心的论证之一。
[^4]: Stack Overflow Developer Survey 2025: 84% 的受访者正在使用或计划使用 AI 工具；专业开发者中 50.6% 每天使用 AI 工具；同份调查显示开发者对 AI 输出准确性的不信任比例已超过信任比例。
[^5]: Gartner 预测：到 2028 年，90% 的企业软件工程师将使用 AI code assistants，开发者角色将从“实现”转向“编排”，更关注问题解决、系统设计与确保 AI 输出质量。
[^7]: OpenClaw 官方文档：skills 可以作为带 SKILL.md 的目录承载 agent 使用工具的方式；workspace 可承载与具体环境相关的长期上下文。
[^8]: 围绕 OpenClaw 技能生态的近期社区讨论，提示了第三方技能、文件访问、命令执行、外部服务授权等能力的治理风险。