前一阵做“AI中国故事”系列做到第136个选题的时候我突发奇想能不能直接和孙子对话这里说的“对话”不是百科式问答也不是把古文翻译成白话而是让一个AI系统真正站在战略顾问的角度用《孙子兵法》的核心概念——知己知彼、不战而屈人之兵——去回应当代人面对的竞争与管理问题。项目做完之后我最大的感受是这件事实质上不是“AI讲历史”而是一次兵法智慧与现代博弈优化的对齐实验。如果把孙子的十三篇看成一部“古代策略算法集”那AI系统就是让这套算法重新运行起来的解释器。这篇文章会把整个项目的设计思路、技术拆解和踩坑过程完整记录下来给想做传统文化AI化、或者对博弈策略建模感兴趣的朋友一个参考。1. 立项思考为什么是孙子为什么是对话1.1 传统文化的AI化最怕做成“大词典”传统文化AI项目这些年并不少但大多数落在“知识问答”的框架里。用户问“孙子兵法讲了什么”系统就列出一二三条用户问“知己知彼是什么意思”系统就把译文贴出来。这种方案不是不能用而是没有找到一个让古代智慧“活起来”的切入角度。我做这个选题之前的几次尝试也都有这个问题——内容堆得再多也不过是电子词典的增强版用户看完没有场景可落。所以这次立项时我给自己定了一个硬性标准如果用户问完一个问题后得到的只是一段解释那这个项目就失败了。系统应该像一位能说话的战略顾问一样不仅要解释“孙子怎么想”还要结合用户自己面对的局面给出有参照价值的策略方向。这相当于把静态的古籍知识转换成动态的场景决策支持。1.2 兵法和AI策略的“基因同源”选《孙子兵法》而不是其他典籍是因为它本身就是一套关于决策的文本体系。它的主题是在信息不完整、资源有约束、环境有冲突的情况下如何做出最优选择。这个主题和AI系统设计面对的问题高度同构。比如“知己知彼百战不殆”对应的是对抗场景中的情报收集与对手建模“不战而屈人之兵”对应的是博弈论中的威慑与信号策略“先为不可胜以待敌之可胜”对应的是防守型策略与机会窗口识别。古典军事文本与现代决策科学之间的这种对应关系让我意识到它们不是“古代智慧”与“现代科技”的关系而是同一套底层逻辑在不同语言体系下的表达。项目的核心任务就是把孙子的语言体系翻译成AI和博弈论的语言体系再把这种翻译结果做成对话系统可以被调用、被追问、被验证的产品功能。1.3 从“知识问答”到“场景推演”有了这个大方向之后对话系统的产品形态也随之确定。我不做单轮问答而是强制要求系统引导用户进入“场景推演”模式。用户不能只问“不战而屈人之兵是什么意思”系统会反问你现在面对的是什么性质的竞争你的资源和对手相比处于什么位置你的目标是为了取胜还是为了止损这三个问题收集完之后系统才会开始调用兵法知识库给出对应策略。这样设计的好处有两点。第一它把模糊的一句话提问转变成一个结构化的策略上下文让“知己知彼”这个概念在产品交互层面就活了起来第二它避免了AI回答“万金油”策略的毛病。一个只懂“要知己知彼”的建议等于没说但如果在明确了双方资源对比、局势阶段之后给出“当你的资源只有对手一半时应该避实击虚而不是正面压上”这就是有信息量的策略输出。2. 三个核心概念的策略映射2.1 “知己知彼”对手建模与状态感知“知己知彼百战不殆”在现代AI策略体系里最直接的对应是“对手建模”和“自我状态感知”。所谓对手建模就是通过对对手历史行为的学习建立对其策略倾向的预测模型自我状态感知则是对自身资源、能力边界、当前约束条件进行量化评估。我在系统里把“知己知彼”拆成了三个工程层第一层是意图识别相当于“知己”——系统先要判断用户提问的真实意图。这一步我做了十六个意图分类比如“竞争对抗”“风险规避”“资源分配”“谈判协调”“成长决策”等等。如果意图分类置信度太低系统不会往下走而是主动追问澄清。第二层是上下文理解相当于“知彼”——系统要把用户对话过程中主动提供或者隐含着的情境信息提取出来包括对手实力、市场环境、时间压力、自身资源等。第三层是知识库匹配相当于“知环境”——系统在兵法文本中检索与当前情境最匹配的策略段落然后进行现代策略转换。为了让这个产品逻辑跑通我构造了一个“情境快照”数据结构。每一轮对话结束之后系统会维护一张结构化表格记录当前用户视角下的“我方面实力、对手方实力、对抗阶段、可用资源、约束条件”。后面的策略生成全部基于这张表而不是基于单次对话文本。这个方案实测下来最大的好处是用户不需要在一句话里把所有信息说全系统可以在多轮对话中逐步补全认知这恰恰就是“知彼”的过程。2.2 “不战而屈人之兵”威慑策略与非对抗最优“不战而屈人之兵善之善者也。”这句话是整部兵法的策略理想不通过正面对抗达成目标才是最高明的方案。放到博弈论视角下这句话有两重含义。第一重是威慑通过展示实力、可信承诺或改变对手的预期收益让对手理性地认为“不战”比“战”更划算。第二重是非对抗路径在存在共赢解的非零和博弈中通过合作、协调或者转移战场来达成目标。在对话策略引擎里我专门设计了“非对抗优先”规则当用户问题被识别为竞争对抗类型时系统并不是第一时间给“怎么打”的方案而是先检查是否存在“不打也能赢”的策略空间。实现方式是构造一个策略映射表其中包含“威慑”和“合作”两个备选解。只有当这两个备选解都不可行时系统才会输出直接对抗方案。这里有个容易被忽略的技术细节要让“不战而屈人之兵”从口号变成可推理的策略需要把它的前置条件说清楚。孙子反复强调不战的前提是你“先胜”——你的实力和准备已经足以让对手意识到对抗没有意义。所以系统在给出“避免正面冲突”建议之前必须先检查用户的“真实底牌”。如果用户的实力不支撑威慑这个建议方向就会被主动拦下来。2.3 “全胜”思维与AI奖励函数设计“兵不顿而利可全”是孙子非常有现代意识的一个点追求全胜而不是惨胜。放在AI目标设计里这就是一个关于奖励函数价值取向的问题。很多AI策略系统只定义了一个单目标——比如赢棋、出价最低、点击率最高——结果在复杂环境中往往容易产生短视行为赢是赢了系统的代价却很高。我在这套“对话孙子”项目中尝试把“全胜”思想转译成一种多目标偏好在给出策略建议时系统不只评估“能不能达成目标”还会评估“代价有多大”“后续风险有多高”“对手的反弹空间有多大”。说得直白一点AI策略建议要追求收益大于消耗的“可持续胜利”而不是孤注一掷。这个偏好也被编码进了Prompt约束和策略生成规则里。我做过一个对比测试同一道关于“在资源劣势下要不要发动价格战”的问题不做全胜约束时AI给出的方案是“集中资源突袭对方核心市场”加上全胜约束之后AI的方案先分析了对方可能的还击路径然后建议“先收集对手供应链弱点再选择局部战场”。从策略质量上看后者明显更接近一个有经验老手的决策逻辑。3. 实操拆解搭建一套“对话孙子”系统3.1 语料工程从原文到结构化知识库项目第一步是语料清洗和结构化。市面上能拿到的《孙子兵法》原文加译文大概几十个版本质量参差不齐。我最终采用了一套“三明治”结构的建库方案第一层是原文层保留十三篇的原文句子作为引用来源第二层是释义层每条原文配一版现代白话解释作为语义检索的中转第三层是应用层为每个核心段落标注现代应用场景包括商业竞争、项目管理、谈判、个人决策等。文本分块也不是普通文档那种按固定字数切。古文句子短、语义密度高如果简单按256个字符切块很容易把完整的谋略逻辑切成两半。我最后是先把十三篇按完整篇章切分再在篇章内部按语义段落做二次切分每段控制在120到200个汉字之间保留上下文连贯。实测下来这种“语义优先、长度兜底”的分块方式检索命中率明显高于等长切块。3.2 RAG检索让AI“引经据典”不胡说知识库建好之后需要解决的核心问题是怎么让AI不凭空编造古文。我采用的是检索增强生成RAG方案AI不直接基于内部知识回答兵法问题而是先向量检索到知识库中相关的兵法段落再把检索结果作为上下文交由语言模型组织成回答。这里有两个关键选型值得说一说。第一是混合检索。单一向量检索对古文这种“语义抽象、句式对仗”的文本并不够稳我把关键词检索和向量检索做了双路召回再用一个轻量级重排序模型把两路结果合并打分最终只保留相关性最高的前5条。第二是索引策略。原始古文直接做Embedding效果其实一般因为向量模型在古文上的语义理解能力并不强。我的方案是对释义层的白话文本做向量化再把古文原文绑定在释义向量上。这样检索时匹配的是白话释义展示时输出的是原文加引用编号既解决了语义匹配问题又保住了“引经据典”的效果。检索参数的调整也有一些值得注意的经验。TopK设置在15到20之间比较合适太少了会漏掉相关段落太多了会往上下文里塞入大量无关内容干扰生成质量。重排后保留3到5条候选结果超过这个数量AI的引用就开始变得琐碎反而让回答失去重点。3.3 Prompt设计稳住“孙子”的人设Prompt是这套系统里最需要反复打磨的部分因为“孙子”既不能太像博物馆讲解员也不能太像现代营销号。我最终采用了一个三层人设框架第一层身份设定为“古代战略思想家”语气要保持克制与哲理感第二层身份设定为“AI策略顾问”要具备逻辑分析能力第三层设定为“跨时代翻译者”负责把古代概念翻译到现代场景。一个简化版Prompt模板长这样你是“孙子”一位精通《孙子兵法》的战略顾问。 面对用户的场景提问请严格按以下结构回答 1. 先用一句《孙子兵法》原文回应标注出处篇章 2. 再用白话解释这句话在本场景中的含义 3. 结合用户提供的实际情况给出可执行的策略建议 4. 如果用户提供的场景信息不足先指出缺失的关键变量再给出方向性建议。 约束 - 引用原文必须来自知识库禁止编造 - 建议内容必须紧扣“全胜”“知己知彼”等核心思想 - 回答中不得出现“作为AI”这类表述。实际运行中我发现第4条约束对回答质量影响最大。如果不强制系统先指出信息缺失它就倾向于用一个模糊的“知己知彼”糊弄过去。加上这条之后系统会在用户提供的信息不足以决策时主动反向追问这是整个交互体验质变的关键。3.4 博弈策略输出模型、换算、建议对话系统不只是“翻书”还要“会算”。我在策略引擎里内置了一张兵法策略与博弈模型的映射表用于生成部分做方向引导用户场景特征兵法策略对应博弈模型策略输出倾向我方资源明显不足避实击虚弱手对抗强手差异化切入、转移战场我方优势明显先胜后战优势最大化保持克制、蓄势待发对手意图不明确知彼知己不完全信息博弈情报收集与试探优先双方耗损风险高不战而屈人之兵非零和博弈寻求威慑或共赢通道生成阶段系统会把用户情境快照中的量化信息比如资源比、时间压力、风险偏好嵌进Prompt让语言模型在这张表的框架下输出建议。这一步的本质是把兵法从“文本召回的结论”升级为“策略计算的参考系”。用生活类比来说的话只做知识检索相当于给你一本菜谱具体加多少盐还得靠自己试加了策略引擎之后菜谱会告诉你当前情况该用什么火候、哪些步骤可以省略、哪一步最容易翻车。4. 踩坑实录做传统文化AI系统常见的几个问题4.1 古文语义检索的偏移第一个典型问题出现在检索环节。古文的表达方式与现代汉语差异很大直接拿古文原文做Embedding检索出来的结果经常“看着相关读着别扭”。比如用户问“怎么掌握竞争对手的动向”如果只对原文做向量检索很可能把“知彼知己百战不殆”给召回来却漏掉更具体的“策之而知得失之计候之而知动静之理”。解决这个偏移靠的不只是换Embedding模型而是把“检索对象”从原文换成释义层再让释义向量带着原文一起出来。我的做法是每条文本记录里有“原文”“释义”“应用标签”三个字段向量化只针对释义与应用标签的组合原文作为展示字段绑定。这样做之后检索结果的相关性提升非常明显。4.2 策略建议的“空话陷阱”第二个坑是AI生成的策略建议太空泛。“你要知己知彼”“要抓住时机”“要灵活应变”——这话谁都会说没有实操价值。这个问题的根因是生成阶段缺乏足够的约束信息。后来我做了两个改动第一系统在生成策略之前必须先检查情境快照里的字段是否齐全不齐全就追问而不是凑合着答第二Prompt里强制加入“给出一个具体动作”的要求。比如用户问“对手比我们强怎么竞争”如果情境快照里只有“对手强”这一条信息系统会追问你的优势集中在哪个维度是客户关系、技术积累还是成本结构等到用户补充之后策略建议就不再是“差异化竞争”而是会具体到“集中资源守住你最有粘性的存量客户而不是去新市场硬拼”这种可以被执行的判断。4.3 角色一致性的崩溃多轮对话跑到第五轮之后AI很容易丢掉“孙子”的人设变成通用助手口吻。这个问题的根源在于语言模型的上下文注意力是有限的早期的角色设定会被后续的大量内容冲淡。我的实践方案是把角色卡压缩成一版“特征触发器”挂在系统提示词的最前面同时在每轮用户消息前自动拼接一句轻量的角色提醒比如“请你继续以孙子的身份结合兵法回答”。另一个有效手段是规定回答结构的“骨架格式”。我发现只要回答始终保持着“原文引用—白话解释—策略建议”这个三段式结构人设就不容易崩塌。结构天然承担了一部分“角色记忆”的功能AI只要还在按这个结构走它就不会彻底滑向通用聊天工具。4.4 知识边界的失控早期版本有个问题用户问“孙子怎么看待创业融资”AI会从兵法里生拉硬扯一套说法。虽然回答看着很有道理但严格来说《孙子兵法》并没有讲过融资这种输出属于“过度解读”。知识边界的失控会严重伤害系统的可信度。我做的限制是给系统加了一条“可证伪反馈”规则当用户问题指向的场景在知识库中找不到对应的应用层标注时系统必须明说“兵法中缺乏对这一现代场景的直接论述”只提供思想层面的参照不给具体操作建议。这比硬编一个答案更能建立用户信任。这个思路和AI系统设计里的“说不知道比编造好”原则是一致的。4.5 评估维度的缺失如果只用“流畅度”“相关度”来评估这类系统很容易漏掉文化类AI最关键的指标不合经典。我自己搭了一套八字评估维度准确性、策略性、文化性、克制性。准确性检验对原文的理解和使用是否到位策略性检验给出的建议是不是有信息量、可执行文化性检验回答是否带有兵法思想的独特视角克制性检验系统是否守住了知识边界、不强行装懂。实际测试时每一轮对话由三个评估者分别打分然后取均值作为该轮质量分。这套评估体系虽然简单但在持续调优中帮了大忙。5. 项目复盘与后续扩展5.1 我最看重的一个设计决策整套系统里真正起到决定性作用的设计不是某个模型选型也不是Prompt技巧而是“情境快照”机制。它让系统从“针对一句话给答案”进化成“针对一个局面给策略”。这个进化的本质是模仿了孙子本人思考问题的方式——先看清楚自己和对手的处境再谈怎么打。如果让我给打算做类似AI文化项目的同行一个建议我会说不要把精力全放在提升模型能力上先把你想要表达的“智慧实体”建模成一个有状态的决策系统。一位古代智者的思想体系之所以有生命力不在于它能回答多少问题而在于它有一套稳定的分析框架。AI的价值就是把这种框架显性化、可调用化。5.2 这套框架还能怎么用项目基本成型之后我尝试过把它的核心机制迁移到别的题目上。结果发现这个“角色知识库情境快照策略映射表”的三件套结构完全可以用在企业战略回顾、个人决策复盘、甚至课程教学设计里。兵法只是第一个被跑通的载体同一个骨架换一套知识库就能让其他类型的“古人智慧”也变成可对话的策略顾问。后续我打算在这个框架里补一个“兵棋沙盘”模块让用户在对话结束后能把情境快照里的变量拖到一张模拟棋盘上系统根据孙子的策略原则实时计算不同动作的利弊。这会从“对策略顾问提问”升级成“在沙盘上亲手试错”对理解“避实击虚”这类空间性的兵法概念会更有帮助。做这个项目的整个过程让我重新认识了“对话”这件事。对话不只是人与AI之间的信息交换也是一种思维方式的迁移机制。孙子的兵法写于两千多年前但它讨论的很多问题——怎么在资源受限时做决策、怎么让对手不战而退、怎么在没有完整信息时保持行动力——今天的AI系统每天都在处理。我用一套对话系统把这两套思维接上之后发现古人的策略直觉远比很多人想象的要更接近现代决策科学的底层逻辑。后面如果有机会我会继续把这个系列做下去也建议对传统文化末端创新感兴趣的朋友多往“策略建模”这个方向试试水。
