前两章我们看清了传统软件的硬：决定在开发时做完，使用时只剩执行。现在轮到主角登场。AI——具体说，是以大语言模型为代表的那类 AI——把这堵墙的位置挪了：它把大量「做决定」的时刻，从开发时推迟到了使用时。
这就是种子那句话的精确含义：软件的软，体现在开发过程中（你可以改代码、重新发布）；AI 的软，体现在使用过程中——它被用的时候，行为还在被塑造。你不但可以影响它的表现，而且是每一次使用时都可以。
行为在使用时才定型
先看一个对比。传统软件里，「翻译这段话」这个行为是发布前就定死的：点翻译按钮，走固定流程，出固定格式的结果。你没法跟它商量「翻得口语一点」——说明书里没这一页。
而对一个大语言模型，「翻译」根本不是一个被写死的功能。你只是说「翻一下」，它就翻了；你说「翻得口语一点，像朋友发微信」，它就换一种翻法；你说「保留术语但把长句拆开」，它再换。同一个模型，行为在每次对话的当下才被确定。烧陶瓷的比喻在这里失效了：它更像一块始终保持可塑的泥，每一次使用都是一次重捏。
塑造它行为的有三股力量，按从硬到软排：
- 权重：权重是模型训练完成后固化下来的亿万参数——大白话说，是它从海量文本里「学」进去的全部经验的总和，相当于它的出厂性格。这是最硬的一层，普通用户碰不到。
- 提示词：提示词（prompt）是你给它的那段话——大白话说，是使用当下写给它的说明书。这一层软得多：任何人用自然语言就能改，即时生效。
- 上下文：上下文是当前这场对话里它已经看到的所有内容——大白话说，是它此刻的「短期记忆」。同一句话，前面聊过什么，它的反应就不一样。
还有第四股力量，藏得最深：概率。模型每次生成下一个词，本质上是在一堆候选里按概率抽样——同样的问题问两遍，答案可以不同。传统软件追求「同样的输入同样的输出」，AI 是「同样的输入，同一个分布」。这个区别会在第五章掀起大浪，这里先记住它。
为什么偏偏是「使用中」变软
值得追问一句：为什么训练不能让行为也保持柔软？为什么软的偏偏是使用环节？
因为两端的成本结构完全不同。训练一次大模型，要烧掉成千上万张显卡跑上几个月，是工业级的凝固——比编译贵无数个量级。而使用时的每一次对话，只是在这块凝固的「经验体」上做一次轻量的推演。于是产业自然演化出一个分工：昂贵的、通用的部分提前凝固成权重；便宜的、具体的部分留到使用时现场决定。提示词之所以能撬动模型，正是因为模型在训练时被喂了足够多「听指令行事」的文本，把「可以被当场商量」这个性质本身学进了权重里。
大白话：传统软件是把整道菜做好了端上桌，你只能说吃或不吃。AI 是后厨给你配了一位什么都会做、且听得懂人话的厨师——菜谱（权重）他早就背熟了，但今晚怎么做、咸一点还是淡一点，坐下来说了算。
软的代价：你拿到了方向盘，也接过了方向盘的责任
先别急着欢呼。行为在使用时才定型，意味着三件传统软件不用操心的事，现在成了日常：
- 行为是不保证的。说明书变成了商量，商量就有谈不拢的时候。它会误解你，会自由发挥，会在你没想到的方向上撒欢。
- 表达成了操作。跟传统软件交互，你点的是按钮；跟 AI 交互，你写的是语言。「把话说清楚」从一种软技能，变成了直接操纵软件行为的硬技能——措辞的细微差别会真实改变输出。
- 沟通的终点活了。第一章那条「意图→翻译→翻译→代码」的链条，终点本来是凝固的。现在终点会动、会应、会谈条件——整条链条上每个环节的角色，都得重新定义。
这三件事，正好是本书后半部分的地图：开发者怎么当（第四章）、测试怎么测（第五章）、谁来定义软件（第六章）、坏了怎么修（第七章）。
先把结论钉在这里：AI 不是一门新功能，它是软件的一种新的「软硬结构」——决定的时刻从开发时大规模地搬到了使用时。软件开发发生的所有变化，都是这次搬家激起的回声。下一章先看回声的第一站：写软件的人。