Мы привыкли считать, что мышление - это работа со словами.
Чётко сформулировал - получил результат. Ошибся в формулировке - получил неправильный ответ.
Работа с большими языковыми моделями (LLM) показывает, что это представление неполное. Куда важнее не что именно ты сказал, а в каком направлении ты указал. Этот способ мышления всё чаще называют векторным.
Векторное мышление - это подход, при котором:
смысл представляется не как текст или формула, а как точка или направление в многомерном пространстве признаков.
Идея не новая. Она давно используется:
- в математике,
- в машинном обучении,
- в обработке сигналов.
Просто теперь она стала заметной на бытовом уровне - через общение с ИИ.
Минимум математики (но по делу)
Вектор в математике - это не "стрелочка", а упорядоченный набор координат:
v = (x₁, x₂, x₃, ..., xₙ)
В ML:
- каждый текст - вектор в пространстве размерности сотню или тысяч чисел,
- близкие по смыслу тексты - близкие векторы,
- "понимание" = операция над расстояниями и направлениями.
Классический пример - косинусное сходство:
similarity(v₁, v₂) = (v₁ · v₂) / (||v₁|| · ||v₂||)
Важно следующее:
Модели работают с направлением и близостью, а не с формулировками.
Отсюда напрямую следует идея векторного мышления.
Линейное и векторное мышление - принципиальная разница
Линейное мышление
- мысль = последовательность слов,
- смысл = точная формулировка,
- ошибка в словах ломает результат.
Типичный пример:
Почему ИИ меня неправильно понял? Я же чётко написал!
Векторное мышление
- мысль = область смыслов,
- слова - лишь приближение,
- важнее контекст, ограничения и цель.
Здесь ошибка формулировки не критична, если направление задано правильно.
Почему LLM так хорошо демонстрируют эту идею
LLM буквально устроены как:
текст - embedding - операции в векторном пространстве - текст
Они:
- не знают, что такое "правильный вопрос",
- не проверяют логику формально,
- не читают намерение напрямую.
Они ищут ближайшую область смысла.
Поэтому:
- длинный, но пустой запрос даёт слабый результат,
- короткий, но насыщенный контекстом - сильный.
Почему фраза "Представь, что ты архитектор backend-системы" работает
С технической точки зрения она:
- добавляет измерения в вектор запроса:
- уровень абстракции,
- тип аргументации,
- словарь,
- структуру ответа.
Но сама по себе она почти бесполезна.
Слабый сигнал
Представь, что ты архитектор. Как сделать поиск?
Сильный сигнал
Контекст: backend-сервис, high-load, PostgreSQL, сложные фильтры.
Ограничения: JPA Specification - bottleneck, индексы не решают проблему.
Цель: снизить P95 latency.
Отвечай на уровне архитектурных trade-offs.
Здесь роль - всего лишь одна координата, а не вся мысль.
Пример из разработки: поиск и фильтрация
Линейный запрос
Как оптимизировать поиск в PostgreSQL?
Результат:
- общие советы,
- индексы,
- EXPLAIN,
- попробуйте materialized view.
Векторный запрос
Сервис каталога товаров.
Фильтрация по 15+ параметрам, часть - в JSONB.
Требование: гибкость фильтров важнее скорости разработки.
Проблема: рост latency при добавлении новых комбинаций.
Ищу архитектурное решение, а не SQL-тюнинг.
Ответ смещается в область:
- предварительных ID-выборок,
- разделения query/aggregation,
- search-layer,
- денормализации,
- CQRS.
Это другой класс решений, хотя вопрос формально тот же.
Векторное мышление = работа с ограничениями
Ограничения - это самые сильные координаты вектора.
Фразы вида:
- "не предлагай X",
- "без переписывания сервиса",
- "не для новичков",
- "без теории",
часто важнее, чем само описание задачи. Почему? Потому что они отсекают целые области смыслового пространства.
Почему примеры сильнее инструкций
Инструкция:
Ответ должен быть структурирован
Слабая.
Пример:
Ответ должен содержать:
- формулировку проблемы
- 2–3 варианта решения
- риски
- рекомендацию
Это:
- добавляет форму,
- задаёт порядок,
- фиксирует уровень детализации.
Фактически - задаёт базис векторного пространства ответа.
Как применять векторное мышление осознанно
1. Думать не "что спросить", а "куда указать"
- область,
- уровень,
- границы.
2. Сначала направление - потом уточнение
Не пытаться сформулировать идеальный вопрос сразу.
Лучше:
- задать рамку,
- получить приближённый ответ,
- скорректировать вектор.
3. Использовать анти-примеры
Фразы "не делай так" часто полезнее, чем "делай вот так".
Векторное мышление - это не про ИИ
ИИ просто сделал этот принцип очевидным.
На практике он:
- улучшает постановку задач,
- снижает количество итераций,
- помогает мыслить на уровне систем, а не деталей.
Хорошие архитекторы, аналитики и тимлиды давно мыслят векторно - просто не называли это так.
Вывод
Векторное мышление - это:
- мышление направлениями,
- работа с контекстом и ограничениями,
- управление смыслом, а не формулировкой.
LLM не научили нас этому. Они просто показали, как именно мы думаем, когда думаем эффективно.