AI时代的真正修炼：从工具囤积到定义问题

1. 为什么说历史总是在重演：几次浪潮里的同一个坑

这几年，AI 从一个技术圈的热词变成了每个行业都在喊的口号。大家一边焦虑自己的岗位会不会被替代，一边疯狂地在各个工具之间跳来跳去，试图"赶上风口"。但我作为一个经历过互联网、移动互联网、云计算这几波浪潮的老兵，看现在的 AI 热潮，总觉得哪里眼熟。

技术栈确实变了，但踩坑的方式没变。

十年前那批人怎么追移动互联网的，现在那批人基本用同样的姿势在追 AI。2013 年左右，人人都在说"移动互联网是趋势"，于是大量传统软件公司紧急转型做 App，不管自己产品适不适合手机端，先上架一个再说。结果呢？大量"为了移动而移动"的产品死掉，浪费了资源，也消耗了团队的信心。现在 AI 来了，很多团队做的事情本质上一模一样——不管业务场景适不适合，先接入个大模型再说。问它们为什么要接，回答往往是"这是趋势，不接会被淘汰"。

如果只看表面，我们确实处在一个新技术快速落地的时代。但如果你把眼光拉长到十年二十年，会发现每一次技术革命都会带来同样的三个现象：技术崇拜、身份焦虑、经验贬值恐慌。

技术崇拜的表现是"新工具拜物教"。每出一个新模型、新平台，就有人跳出来说"XXX 会颠覆一切"，然后一群人蜂拥而上，仿佛掌握了一个工具就掌握了未来。身份焦虑是"怕被时代抛弃"的恐惧感被媒体放大，导致很多原本清醒的人也开始病急乱投医。经验贬值恐慌则是最要命的——干了十年传统的资深工程师，看着 AI 生成代码比自己手写还快，深夜产生了强烈的自我怀疑。

但历史还告诉我们另外一件事：真正笑到最后的人，不是跑得最快的，而是看得最清楚的。

移动互联网时代，第一批冲进去做 App 的人大部分失败了。但那些把移动互联网当成一种新的用户触达方式、把精力放在"如何用手机端更好地解决用户问题"上的产品，活下来了，甚至长成了现在的巨头。云计算的早期也是如此，第一批把服务器全迁到云上的企业，并没有因为"上云"本身获得什么竞争优势，真正受益的是那些基于云原生架构重构了自己成本模型和交付模式的公司。

所以现在当大家问"AI 时代我们应该做些什么"时，我的第一反应不是给你推荐一堆工具，而是想帮你把视野拉高一点，看看过去这些浪潮里，那些幸存者做对了什么，踩坑的人又错在哪里。理解了这一点，"做些什么"的答案其实自己就会浮现出来。

1.1 每次技术浪潮都在重复的"恐慌-跟风-淘汰"周期

我把过去二十年的技术浪潮画成一条曲线，剔除掉技术细节，剩下的骨架惊人地一致。

第一个阶段是恐慌期。新技术出现，媒体开始造势，头部公司开始布局，然后所有人都坐不住了。程序员焦虑自己的技术栈会不会被淘汰，产品经理焦虑自己的工作方式会不会被重构，老板焦虑公司会不会在下一波浪潮里掉队。

第二个阶段是跟风期。大家开始疯狂尝试，但目标极其模糊。很多团队在这个阶段做出来的东西，本质上只是把旧业务"翻译"成新技术的语言——比如上一轮浪潮里把 PowerPoint 改成网页版，这一轮则是把聊天机器人硬塞到各个产品里。

第三个阶段是冷静期。泡沫开始破裂，那些没有想清楚"为什么"的项目开始被淘汰，一大批创业公司消失，一大批岗位被优化。这时候很多人才开始真正去思考：这项技术到底适合解决什么问题？它在什么边界内是可靠的？

第四个阶段才是价值创造期。留下来的团队开始在边界内做实事，技术真正进入产业，改变生产和交付模式。

有意思的是，现在大部分讨论都停留在第二阶段，而历史清楚地告诉我们，第二阶段的大部分努力都是白费的。如果不想在第三阶段成为被优化的对象，你现在就应该用第四阶段的思维方式来思考问题。

1.2 那些"熬过周期"的人，到底做了什么不同的事

我自己复盘过身边那些跨越过至少两轮技术浪潮还活得越来越好的人，发现他们身上有几个高度一致的特征。

第一个特征是不把工具当信仰，把问题当入口。他们研究新技术的时候，第一句话永远问的是"这能帮我解决什么问题"，而不是"这东西有什么新功能"。很多人学工具是跟着功能列表走的——出了新特性就觉得得学，而这类人的学习路径是跟着自己的实际需求走的，需求到位了才去研究某个功能的深度用法。

第二个特征是持续积累跨领域的"底层资产"。什么叫底层资产？就是那些不会因为技术更迭而过时的能力：逻辑思考能力、沟通表达能力、识别关键矛盾的能力、快速学习和迁移框架的能力。你让十年前的人看今天的 AI 应用，他可能完全不知道这些工具怎么操作，但他对"用户到底要什么"的判断力，依然比很多熟练操作工具的年轻人要强。

第三个特征是刻意训练自己"不被工具替代的部分"。我认识的一位设计师从 2023 年开始用 AI 辅助出图，但她没有只做一个"写提示词的人"。她花了大量时间学色彩理论、研究用户心理、做竞品分析——她说得很直白："AI 能替代的是从需求到初稿的那一段，替代不了的是判断哪个初稿方向更对的那个过程。"

这三人共同说明了一个道理：技术会过时，但认知、判断力、结构性思考这些"元能力"不会。而且，恰恰是在技术快速变化的时期，这些元能力的价值会被放大——因为技术本身变得廉价了，真正稀缺的是知道"用它来干什么"的决策能力。

2. AI 时代真正需要警惕的三类陷阱：不只是"跟风"那么简单

好了，现在我们把目光转向当下。基于前面的宏观判断，我观察到的 AI 时代其实暗藏着三类特别容易让人栽跟头的陷阱。它们比单纯的"跟风"更深、更隐蔽。如果你正在准备进入或者已经在 AI 相关的行业里，这几条值得认真对照一下。

2.1 工具囤积症的幻觉：收藏了几百个工具，能力却没有增长

我特别想问一句：你手机里装了多少个 AI 应用？收藏夹里存了多少篇"十大 AI 工具推荐"？如果数量超过二十个，你大概率已经患上了"工具囤积症"。

工具囤积症的核心特征是：把"获取工具"当成"掌握能力"。收藏夹里的文章越存越多，但真的遇到问题时，你还是不知道用哪个工具、怎么组合它们来解决一个完整的问题。这就好像一个厨师家里堆满了全世界各地的顶级厨具，但依然做不出一桌像样的菜。

我自己也踩过这个坑。2024 年初我一度装了二十多个 AI 插件，从写作到编程到画图到办公全副武装。结果是什么呢？打开某个软件的时候，脑海里会闪过"好像有个工具能帮我做这个？但我忘了它叫什么、在哪个菜单里"。为了找工具花的时间，比直接用老办法干完这件事还要长。后来我做了一次大清洗，只保留三个用得最顺手的，效率和专注度反而大幅提升。

工具囤积症背后的心理机制是"害怕错过"。每出现一个新工具，就担心自己不用就会被甩下。但事实是，新工具的增量价值远没有宣传的那么高，而你需要为此付出的注意力成本却被严重低估了。

正确的姿势是什么？**以"任务"为单位反向选择工具。**你先列出自己日常最高频的 5 类任务，针对每一类任务钻研 1-2 个工具，把它们用到"肌肉记忆"的级别。至于其他新工具，保持关注即可，不要浪费精力去深入。

2.2 把生成当创作的"效率幻觉"

第二类陷阱在内容相关领域尤为明显：很多人把"生成"当成"创作"，把"效率提升"当作"能力提升"。

现在随便一个内容平台上都充斥着一眼就能看出是 AI 生成的文章和图片——结构工整、语言流畅、排版漂亮，但内容空无一物。它们的作者也不是想糊弄谁，很多时候是真的以为"AI 写得这么好，直接发出去就行"。

这就是"效率幻觉"：工具帮你把"从零到一"的那个"一"给生成了，你就误以为那一步已经完成了。但实际上，创作是一个两段式的过程：**先定义"什么值得被表达"，再决定"如何被表达"。**这两段里，AI 能帮上忙的主要是后一段，而真正的价值在前一段。

这也解释了为什么市面上已经有海量"AI 生成"的产品和内容，但真正能产生持续影响力的依然是少数。因为生成式 AI 的本质决定了它只能产出"对已有模式的重新组合"，它很难凭空创造出结构和范式层面的新东西。如果你只是把 AI 的输出当成品，你就等于亲手放弃了创作中最值钱的那一块。

正确使用 AI 的姿势是：**把它当实习生，而不是当作家。**你负责定方向、提要求、做评估、改结构、给出反馈，它负责产出初稿、扩展细节、批量完成重复性工作。你省下来的时间不是用来刷手机的，而是用来做更深度的事情——思考选题策略、调研用户画像、拆解竞品逻辑。

2.3 追逐热点导致的地基松动：今天学这个，明天学那个，最后什么都没扎下根

第三类陷阱最容易发生在程序员群体里，但我见过产品、运营、设计各个岗位的人都在踩。表现是：今天看到一个"AI Agent 是未来"的视频，马上放下手头的业务去学 Agent 框架；明天看到"AI 编程会成为程序员标配"，又赶紧买课程；后天听到"多模态是方向"，又开始研究图像生成模型。

这种学习方式最大的问题不是精力分散，而是没有积累效应。你的知识体系是碎片化的，相互之间没有支撑，就像一栋不停更换装修风格但从未打地基的房子。AI 时代知识更新的速度确实加快了，但底层逻辑——数据结构、算法思维、用户洞察、商业模型——这些东西的变化并没有那么快。

更隐蔽的危害在于：频繁地追逐热点会让你形成一种"快速上手-快速放弃"的行为模式，然后慢慢丧失"啃硬骨头"的能力。而真正有价值的技能，几乎都是需要啃硬骨头的。

我见过的应对方法是这样：给自己划定一个"能力根据地"——比如你是后端工程师，就先把分布式系统、高并发、数据库这些基础打牢；你是内容从业者，就先把信息收集、逻辑推演、口语化表达这些练扎实。然后以这个根据地为基点，向外延伸 AI 相关的新技能。新技能是帮你扩大战场的，而不是替换根据地。

3. 我们应该做的四件事：把 AI 浪潮变成职业复利

讲完了坑，来说正事。AI 时代到底应该做些什么？我的答案可能会让你有点失望——不是去学最新的某个模型框架，也不是去囤一堆工具，而是做好下面这四件看起来不那么"炫酷"但长期回报率极高的事情。

3.1 守住你的"深度工作"能力，哪怕 AI 什么都能干

先讲一个反直觉的结论：AI 越强大，深度工作的能力越稀缺、越值钱。

逻辑其实很简单。当生成内容变得极其廉价时，市场上会被海量的平庸内容淹没。在这种背景下，能产出高质量、有深度、有独特视角内容的人，价值不但不会被稀释，反而会因为稀缺性而被放大。

深度工作能力有三个维度：长时间专注于单一事务的能力、抵抗干扰的能力、沉浸在高难度认知活动中的能力。这三个维度在 AI 时代都在被系统性侵蚀。以前让人分心的是社交软件，现在又多了一个 AI 助手——你想专心写一段方案，AI 在旁边疯狂地帮你补全句子，你根本不需要调用自己的思考。

我的建议是：每天保留 1-2 小时的"无 AI 深度工作时间"。这段时间里关闭 AI 助手，只使用最原始的工具（纸笔、纯文本编辑器），专注处理高难度的核心任务。一开始你会很难受，因为大脑已经习惯了有 AI 搭把手的感觉。但坚持两周之后，你会发现自己的独立思考能力、逻辑组织能力有明显的回升。

这不仅是能力的储备，也是一种对抗依赖性的自我保护。

3.2 建立"提问-评估-迭代"的闭环能力，而不是执迷于提示词技巧

现在市面上的课最喜欢讲"提示词工程"，恨不得把各种模板背下来。我的观点是：提示词的基本语法值得花半天了解，但真正值得精进的是"提问-评估-迭代"这个闭环。

先解释一下"提问"层。这里的提问不只是"用什么样的 prompt 让 AI 产出更好的结果"，更重要的是提出正确的问题：业务上到底卡在哪个环节？这个环节适合用 AI 解决吗？效率和质量的衡量指标是什么？这些问题的答案决定了 AI 在你的工作流程里到底能发挥多大的价值。

然后是"评估"层。AI 给出的内容质量参差不齐，你需要有能力判断什么是好的，什么是不好的。这个判断力不是天生的，需要你深入了解业务逻辑、了解标准、见过足够多的优秀案例。很多 AI 用得不好的人，问题不是出在不会提问，而是出在"AI 给什么他都接受"。

最后是"迭代"层。基于你的判断，给 AI 反馈，让它调整，再判断，再调整——直到产出合格的结果。这个"人机协作"的循环，本质上跟你管理中一个员工是类似的。你不可能指望一个实习生第一次交出来的东西就能直接用，但经过几轮反馈，他产出的质量会明显提升。

把这个闭环做成自己的方法论之后，你会发现：工具换了一个又一个，但这个闭环本身从未失效，而且它完全可以迁移到任何工具上。

3.3 深耕一个垂直场景，做"AI+行业"的翻译官

每次 AI 掀起一轮热潮，都会出现一批"万金油"式的从业者——这个领域懂一点，那个领域也懂一点，但都不深入。这类人在浪潮初期特别显眼，因为他们的知识面足够宽，什么话题都能聊。但到了落地阶段，他们反而最容易被淘汰。

原因很简单：**AI 的商业价值最终都要在具体的行业场景里兑现。**通用大模型解决的是"从无到有"的问题，但每个行业有自己的业务逻辑、数据特点、合规要求、用户习惯，这些都需要该领域的深度知识才能理顺。一个既懂 AI 能力边界、又懂行业痛点的人，价值远超过一个只懂技术或只懂业务的人。

我自己非常看好"AI+行业翻译官"这个角色。如果你在医疗、法律、制造、金融、教育、农业等任何一个行业有积累，哪怕现在 AI 水平很一般，也别急着跳出来转行去做纯 AI 产品。更好的路径是：继续留在行业里，同时系统学习 AI 能做什么、不能做什么，然后把两者结合，解决你所在行业的真问题。

举个我熟悉的制造业例子。很多中小工厂的排产计划全靠老师傅的经验，老师傅一退休就出问题。一个既懂工厂流程又懂 AI 建模的人，就可以利用生产历史数据做一个排产优化工具——听起来不高级，但实际价值非常大，而且只有同时懂两边的人才能做出来。

3.4 建立高质量的信息来源和人脉圈，对抗"噪音茧房"

AI 时代有一个悖论：获取信息的成本越来越低，但找到高质量信息的成本却越来越高。因为信息总量在爆发式增长，而大部分新增信息是低质量甚至误导性的。

我见过太多人被社交媒体上的"AI 焦虑帖"裹挟，今天看一篇"XX 岗位被 AI 取代"，明天看一篇"XX 企业全面使用 AI"，一天一个焦虑，什么正事也没干。要对抗这种信息的裹挟，你得主动建立自己的高质量信息源。

我的做法是"三层信息来源"结构。第一层是一手信源：直接关注顶级研究机构、学术论文、官方文档、头部企业的工程博客，这些能保证信息的技术可靠性和深度。第二层是可信的解读：关注那些有实际从业经验、不是纯粹写流量文章的人，他们对某个问题的分析往往比一手信源更贴合应用场景。第三层是高质量社群：加入一些小而美的行业社群，里面的人有共同背景、讨论问题够具体、愿意分享真实经验。这三层加起来，基本能帮你过滤掉 90% 的无效信息。

人脉圈的逻辑也一样。与其加几百个微信群每天看刷屏消息，不如维护好 20 个真正能深入交流的人。这些人最好分布在不同行业——这样当 AI 在你的行业发生变化时，你能通过他们的视角看到别处的应对方式。

4. 从"熟练使用工具"到"定义问题本身"：AI 时代的能力跃迁

前面部分讲了很多"应该做什么"的方法论，但我想再往下挖一层。现在很多讨论的焦点都停在"如何更好地使用 AI"，但我认为，这个问题的更底层其实是：AI 正在改变"人做什么"和"机器做什么"的分界线。而这条分界线的移动，要求我们重新定义自己的能力坐标系。

4.1 "AI 程序员"和"AI 时代的程序员"是两种完全不同的生物

现在有个热词叫"AI 程序员"，听起来好像会使用 AI 编程工具就是 AI 时代的程序员了。但实际上，"AI 程序员"和"AI 时代的程序员"是两种完全不同的生物。

"AI 程序员"做的事情是：向 AI 描述需求，把 AI 生成的代码粘贴到工程里，跑通就完事了。这种工作方式在简单功能开发、快速原型验证阶段确实效率很高，但一旦进入复杂的生产环境，就会出问题——代码质量参差不齐、安全隐患难以识别、架构设计缺乏全局观、问题定位无从下手。

"AI 时代的程序员"则是：把 AI 当作一个高效的编码助手，但自己的核心能力反而强化了那些 AI 不太擅长的事情——系统设计、架构决策、需求分析、代码评审、线上故障诊断、安全审计。

我打一个比喻。早期的工程师开发软件时，连内存都要手动管理，每一行字符都要小心翼翼；后来出了高级语言、框架、自动化测试工具，"程序员"这个职业非但没有消失，反而因为工作效率提升而创造了更多的岗位和更大的价值。现在的情况跟当年如出一辙。AI 会让编码实现的成本趋近于零，但"定义行为、验证正确性、评估系统性风险"的价值会水涨船高。

所以如果你想在 AI 时代保住自己的程序员生涯，路径其实非常清晰：不要在"写代码"这个维度上跟 AI 内卷，而是把精力投向"系统级思考"和"工程判断力"这些 AI 短期内无法替代的方向。

4.2 产品思维将成为所有人的底层能力

不仅是程序员需要重新定义自己的定位，我觉得 AI 时代所有人都值得补一层"产品思维"。

什么叫产品思维？用一句话概括就是：**始终从"用户的问题"出发来组织资源和技术，而不是从"自己会什么"出发。**过去分工细化的时代，很多人可以只做一颗螺丝钉，不用关心整个链路。但在 AI 时代，因为很多执行环节变便宜了，一个人能撬动的范围变大了，"能不能定义出一个值得解决的问题"成了最重要的分水岭。

举一个简单的例子。一位做电商运营的朋友，如果用传统思路工作，每天的工作就是上架商品、写详情页、投广告。AI 时代他可以怎么做呢？他可以自己用 AI 工具做产品调研，分析用户评论里的高频痛点；可以做竞品分析，找出自己产品的差异化空间；可以自动构建一套客服话术优化系统。这些工作以前需要 3-4 个人配合才能完成，现在一个人+AI 就能跑起来。但前提是——他得知道这些问题值得被解决，以及怎么定义这个问题的边界。

这就是产品思维的价值：它让你不会被"工具能力"限制住，而是把工具看成实现目标的一种手段。当你能定义出高质量的问题时，AI 是你的加速器；当你不具备这种能力时，AI 只是另一个让人更焦虑的玩具。

4.3 如何刻意练习"定义问题"的能力

聊到这里，肯定有人想问：那"定义问题"的能力怎么练？有没有具体的方法？

我分享几个自己一直在用的练习方式。

第一个练习是"5 遍追问法"。每当你接到一个任务或看到一个现象，不要急着动手，连续追问自己 5 遍"为什么"。举个例子：老板让你做一份 AI 工具调研报告。第一遍问：为什么需要这份报告？——因为准备在团队里引入 AI 工具。第二遍问：为什么要引入 AI 工具？——因为大家觉得工作效率低。第三遍问：效率低的关键环节在哪里？——是信息搜集。第四遍问：信息搜集用 AI 解决，是提升效率的最优解吗？——未必，可能需要先改进信息共享机制。第五遍问：那真正的问题到底是什么？——可能是团队的信息基础设施不够好。这个练习做完，你大概率会发现：最初的"问题"根本不是真正的问题。

第二个练习是"限制条件挑战"。给自己设置一些额外的边界，比如"如果今天只有 10% 的预算，你会怎么做？""如果必须在一周内上线，你会砍掉哪些功能？""如果不允许使用现有的方案，你会怎么设计？"这种练习能逼你跳出惯性思考，从更本质的环节去定义问题。

第三个练习是"向门外汉解释"。找一个完全不懂你行的人，用三分钟把你的核心工作讲清楚，让他能理解"你在解决什么问题、为什么这个问题重要"。如果你发现讲不清，往往不是表达能力的问题，而是你自己对问题的理解还不够透彻。

这三个练习都不需要工具，只需要你每天花 15-20 分钟。但长期坚持下来，你会发现自己的思维方式在发生明显的变化——从"怎么干"逐渐向"干什么、为什么干"迁移。这个跃迁的能力，才是 AI 时代最有价值的资产。

5. 最后聊点我的个人判断

写到这里，其实已经接近尾声了。我不太愿意做什么"总结展望"，但如果一定要我说说个人体会，我会说：

AI 时代最稀缺的能力，不是操作某一个新工具，而是在变化中依然保持判断力。判断力来自哪里？来自你对行业深度的理解、对一个好问题的敏感度、对内容本质的把握、对"什么在变、什么不变"的清醒认知。

我见过太多人把大量时间花在追逐新工具和新技术上，花在焦虑和比较上，却很少有人愿意花时间把一件小事做深做好。而历史上每一轮浪潮最后奖励的，恰恰是那些"把一件小事做得足够深入"的人。

所以我的答案其实很简单：**AI 时代的我们应该做些什么？——把 AI 当工具，把自己当人。**用工具去放大你的效率，用人类独有的判断力、创造力和共情能力去定义方向。该深耕的深耕，该坚守的坚守，该学习新东西的时候也别犹豫。这样等到下一轮"历史重演"的时候，你大概率会是那个站在价值创造期、淡定看着后来者恐慌的人。