最近关于 Notion 产品负责人的一段讨论又把一个老问题推到我面前AI 时代比技能更值钱的东西到底是什么。以前我可能会回答学习能力、沟通能力、管理能力但近几个月做了几个 AI 应用落地项目之后我的答案变了。真正拉开差距的是定义问题的能力、语境理解能力以及验收结果的品味。技能可以交给大模型判断力不行。我不想转述那段访谈里的原话毕竟访谈有标题党成分。我更想从实际操作层面拆一拆当 AI 编程、AI Agent、AI 产品经理这些词频繁出现时一个普通开发者、产品经理或内容工作者到底应该把时间花在哪里才不会被工具迭代甩掉。1. 先想清楚技能贬值到底在贬什么AI 时代说“技能贬值”不是所有技能都贬值而是贬掉了一层容易被自动化替代的技能。如果不把这个分层搞清楚很容易陷入“学新工具”的焦虑里。1.1 可复制执行层正在被 AI 吞噬先说最容易受影响的一层可复制执行层。比如把一段需求转化成固定模板代码、把一堆数据整理成标准报表、把一份录音转成格式工整的纪要。这些工作特点是规则明确、重复度高、结果可验证。大模型和 AI Agent 在这一层非常稳定只要输入标准输出也标准。我见过不少人花大量时间学某个 AI 编程工具的快捷键、学某个提示词模板好像掌握之后就能安全了。但工具本身迭代太快。今天学的新提示词可能下个月模型升级后就不需要了。真正危险的不是不会用工具而是你会的只有这一层。1.2 工具熟练度不是新护城河还有一层“看起来像技能其实只是信息差”的东西比如“我用过某款 AI 产品”“我会调某模型的参数”“我知道某个 AI Agent 框架”。这些在入门阶段有用但很难成为持续优势。原因很简单AI 工具的边际学习成本正在快速下降。界面越来越友好文档越来越完善社区案例越来越多。你今天花一周搞懂的部署流程半年后可能就是一个默认选项。所以在 AI 时代比“会不会用工具”更重要的是你能不能判断工具该用在哪、用到什么程度、结果算不算好。这种能力不是某一项技能而是围绕问题的综合判断。后文我会按能力拆开讲。2. 提出好问题的能力比“会用 AI”更稀缺很多团队引入 AI 后效果差异特别大。明明用的是同一个大模型、同一个工具有些人能做出完整方案有些人只能用 AI 生成几段“正确但没用”的文字。差别从哪里来从提问开始。2.1 从“怎么实现”转向“该做什么”过去我们习惯问这个功能怎么实现这段代码怎么写这个页面怎么布局在 AI 时代这些问题可以直接丢给模型。真正难的是我们到底要实现什么这个功能服务谁在什么场景下使用哪些约束不能动比如你让 AI 帮你写一个请假审批的小程序如果只问“给我一个请假审批的前端代码”你大概率得到一堆通用代码。但如果你先想清楚团队多少人、请假类型有几种、审批链有几级、要不要对接企业微信、超时未审批怎么处理再把这些约束给 AI结果会完全不同。这就是从“执行者思维”切换到“定义者思维”。技能是解决已知问题判断力是识别真问题。2.2 用验收标准反向训练提问怎么训练提出好问题的能力我的方法是用验收标准反推。在向 AI 提问之前先写下什么样的结果算通过要包含哪些信息边界是什么比如写一份产品需求文档验收标准可能包括新用户能否看懂流程、开发能否估算工作量、边界条件是否覆盖。有了这些标准你会自然补上上下文。如果 AI 给你的输出没达到标准你也能明确指出缺在哪而不是笼统地说“感觉不对”。所以建议每次使用 AI 工具前多花 30 秒写清楚任务、对象、背景、约束、输出格式。这不是提示词技巧而是你的业务理解在起作用。3. 语境理解能力AI 的上限取决于你给的上下文AI 模型本身的能力上限是一回事你给它的上下文是另一回事。同一个模型在不同人手里跑出来的效果可以差很多。原因不是模型变了而是语境理解能力不同。3.1 相同模型不同输入结果天差地别我在实际项目里测过给 AI 一个简单的任务“写一篇产品介绍”它写出来的内容非常空。补齐产品定位、目标用户、核心功能、竞品差异、品牌语气之后它写出来的内容才像人话。这不是 AI 偷懒而是你给的信息太少。模型只能根据概率猜你需要什么。你不提供背景它就只能堆通用表达。这不叫 AI 幻觉叫输入信息不足。还有一种情况更隐蔽你提供了大量资料但资料本身有噪声。很多人以为“给越多越好”结果把几十页需求文档全丢进去AI 反而抓不住重点。语境理解能力不只是“给多少上下文”还包括“筛选哪些上下文”。3.2 把临时会话升级成项目上下文普通用户和高效用户之间差别往往是会不会建立项目上下文。普通用户把 AI 当搜索引擎搜一个问题拿到答案关闭窗口。高效用户会把 AI 当成参与项目的协作角色先把项目目标、背景、规则、关键决策喂进去再让模型在同一个上下文里持续输出。这也解释了为什么最近 AI Agent 和 AI 应用开发这么热。AI Agent 本质上就是让模型在一个长期任务里不断带上下文执行。没有足够的语境支撑Agent 很容易跑偏。本地部署 AI、模型部署等工作流核心也是在解决上下文、权限和稳定性问题。如果你正在做 AI 产品经理或 AI 工程实践可以把“上下文设计”当成一个核心环节。它比调参更能影响最终效果。4. 品味、产品感与验收标准AI 输出的最终闸门AI 能快速生成大量内容这是优势也是麻烦。因为生成速度越快垃圾内容越多。什么算垃圾这就需要一个非常主观的判断标准我把它叫做品味和产品感。4.1 为什么 AI 生成物总差一口气你有没有遇到过这种情况AI 写的文案语法通顺逻辑也没问题但就是“没有灵魂”。AI 画的设计稿构图完整但品牌感不对。AI 写的代码能运行但架构一塌糊涂。问题出在验收者自己身上。如果验收者只能判断“好不好看”“顺不顺”却说不清“哪里不符合目标”“哪里偏离用户预期”那 AI 就会一直输出平庸结果。我一般会建立一套属于自己的验收清单。比如写文案时看立场是否明确、信息密度是否够、情绪节奏是否对、结尾有没有行动指向。看代码时看有没有考虑边界条件、错误处理是否完整、模块边界是否清晰。看视觉方案时看品牌识别是否延续、核心信息在首屏是否突出。4.2 搭建基础验收清单不用一开始就搞复杂可以从五个问题开始这个输出解决了谁的什么问题核心结论是否在开头 20% 的位置出现有没有包含可验证的数据或依据如果换一个人执行会不会产生歧义哪些部分只是“表面合理”实际经不起推敲每个领域都可以有自己的验收清单。关键是不要只依赖“感觉”。AI 时代感觉会被幻觉带偏清单才能守住底线。5. 从单点技能到闭环能力AI 时代的组合打法一项技能再熟练孤立的性价比也在下降。AI 时代更有价值的是闭环能力你能从问题出发调用 AI 和其他工具完成一个可交付的结果并持续优化。5.1 单点技能容易复制闭环能力很难比如你只会用 AI 写提示词这只是单点技能。但如果你能把一个问题拆成背景资料、任务定义、输出格式、验收标准然后通过 AI 生成初稿自己加工成方案再复盘哪里效果差这就形成了闭环。闭环能力的特点是它需要多种能力组合难以被单一模型替代。模型可以替代你写初稿但没办法替你和业务方确认需求没办法替你在真实用户那里做验证也没办法替你承担决策责任。这也是为什么现在的招聘和项目协作里AI Agent、AI 应用开发、AI 工程实践这些关键词会频繁出现。因为团队需要的不是一个“会问 AI 问题的人”而是能把 AI 嵌进业务流程、让结果可度量的人。5.2 把 AI Agent 放入真实工作流而不是当高级搜索我建议从小闭环开始。不一定要开发复杂的 AI Agent可以先在现有工作流里加一个“AI 助手”角色。比如内容团队让 AI 负责初稿和资料检索人工负责选题判断和终稿审核开发团队让 AI 负责生成常规代码和单元测试人工负责架构设计和代码评审。跑通之后再把循环收拢成 Agent固定输入格式、固定输出目录、加入失败重试和日志记录。这时候你会发现AI 工具最重要的已经不是单个 Prompt而是任务队列、输出命名、异常处理、数据反馈这些工程化问题。这也是“从技能到闭环”的关键一步把 AI 当伙伴而不是玩具。6. 能力“卡住”时按这个顺序排查自己职场能力提升也一样会遇到“报错”。有时候你觉得自己已经很努力学 AI 了但产出没有明显提升。这时候不要急着换工具先按顺序排查。6.1 先看方向再看工具最后看参数我的排查顺序是方向对不对你当前做的问题是不是真问题服务对象是不是明确输入够不够你有没有把自己知道的业务背景、约束条件、目标说清楚工具顺不顺是不是选错了工具或者根本没用到某功能参数准不准模型版本、温度、上下文长度、并发设置这些是不是合理反馈有没有你有没有从结果里提取经验形成下一次迭代依据大部分“AI 用了没效果”问题不是出在工具而是出在方向和输入。比如有人让 AI 生成一段代码但没说明运行环境、依赖版本和预期行为报错之后又归咎于模型能力不足。这属于输入没给够不是 AI 不行。6.2 区分 AI 幻觉、信息缺失和个人误判AI 生成的内容质量差常见原因有三种第一是 AI 幻觉。模型一本正经地编造数据、引用不存在的论文或接口。这种情况需要你具备领域知识去验证。第二是信息缺失。你给的背景太少模型只能用高概率内容填充。第三是个人误判。你对任务理解不到位验收标准模糊才会觉得输出不对。遇到问题先判断是哪一种再决定下一步。如果是幻觉补约束和验证机制如果是信息缺失补上下文如果是误判重新定义问题。学会区分这三个原因能省下大量反复试错的时间。7. 训练自己的四个具体动作前面讲了很多认知层面的内容最后给几个可以直接落地的动作。7.1 每周拆解一个真实决策不管你做产品、开发还是运营每周找一个真实的决策写清楚背景是什么、有哪些可选方案、我最后选了哪个、为什么。然后用 AI 生成一版建议对比自己原来的判断。这个动作能训练“提出好问题”和“识别关键变量”的能力。7.2 强制让 AI 给出两个备选方案不要满足于 AI 输出的第一个答案。让模型生成两个差异明显的方案并各自说明优缺点。这个习惯能帮你建立对比视角也能减少锚定效应。很多时候第一个答案不是最好的只是最稳的。7.3 记录“哪些上下文救回了结果”准备一个文档专门记录你给 AI 补充了哪些背景后输出质量明显变好。比如“加上用户画像之后文案更精准”“加上技术栈约束后代码可直接运行”“加上风险边界后分析更全面”。这些记录就是你的 AI 使用资产比任何提示词模板都值钱。7.4 做一次从问题到交付的完整闭环找一个 2 到 3 天能完成的小任务强迫自己走完整个过程定义问题、准备上下文、使用 AI 生成、人工审查、交付、收集反馈。不需要追求复杂关键是把每一个环节都走一遍。你会发现卡住你的往往不是 AI而是定义问题时的犹豫和交付前的不敢拍板。收个尾回到开头那个问题AI 时代比技能更值钱的是什么。我的判断是技能本身仍然需要但它更像一种基础材料。真正决定价值的是你能否围绕一个真实问题把判断、语境、品味和闭环能力串起来。技能可以外包给模型判断力不行模型可以帮你执行决策责任还是要自己承担。如果你正在学 AI 应用开发、AI Agent 或者本地部署 AI也不用急着追所有热点。先把手头一个任务做成完整闭环把输入、输出、反馈整理清楚再把经验复制到下一个任务。踩过几次坑之后你会发现很多问题不是工具不够强而是你在问题定义和验收标准上偷了懒。