最近在工作中，我经常产生两种感受。

第一种发生在接触新的中间件、技术或者框架时。借助 AI，我可以很快完成接入，获得一个能够运行的结果。但使用了一段时间以后，我可能依然没有真正掌握它。一旦遇到文档之外的问题、复杂故障或者架构取舍，我才会意识到，自己掌握的只是完成任务的路径，还没有形成对这个领域的理解。

第二种发生在工作总结、汇报和分享中。我脑中可能只有一个模糊的想法，AI 帮我把它扩展成完整的观点和框架，最后再由我判断、修改和润色。最终成果可能很好，但那段最重要的思考，并不是由我独立完成的。

前一种情况会形成“能力债务”。AI 缩短了从问题到成果的距离，却也可能跳过建立能力所需的过程。真正的专业能力，不是记住所有 API 和操作步骤，而是在头脑中形成一个领域的因果模型和判断标准：知道它为什么这样工作，改变条件后可能发生什么，出现异常时应该提出哪些假设，以及在什么情况下不应该使用它。能力债务平时隐藏在正常运行的结果下面，只有当环境变化、AI 无法解决问题时才会暴露。

后一种情况则是思考能力的外包。看到一个完整观点后觉得“这正是我想表达的”，并不等于这个观点是自己推导出来的。AI 一旦先给出框架，就会定义问题的边界和思考的方向。我们虽然仍在判断和调整，却越来越像在回答选择题：能够从已有答案中选出更好的一个，却减少了从空白出发定义问题、建立联系和创造新方向的机会。

因此，使用 AI 的关键不是简单地多用或者少用，而是先区分场景。

如果面对的是自己已经掌握的知识，任务只是重复劳动或效率加速，那么可以让 AI 大幅参与。此时我们拥有判断结果好坏的能力，AI 主要替代的是执行成本。

如果面对的是陌生领域，目标不只是完成任务，还包括学习，那么 AI 应该成为帮助理解和成长的助手，而不是直接交付答案的人。它更应该解释原理、提出问题、给出提示、提供反例，帮助我们建立因果模型。这个过程很像习题册中的教学部分和答案部分：在没有 AI 的时代，人同样可以直接抄答案完成作业，但完成作业从来不等于学会。答案不是不能看，关键在于它是在独立尝试之前出现，还是在尝试之后用来反馈和纠错。

第三种是需要深度思考和内化知识的场景。在这种情况下，不要让 AI 首先给出观点、框架和答案。可以先自己写下一个不完整、甚至并不成熟的版本，明确自己的观察、解释、证据和疑问，然后再让 AI 进入，帮助寻找反例、挑战假设、补充视角，激发更多思维火花。

这就像和一位专家对话。如果自己没有任何思考，即使和专家谈了很久，最多也只是在结果上逼近了专家的答案，很难真正把他的理解变成自己的能力。只有当双方都带着各自的问题模型和初步判断进入对话，观点之间才可能发生碰撞，并共同创造出原本不存在的新想法。

所以，在真正需要学习和思考的地方，AI 不应该第一个进入，也不应该缺席。

参考阅读：