随着AI能力的提升，大部分使用者对AI的使用心态可以分为两种：

• 效率心态：我已经会做 A，用 AI 让我做 A 更快 → 产出量提升；

用AI做自己擅长的事，收益是线性的，本来一天能写3篇方案，用AI之后能写6篇，产出翻倍，但能力边界没有变。

• 成长心态：我不会 B，用 AI 让我能做 B → 能力边界扩张；

用AI补短板，收益是结构性的，直接突破了原来的能力天花板，能进入以前不了解的领域。

准确地说，前者是工具，后者是杠杆。

Part 01 为什么很多人困在“效率心态”里?

但是为什么大多数人默认选效率心态？

1.认知盲区

部分人对AI的认知停留在”它是一个更聪明的搜索引擎”，只会用它写东西、查信息、生成内容。用AI进入一个陌生领域、让AI带着自己从零建立判断力，这个可能性从没出现在他们的认知地图里。

2.心理安全感与掌控感

人在熟悉的领域用 AI，有判断力能看出 AI 对不对，心理上更有安全感，也有掌控感。

3.对陌生领域的“双重无知”

尝试过用AI探索不熟悉的领域，但不知道怎么问问题。很多人尝试过后就放弃的原因不是AI不够好，是他们在陌生领域里不知道该问什么。在自己擅长的领域人是有问题意识的，知道哪里有坑，知道什么值得深挖。但在短板领域，他们连”我不知道什么”都不知道。这叫双重无知：不知道，且不知道自己不知道。

所以容易问出宽泛的问题，得到的答案很表面，结果是和AI的交互质量很差，自然觉得这条路走不通。

4.难以克服的“延迟满足”

还有一点是看不到短期收益，反馈效果很慢。提高效率的收益是即时的，今天用今天见效，任务完成有成就感。

而拓宽能力的收益是延迟的，今天学了一个陌生领域的概念，不知道什么时候才用得上，不知道自己到底有没有真的理解，更不知道这件事值不值得继续投入。

人类大脑天然偏向即时奖励。当一件事看不到短期回报，大多数人会在第三次尝试之后自然放弃，甚至给自己一个合理化的理由：我现在太忙了，等有空再说。

建立“判断力”

所以你会看到一个现象：用AI越久的人，不一定越会用，他们只是在自己熟悉的方式上越来越熟练。以为自己在用AI补短板提高能力，实际做的只是把问题临时交给 AI 处理。

比如不懂合同，就让 AI 审核；用完关掉，下次还是一样。AI 在这个过程是一个随手可用的工具，能帮你把眼前这一步走过去，但并没有真正学会什么。这种用法本身没有问题，只是它带来的提升很有限，因为你对这个领域的理解没有增加，判断也没有变强。

真正靠 AI 成长的人，做法会更深入一些。还是同样面对合同问题，他会继续追问，这个条款为什么有风险？同类合同里这个位置通常写什么？如果对方不改，我有什么谈判空间？几次之后，他开始有了基本的合同语感，知道哪里要警惕，知道什么时候必须找律师。

这里的区别是有没有在与AI交互的过程里建立判断力。判断力就是下次遇到类似问题，你能大致知道对不对，能提出正确的问题，不会被一个明显的错误答案糊弄过去。

有判断力，才谈得上驾驭AI，否则只是你在依赖它。高级的使用方法是借助AI加速自己内化，建立判断力，拓宽视野、提升自我认知。

Part 02 如何用AI突破能力边界？

你只需要选一个短板，最好是你最近三个月里反复遇到、每次都觉得麻烦、又总是靠着直觉处理的问题。可能是合同，可能是财务，可能是写方案的方法，也可能是某个你一直想学、却始终没学会的领域。下次遇到它的时候，不要只让 AI 给答案。让它解释概念，举例子，讲边界，给你反例，陪你一步步拆解。你不需要一次就学会，只要开始建立判断力就够了。

因为判断力的起点，就是知道什么是对的，什么不太对；什么能信，什么要核实；什么是结论，什么只是表面说法。

Part 03：AI工具也需要挑选

前面说的都是怎么用AI。但还有一个问题是你用的是哪个AI，用对场景了吗？

龙虾（OpenClaw）、Claude（Claude Code）、Codex（OpenAI Codex / computer-use）三个主流工具的能力结构有些差异，交叉使用可能会事半功倍。

1. 龙虾（OpenClaw） 开源桌面级 AI Agent 框架

本地运行的个人 AI 助手，“真正能做事”（clears inbox、send emails、管理日历、浏览器操作、读写文件、shell 命令）。通过微信/飞书等聊天工具交互，支持多渠道、多 Agent 协作、持久记忆、Skills（技能插件）扩展。还支持 Claude、OpenAI/Codex、本地模型等作为后端大脑。

• “动手”能力最强：完整端到端自动化（浏览器、文件系统、应用控制），可 24/7 待命、cron 定时任务、多 Agent 团队协作。

• 高度开放与生态：3200+ 社区 Skills，开源免费，可完全自定义（AI 自己写 Skill）。隐私本地化，支持云部署（AWS 等）。

短板：

• 成本与稳定性易失控：重度任务 Token 消耗巨大；幻觉或配置错可能误操作，安全风险高（需要人工监督）。

• 学习曲线：初期有一定学习曲线，新手第一步是学会“养龙虾”。

适合：自动化需求高，自定义多 Agent 的人，跨 App 自动化、个人/团队助手。

2. ClaudeCode   顶级 Agentic Coding 工具

Agentic coding 环境，能读取代码库、编辑文件、运行命令、集成 IDE（VS Code/Cursor）。支持计划审查、@mention 文件、多会话。强调安全、对齐、复杂推理。

• 推理与结构化能力最强：代码审查、复杂规划、文档规范极佳，长上下文处理优秀。现在新增 Channels（聊天工具直连）、Agent Teams 等，已“龙虾化”。

• 编程体验顶尖：交互过程中会主动做端到端测试，遇到报错自己处理，在代码深度重构、Code Review、跨文件复杂推理上，Claude Code持续优于Codex。适合需要严格遵守项目规范、有复杂治理需求的团队。

短板：

• 自主执行初始较弱：早期需用户驱动，虽有 computer-use 进化，但框架化程度仍不如 OpenClaw 开箱即用。

• 执行速度较慢（尤其是复杂任务） ，容易触发上下文压缩，耗时多。

• 创意保守：部分创新任务不如 OpenAI 激进。

最适合：大型项目重构、Code Review、需要高度可控和项目规范强执行的场景。

3. OpenAI Codex  编码 + 桌面操作 Agent

可读取/编辑/运行代码；computer-use 支持查看屏幕、截图、点击/输入/操作 UI（macOS 优先），后台多 Agent 并行，扩展到全电脑应用。

• 代码生成速度与算法创意突出：快速原型、巧妙解法强；computer-use 已成熟，可直接操作桌面应用。

• 生态集成好、迭代快：与 ChatGPT 账号无缝，背景任务、图像生成、偏好记忆优秀。

• 性价比在轻度场景更高：响应快，适合实验性任务。

短板：

• 结构化维护性稍弱：大项目易忽略整体架构，需人工校正（Claude 在这方面更稳）。

• 安全与精确度：在配置环境和debug方面经常需要手动介入。

• 架构优势：在并行后台任务委托、多线程工作规划、批量研究执行上，Codex的云端沙盒架构更有优势

最适合：需求明确的小任务、快速原型、并行委托多个独立任务、预算有限的独立开发者。|

• 省心直接用 Claude Code（+ Channels）或 Codex，很多场景已“秒杀”早期龙虾，且可以用账号登录，重度用户比API更便宜。

• 极致自动化可用龙虾框架 + Claude/Codex 双后端，（Claude 思考 + Codex 代码）多Agent并行。

注：本公众号文章仅用作分享交流，版权与观点均属原创作者。如有错漏或侵犯您的权益，联系我们进行更正或删除。