AI落了很多文档之后,我反而变得越来越模糊了

祁峰的日常：一个 INFP、高敏感小蝴蝶人格的 AI 探索者。在这里，没有过度的“AI 味”，只有真情流露的实战心得、日记式的思考与感悟。希望能在这片数据森林里，和你一起飞翔。

关于 AI、知识库、梳理能力，与最近的一些真实思考

最近这段时间，我一直在疯狂地和 AI 协作。

工作里用 AI 做需求梳理、分析数据链路、写工程代码；生活里也会用 AI 去整理自己的知识库、记录思考、沉淀文档。

但慢慢地，我突然意识到一件事：

有些事情，AI 可以替代执行。但“理解”这件事情，最终还是只能靠人自己完成。

这篇文章，算是我今天的一次阶段性思考。

因为我发现：

AI 真正改变我的，并不是效率。而是它逼着我重新去思考——“人到底应该在 AI 协作里承担什么角色？”

一、最近做 AI 项目时，我开始重新理解“梳理”

最近在工作里，我一直在梳理数据仓库的上游链路。

这个过程非常复杂。

一个指标、一个字段、一个枚举值，背后可能都牵扯着：

上游埋点逻辑；
数据加工链路；
SQL 口径；
业务规则；
bad case；
不同团队之间的历史遗留问题。

刚开始的时候，我其实已经意识到了：

“梳理”这件事非常重要。

但后来我发现，我忽略了一件更关键的事情：

“梳理”这件事，主体必须是人。而不是 AI。

这是我最近最大的认知变化。

以前我会习惯性地：

把问题一股脑丢给 AI；
让 AI 去总结；
让 AI 去输出文档；
让 AI 给我一个完整全貌。

但慢慢地，我发现一种非常奇怪的状态：

AI 好像已经懂了。但我自己，其实并没有真正懂。

于是最后会变成：

人不停追问 AI；
AI 不停继续解释；
人继续追问；
最终协作关系完全反过来了。

这种感觉其实很难受。

因为你会发现：

自己逐渐失去了“主动理解”的能力。

二、这次AI 更适合做 copilot

后来我慢慢调整了自己的协作方式。

尤其是在数据仓库链路梳理这种复杂场景里。

我发现更合理的方式其实是：

不要让 AI 一次性解释整个世界

而是：

人先提出具体问题；
AI 协助回答；
人再继续拆问题；
再继续问。

一点一点去推进。

比如：

不是直接问：

“帮我梳理整个上游链路。”

而是：

这个指标从哪里来的？
这个字段为什么会为空？
这个枚举值是谁定义的？
为什么这个 SQL 要这么写？
这个 bad case 为什么会出现？

逐个击破。

因为很多知识，其实是必须被“内化”的。

它不是：

看懂一次；
AI 给过解释；
文档写下来；

就真的属于你了。

三、我开始重新理解“文档”这件事

最近还有一个很大的感触。

就是：

AI 太容易生成文档了。

于是问题也来了。

我之前会习惯性地：

用 AI 落文档；
用 AI 总结；
用 AI 生成 SOP；
用 AI 帮我整理知识库。

前期其实很爽。

因为感觉：

所有东西都被记录了；
所有思考都有沉淀；
AI 和记忆形成了某种闭环。

但时间一长，我开始痛苦了。

因为知识库开始变成：

文档越来越多；
内容越来越重复；
不同文档之间开始互相冲突；
指导性的内容和真实代码逻辑开始不一致。

最可怕的是：

它会让人产生一种“我已经理解了”的幻觉。

但其实没有。

后来我慢慢意识到：

如果自己都还没想清楚，那就不能让 AI 直接替你写最终文档。

因为：

AI 可以生成“表达”；
但理解必须来自人自己。

同时我也请教了身边的大佬这个问题，

大佬总是一语中的：

“AI 生成的文档，最终到底是给谁看的？”

我想了很久。

后来我发现：

这个问题非常本质。

如果：

自己已经完全理解了，

那其实根本不需要写那么多文档。

而如果：

自己都还没理解，

那就更不能完全让 AI 去替自己记录。

因为最终真正需要被“整理”的：

不是文档。

而是人的认知。

四、我现在的做法：只让 AI 当“问答 copilot”

我现在会单独维护一个“人工梳理文档”。

这个文档有一个原则：

坚决由人自己维护。

AI 不直接写最终内容。

它只负责：

解答问题；
补充信息；
提供思路；
辅助分析。

而真正的整理、沉淀、输出，还是我自己来完成。

因为只有这个过程，知识才会真正进入脑子。

现在我的工作流会更像这样：

自己先提出问题；
和 AI 对话；
AI 给出方向；
自己继续思考；
再重新整理成自己的语言；
最后再沉淀进文档。

这个过程虽然慢。

但我发现：

真正的理解，本来就是慢的。

五、国产模型，其实重新刷新了我的认知

还有一个挺有意思的变化。

是我最近开始大量使用国产模型。

以前我其实一直默认：

“最重要的事情，必须交给最强模型。”

所以：

Claude Code；
Codex；
GPT；

基本是主力。

甚至以前心里会下意识觉得：

国外模型就是更强。国产模型不太行。

但最近在做“梳理型工作”时，我发现：

其实根本不需要特别强的模型。

像：

Kimi
Minimax
GLM

这种国产模型，已经完全够用了。

尤其是：

链路梳理；
问答；
知识理解；
文档辅助；

这些偏“copilot”的工作。

它们已经足够好。

这反而让我有一种很踏实的感觉。

因为现在 Claude Code 的额度越来越紧张。

当我发现：

国产模型已经能承担大量基础协作工作时，

我突然会觉得：

“自己的 AI 家底厚实了很多。”

这种感觉还挺幸福的。

六、一篇热帖，又让我重新思考“知识库”这件事

今天还有一个启发我的事情。

是我看到 X 上看到的一个被大佬们接连转发的文章：

出自Anthropic 的 Claude Code 团队成员 Thariq Shihipar 发了一篇博客：《The Unreasonable Effectiveness of HTML》

用 AI 生成 HTML 页面，替代 Markdown 知识库。

然后也和一些做 AI 产品的人聊了这个问题。

因为我自己，其实也已经遇到了类似的问题。

我之前已经把本地知识库，通过 HTML 页面化展示过一次。

因为我发现：

Markdown 在文档越来越多之后，会越来越割裂。

而 HTML 页面化之后：

信息层次会更强；
页面节奏更清晰；
阅读负担会降低；
信息转化效率会更高。

所以这个方向，其实我很认同。

七、HTML 也不是终点

所以后来我又意识到：

HTML 其实也只是“表现形式”的优化。

它确实能：

提升阅读体验；
提高信息转化效率；
降低认知负担。

但它依然解决不了一个核心问题：

信息组织。

因为随着文档越来越多：

即使是 HTML，依然会：

分散；
冗余；
混乱；
冲突。

所以最后我发现：

真正重要的，从来不是 Markdown 还是 HTML。

而是：

人到底有没有真正理解这些东西。

八、AI 时代，写作能力反而变重要了

最近还有一个感触特别深。

就是：

AI 越强，写作能力反而越重要。

以前总觉得：

AI 都能写了，人还写什么？

但后来我发现：

AI 可以替代“表达”。

但不能替代：

思考；
感受；
理解；
认知形成。