夜雨聆风你今天收藏的 AI 工具，三个月后可能过时。
但你持续追问的问题，会越来越值钱。
每天都有人晒工具、模型、用量、提示词、自动化流程。看上去每个人都在变强，实际上很多人只是在把焦虑换成收藏夹。
工具焦虑的本质，不是工具太多，而是人没有一条自己的主线。
没有主线，任何新工具都会像机会，也像一张新的欠条。今天是图像模型，明天是视频生成，后天是 Agent 平台。你不是在学习，而是在偿还一种永远还不完的信息债。
真正的问题是：这些工具到底服务于你哪个长期问题。
如果没有这个问题，工具越多，注意力越碎。看似选择变多，其实判断被稀释。看似效率提高，其实只是把低价值动作做得更快。
工具是消耗品，问题是资产
AI 工具有一个残酷的特点：它们会快速互相替代。
今天一个独立产品能做的事，明天可能被大模型原生能力吃掉。今天一个很贵的工作流，过一段时间可能变成免费功能。工具的红利周期越来越短。
这不是说工具不重要。工具当然重要。它是杠杆，是放大器，是把想法变成结果的机器。
但杠杆本身不是资产。资产是你知道该撬动哪里。
一个人如果长期追问“我所在行业的信任成本为什么这么高”，他会用 AI 去整理案例、比较报价、拆解合同、复盘成交失败。换一个工具，他仍然知道要问什么。
另一个人如果只是追逐“最近哪个工具更强”，他每换一次工具，都要重新寻找意义。
工具给你的是执行半径，问题给你的是方向感。执行半径会被新工具重写，方向感却会越用越准。
问题库如何驱动学习
很多人做个人知识库，是把信息放进去。文章、书摘、网页、PDF、会议纪要，越堆越多，最后变成一个更漂亮的仓库。
但真正有用的知识库，不是资料库，而是问题库。
资料库的默认动作是保存。问题库的默认动作是追问。
同样读一篇文章，资料库会摘一句金句，问题库会问三个问题：它解决了什么真实场景；前提条件是什么；有没有反例能推翻它。同样和 AI 对话，资料库会保留答案，问题库会记录这次提问为什么有效，哪里失真。
学习之所以能复利，不是因为你记住了更多内容，而是因为你形成了更稳定的筛选标准。
一个持续的问题，会自动召唤相关信息。你长期关心“写作如何形成可验证的判断”，就会在读书时看到论证结构，在商业案例里看到叙事成本，在 feed 里分辨情绪和机制。
这时，AI 的价值不再是替你回答一切，而是替你扩展问题的边界。
你可以让它给出十个案例，五个反例，三个行业对照，一组判断标准。你不是把思考外包给 AI，而是把材料搜索和角度穷举交给 AI。真正留在你手里的，是取舍。
AI 越强，越考验人有没有自己的问题。没有问题的人，会被答案淹没。有问题的人，会把答案变成证据。
三类问题，决定长期复利
一个普通人不需要一开始就建立庞大的知识系统。真正值得长期维护的问题，通常只有三类：职业问题、资产问题、表达问题。
职业问题，决定你靠什么获得可托付的价值。
它不是“我该学哪个工具”，而是“我在哪类复杂问题上，比别人更值得被托付”。一个产品经理的问题库，可能不是“怎么写 PRD”，而是“用户抱怨背后到底是哪类成本没有被看见”。一个运营的问题库，也不是“怎么做增长”，而是“什么样的增长会带来后续服务成本，什么样的增长会沉淀信任”。
职业问题的核心，是从技能清单转向责任结构。
资产问题，决定你把时间和钱配置到哪里。
这里的资产不只是不动产、股票、现金流，也包括品牌、信用、作品、关系、数据、方法论。问题不是“今年买什么”，而是“哪些东西在未来三到五年还能保持可移动性和议价权”。
资产问题的核心，是识别什么能复利，什么只是涨价幻觉。
表达问题，决定你的判断能不能被别人理解和传播。
AI 让写作变便宜，但也让普通表达更便宜。未来真正稀缺的不是会写，而是能把复杂判断压缩成清晰结构。一个人能不能把经验讲成案例，把案例讲成机制，把机制讲成一句可验证的判断，会直接决定他的影响半径。
表达问题的核心，是把模糊经验变成可交付的认知产品。
三者合在一起，一个人的问题库才不是笔记软件里的文件夹，而是一套不断进化的判断系统。
AI 最适合扩展案例和反例
建立问题库，不是关起门来苦思。
恰恰相反，AI 最适合做的，是把一个问题放到更大的样本里。
比如你在做项目复盘，发现“用户没有付费不是因为不需要，而是因为决策链太长”。过去你可能只能凭经验判断。现在你可以让 AI 列出 B2B 服务、企业软件、教育培训里的类似场景，再给出反例：有没有产品决策链很长但仍然能快速成交。
一个问题经过案例和反例的来回冲刷，才会变硬。
只找案例，容易自我确认。只找观点，容易空转。案例让问题落地，反例让判断变得可验证。
读书笔记也一样。不要只摘抄作者说了什么。更值得记录的是：这段话能回答哪个长期问题；它新增了一个案例，还是推翻了一个旧判断；它能不能变成下一次决策前的检查项。
AI 对话记录更是如此。
不要保存每一次漂亮回答。保存那些让你问题升级的对话。比如它指出了一个你没想到的约束，给了一个反例，或者把混乱问题拆成几个可验证变量。
真正有价值的 AI 记录，不是答案归档，而是问题进化史。
用 30 天搭建自己的问题库
这件事可以很轻，不需要复杂系统。
第一周，只做一件事：收集问题。
每天写下三个你反复遇到的问题。来自工作、投资、写作、项目复盘都可以。不要急着回答，只记录。标准只有一个：这个问题三个月后还会不会重要。
第二周，给问题分类。
把问题放进职业、资产、表达三类。每类保留不超过五个。问题太多，本质上还是没有主线。好问题应该能持续吸收材料，而不是今天问完明天就过期。
第三周，用 AI 扩展样本。
每个问题都让 AI 帮你找案例、反例和判断标准。提示词不需要复杂：给我十个真实场景；给我五个反例；总结这个问题在什么条件下成立，什么条件下不成立。
第四周，把问题变成检查项。
这一步最重要。问题库不是用来摆放的，是用来影响行动的。职业问题可以变成项目启动前的三条检查，资产问题可以变成投资前的五个判断，表达问题可以变成写作前的结构卡片。
30 天之后，你不一定会拥有一个庞大的知识库，但会拥有一套更清晰的注意力系统。
你会更容易判断一条信息值不值得读，一个工具值不值得学，一个机会值不值得投入。因为你不再用“新不新”来判断价值，而是用“能不能推进我的长期问题”来判断价值。
AI 时代的个人护城河，不是比别人多知道十个工具。
工具会降价，答案会泛滥，执行会被自动化。
真正能留下来的，是你反复追问什么，如何验证它，以及能不能把它变成下一次更好的判断。
