夜雨聆风1 - 供给上下文
AI时代的瓶颈不是AI的能力，是你给AI的上下文。
AI已经能读取文件、使用工具、执行操作，但大多数人花最多时间用AI，收获却最少。关键不再是哪个AI更强，而是你能否在正确的时间给AI正确的信息。
Tiago Forte叫停了自己的"第二大脑"课程，因为ChatGPT出现后，记忆外包的下一跳不再是数字笔记。他提出的新框架叫PCM（个人上下文管理），取代了过去的PKM（个人知识管理）。
当AI的能力不再是瓶颈时，信息筛选和上下文组织就成了新的瓶颈。同样用Claude，有上下文和没有上下文，输出质量差十倍。
你的笔记、文档、思考体系，就是你给AI的"原材料"。原材料不行，再好的模型也出不了好结果。
2 - 传递信任
需要传递信任的沟通场景，人优于AI。收件人会在脑中自动运行图灵测试。冷启动沟通（冷邮件、首次提案、客户接触）如果让AI写，信任在被说服之前就崩塌了。
Paul Graham公开声明：他从未读完过任何一封AI生成的创始人邮件。
原话："不是写得不好，而是感觉就像被骗了。一旦收件人意识到内容不是你写的，注意力就从你的产品转移到了你的诚意上。"
俄亥俄州立大学的研究佐证了这一点：收件人对AI生成消息的评价更负面，认为发送者懒惰、不真诚。BetterUp调查1150名员工发现：53%对AI生成内容感到恼怒，三分之一不想再与发送者共事。
Graham进一步指出："任何青少年都能做到。"当某项技能被工具完全商品化后，展示"我会用这个工具"不再传递能力信号，反而传递"我不想自己花时间"的信号。BetterUp据此把AI使用者分为两类——"飞行员"（用AI增强能力）和"乘客"（用AI逃避工作）。
3 - 判断力
判断力是财富积累的最后一项技能，其他一切都在为它打工。信息和知识廉价——互联网把人类所有知识塞进了一个随时可查的设备。但判断力无法外包。它只能通过长期经历、高质量失败和持续反思来锻造。
Claude或者ChatGPT，基本和你在某个领域的能力一样好。强开发者得到10倍提升，初级开发者得到2倍提升。
Max Hodak举例：架构选择——选Postgres还是MongoDB——是判断力占主导的环节。AI在这个环节会反映你的水平，不是模型的能力。Guillermo Rauch补充：初级开发者也能通过AI拿到超出自己水平的代码，但天花板就是他自己设定的。
Naval Ravikant从互补角度说了同一件事：他二十年没写代码，但通过Agent重新开始大量构建。因为理解软件工程的基本原理就够了——不需要跟每一种新语言和新框架，AI填细节。前提是你得有原理级别的判断力。
Tiago Forte用"边界智能"这个概念来说明：智能的本质不是你记住了什么，而是你能访问和整合什么，尤其是在知识的边缘地带。当AI能存储和调用几乎一切信息时，人类真正的优势变成了"在模糊地带做出高质量判断"的能力。
AI抹平了"随机摩擦"——怪异的bug、调试地狱、缺一行的配置。摩擦消失后，剩下的竞争维度是判断力、品味、问题定义能力。
4 - 解读力
数据丰富时代，真正的优势是解读力，不是获取力。
所有人都拥有相同的数据来源，竞争优势的分水岭变成了——你能不能问出“总数是多少”和“与什么相比”这两个基础问题。80%的数据驱动结论经不住这两问。
每次看到任何数据结论，先追问两件事——这个数字的分母是什么？和什么东西比出来的？没有分母的数字、没有参照系的增长，都不是信息，是噪音。
AI可以调出任何数据，但判断这个数据意味着什么、是否可信、遗漏了什么——这些事情需要人来做。在数据丰富时代，解读能力才是真正的稀缺资产。AI能告诉你"本月增长了15%"，但不能替你判断"15%是好是坏、和谁比、分母合理吗"。
5 - 意义理解
人类智能以"意义"为驱动，AI以"概率"为驱动。
AI做的是"结构补全"，不是"理解意义"。理解这一差异，本质上是升级对自身思维方式的元认知，知道哪里是人类不可替代的战场。
遇到AI给出流畅答案时，可以问自己：这道题需要理解意义，还是只需要模式匹配？前者仍需要人亲自上场。
AI能做的是在已知模式中做最优补全。当一个问题涉及人类意图、情感、价值判断时，模式匹配不够——需要理解"为什么"而不是"是什么"。
6 - 过滤信息
互联网不会让所有人变聪明——它让普通人更差，让有意识的少数人前所未有地好。
信息越丰富，方差越大。你的学习速度的限制因素不再是获取渠道，而是忽略干扰的能力。
把所有算法推荐源替换为手动订阅，你关注谁，就是你成功、健康和幸福的领先指标。
AI时代信息供给无限，但注意力供给有限。谁能更有效地忽略，谁就学得更快。
7 - 抗谄媚
Morgan Housel指出AI的一个结构性缺陷：谄媚。
所有大语言模型的底层激励是让你继续使用，所以它会告诉你想听的话。把投资组合上传给ChatGPT，它不会告诉你持有的是垃圾公司——否则你会关掉它。政治和新闻领域花了20年建起回音壁，AI用3秒就能帮你把投资决策也关进同一个回音壁。
所以在做重大决策前，故意让AI扮演反对者——"假设我完全错了，请给出最严厉的反驳"。
AI不会主动质疑你。批判性思维、主动引入对抗性输入、意识到自己可能处于认知泡沫中——这些必须由人自己完成。
8 - 能动性
Naval Ravikant和Max Hodak提出AI时代回报公式的翻转。
AI出现之前：70%智力 + 30%能动性。
AI出现之后：70%能动性 + 30%智力。
当Claude、Gemini、Codex全部免费或近乎免费敞开在你面前，智力供给不再是瓶颈。瓶颈变成了你打开电脑后，是问"我应该构建什么"还是打开YouTube，这个差别将定义未来十年谁赢谁输。"
AI有算力、有逻辑，但没有欲望。AI不吃饭、不繁衍、不怕死。人类那些带"瑕疵"的爱恨偏执、敢于承担后果的胆识，才是算法世界里最稀缺的东西。
AI不会给你驱动力。选择、开始、坚持，这些仍然是人的事。
9 - 建造系统
AI时代需要的能力，不是你多擅长做某件事，而是你能不能搭出一个让其他人、其他Agent都能复用的生产系统。
Agent最需要的是强大的可复用构建模块——任何已经被创造出来、模型可以复用的东西，都像一个"Token缓存"，避免消耗万亿token重新发明轮子。
写作不是在记录已有想法，写作本身在生产想法——没有被写出的念头，实际上并未真正存在过。AI更好的使用方向不是自动执行，而是"更清晰地思考、做出更好的决策"。
一个人在AI时代的工作成果，要么是可被复用的工具，要么是将过期的废品。想跑起来的人，需要从"做事的人"升级到"建工厂的人"。
可操作的方法
建立本地PCM系统，所有笔记/文档统一存放；给内容打上AI可读的语义标签；每次用AI前花5分钟整理相关上下文，再让AI读
冷启动沟通坚持自己写或至少改到"听起来像你"；对内沟通AI可深度参与，对外沟通AI仅做校对和翻译
把时间投入"我能在哪些环节做出更好的选择"——架构、品味、问题定义；在垂直领域做大量消费和比较，直到判断无须解释也能精准
每次看到数据，先问两个问题：分母是什么？和什么比的？
遇到AI给出的流畅答案时，先判断：这道题需要理解意义，还是只需要模式匹配？前者仍需要你亲自上场
把所有算法推荐源替换为手动订阅（独立博客、Substack、研究者个人站）；每天把信息消费清单缩减到5个以内来源
每天先花30分钟决定"今天最重要的一件事是什么"，而不是打开AI直接问
花一小时写好自己的四句话拒绝模板：明确说不+表达感激+解释更大的"是"+善意祝福；保存到手机和电脑
做重大决策前，让AI扮演反对者——"假设我完全错了，请给出最严厉的反驳"
启动任何新项目时，先问"最难的部分是什么？"然后最先攻克它；用Annie Duke引用的"猴子与基座"模型检查：你是不是在造基座而不是在训猴子
每周运行2-3个小型AI实验，记录人类vs AI vs 人机协作的工作质量差异；把你的计划发给AI，问"这个判断有什么盲点？"
列一份过去因为"细节恐惧"放弃的创造清单，今天挑一项用AI重新上手
把50%时间投入"建工厂"而非"做产品"；每周审视"可复用率"
以上所有内容来自小何的笔记，由AI赛博手搓。
欢迎关注我的ima知识库~
