夜雨聆风不知道你有没有过这种感觉。
手机里收藏了几十篇 AI 教程，电脑上装过 ChatGPT、Claude、Cursor、Codex，看到别人分享 Prompt，也会顺手保存下来。
真正开始工作时，却还是老样子。
写一份方案，先对着空白文档发愁；遇到一个复杂问题，还是习惯从头搜索；让 AI 帮忙，通常也只是问一个问题、改一段文字。答案不够好，就再换一种问法。折腾一圈之后，有时甚至觉得：还不如我自己来。
如果你也有这种感觉，不一定是你学得不够。
过去几天，我翻了不少研究，也回头看了自己这些年使用 AI 的过程。我发现，这件事在不同工作里的进度并不一样。
作为程序员，我已经让 AI 参与了从理解需求、编写代码到测试和修改的全过程。但在内容创作、知识整理和生活中的其他事情上，很多环节仍然只是零散地使用 AI，我也还在一步步改造。
这也让我意识到，很多人遇到的问题并不是不会让 AI 回答，而是还没有把这些用法连成一条完整的工作流程。会让 AI 写一段话、改一段代码，只是其中一步；真正改变工作方式，是让它在合适的环节持续参与，同时由人负责判断和验收。
看懂了、试过了，工作时还是老样子
AI 的学习特别容易给人一种进步很快的感觉。
今天知道一个新模型，明天学会一个新功能，后天又收藏一套“万能 Prompt”。每一天都有新东西，每一天好像都在成长。
但真到了工作里，结果有没有变，很难说。
知道 Codex、Cursor 可以改代码，不等于能让它参与一次真实需求。知道 AI 可以写文章，也不等于能把脑子里一段模糊的经历，变成真正属于自己的内容。就连保存了一套复盘 Prompt，也不代表下一次遇到类似问题时，过去的经验会自动回来。
工具学习的反馈很快。看懂了，试一下，得到一段像样的输出，我们很容易觉得自己已经掌握了。
可真正用 AI 完成一件工作，要麻烦得多。你得把背景和目标说清楚，决定哪些交给 AI，自己检查结果；出了错，最后还得自己改。
所以我们很容易不断学新工具，却迟迟没有把其中一个真正用进工作。
最后就变成：用 AI 的次数越来越多，做事的方法却还是原来的样子。
会问 AI，只是把事情做完的第一步
还记得两三年前最开始接触 AI 时，我也会把注意力放在“怎么问”上。
结果不好，就改 Prompt；还是不好，就换模型。
Prompt 当然有用，但它只解决了开场的第一句话。后面这件事能不能做成，还要靠一连串判断。
比如，你让 AI “帮我写一篇公众号文章”，它确实能很快给你两千字。可真正写出一篇能发布的文章，还得想清楚：
• 这篇文章到底写给谁，帮他解决什么问题？ • 哪段经历是你真正做过、愿意讲出来的？ • 你自己的判断是什么，而不是 AI 拼出来的正确废话？ • 哪些事实需要核对，哪些表达根本不像你？
这些没想清楚，AI 就只能靠猜。Prompt 写得再漂亮，也只是让它猜得更流畅一点。
编程也是一样。
一句“帮我实现这个功能”，背后还藏着一堆没有说出口的事：到底做到哪一步、现有代码怎么写、哪些地方不能碰、改完要怎么测。AI 可以写得很快，但“写出来”不等于“可以交付”。
Stack Overflow 的一份开发者调查里，最让人头疼的并不是 AI 完全写错，而是它经常“差一点就对了”：66% 的相关受访者遇到过这种困扰，45% 的人觉得调试 AI 生成的代码反而更耗时。
这正是很多程序员最难受的地方：AI 不是完全不能用，而是看起来差不多能用。可从“差不多”到“真的能交付”，仍然要你自己检查、修改，最后为结果负责。
所以问题不在于还缺一条神奇 Prompt，而是我们一开始没有想清楚：这件事哪些交给 AI，哪些必须自己判断，最后用什么标准检查结果。
同样是用 AI 干活，为什么有人省时间，有人反而更累？
还有一个很容易踩的坑：AI 并不是面对所有任务都一样聪明。
一项有 700 多名管理顾问参与的实验发现：碰到模型擅长的任务，AI 确实能让人做得更快、更好；可一旦任务超出它会做的范围，人又没有及时发现，结果反而会变差。
论文里给这种现象起了一个英文名字：jagged technology frontier。
如果翻成人话，它的意思是：AI 的能力不是一条整齐的直线，而是这里凸出来一块，那里又缺了一块。
你可以把它想成一条弯弯曲曲的海岸线。两个看起来差不多难的任务，可能正好落在这条线的两边：一个是 AI 擅长的，另一个只差一步，却不是。于是，AI 能把前一个做得很好，却会在后一个上一本正经地犯错。
这个英文术语不用记。只要记住：AI 不是简单的“聪明”或“不聪明”，关键要看它正在做哪一件事。
所以我们没必要记住这项实验用了哪一代模型。模型会换，这条边界也会移动；但每次开始前先判断“这件事适不适合交给 AI”，做完后再认真检查，这件事不会变。
这就解释了，为什么有人用了 AI 很省时间，有人却越用越累。
省时间的人，不一定更会背 Prompt。他可能只是更清楚：搜集资料、发散思路、整理初稿，可以让 AI 多做一点；真实背景、关键判断和最后验收，自己必须拿住。
如果不先看任务，只因为某个新工具“好像什么都能做”，就把整件事塞给它，工具越多，返工反而可能越多。
聊完就散，没有沉淀，下一次还是从零开始
就算 AI 真的帮我们完成了一次任务，还有一个很容易被忽略的问题：下次再做同类事情时，我们往往还是从零开始。
上次哪种说法最有效，没有留下；AI 犯过什么错，没有记录；自己的风格、项目规范、判断标准，仍然散落在聊天记录、收藏夹和脑子里。
这就是为什么有人用了很久 AI，依然需要反复告诉它同样的背景，反复纠正同样的问题。
微软的一份工作趋势调查访问了 10 个市场、2 万名在工作中使用 AI 的人。那些已经把 AI 真正用进工作的人，并不只是用了更多工具。他们更常一起调整做事步骤、分享哪里做错了，也会把“哪一步交给 AI、最后怎么检查”写下来，留给下次继续用。
这份调查不能直接代表每一个中国用户，但它至少提醒了我们：多聊一次 AI，不会自动变成自己的能力。只有把这次有效的做法留下来，下次还用得上，经验才没有白白流走。
如果做完就散，下次仍然从零开始，AI 只是临时帮手。
真正的变化，发生在你开始把这次用过的材料、做对的步骤、AI 犯过的错和最后的判断标准写下来。这样下次再做同类事情时，就不用把同样的背景重新解释一遍。
先用 AI 做完一件真实的小事
先别急着把自己归到“不会用 AI”的那一类。
对大多数已经开始使用 AI 的人来说，眼下最有用的，往往不是再学一个工具，而是把一件本来就要做的事，从头到尾带着 AI 做完。
挑一个真实问题，把手头的材料交给 AI，让它参与查资料、理思路或出初稿；遇到真实背景、关键取舍和最终判断时，自己拿住。结果出来后认真检查，再把这次有效的做法和踩过的坑留下来。
把结果检查一遍还不够。
一次任务做完后，可以再花十分钟回答三个问题：
• 这次给 AI 的哪些背景最有用？ • 哪些地方它判断错了，最后是我用什么标准纠正的？ • 哪些做法下次还能用，哪些只适合这一次？
然后，把答案和这次任务的关键材料放进自己的知识库。
这里说的知识库，不是先装 Obsidian、建 GitHub 仓库，也不是把所有聊天记录一股脑存进去。它最开始可以只是一个文件夹，甚至是一份持续更新的文档。
如果只是刚开始，留下案例、规则、模板和踩坑，已经够用了。但我把自己的知识库真正用起来以后，发现还得补上两样东西：原始材料，以及内容之间的关联。前者让我们以后可以回头核对，后者让内容多起来以后仍然找得到、接得上。
所以，一次值得沉淀的任务，我现在通常会留下六类东西：
• 原始材料：当时用过的笔记、链接、截图、代码或对话，避免以后只剩一个没有出处的结论； • 结果与案例：这次解决了什么问题，最后交付了什么，效果怎么样； • 结论与规则：为什么这样做，哪些判断标准以后仍然有效，什么情况下不适用； • 流程与模板：哪些步骤、Prompt、清单或脚本，下次可以直接拿来用； • 复盘与踩坑：AI 在哪里判断错了，我最后怎么改，下次应该提前注意什么； • 关联与入口：它和哪些旧内容、后续选题或项目有关，以后应该从哪里找到它。
下一次遇到类似任务时，我们不再从空白对话开始，而是把相关材料、规则和模板重新交给 AI。一次写作复盘，也可能继续长出新选题、新文章和新的表达方式。
这时候，复盘才和下一次工作真正接上了：
真实任务 ↓人与 AI 分工 ↓检查结果 ↓复盘进知识库 ↓下次调用与再创作
这也是为什么“继续学”有时解决不了“不会用”。知识库的价值，不只是把资料收得更整齐，而是让做过的事、踩过的坑和形成的判断，下次还能回来帮助我们。
怎么知道自己用的好不好
可以回想一下过去 30 天，你有没有一件任务符合下面这些条件：
• 你提前说清了结果和质量标准； • 你检查过它的输出，而不是直接接受； • 任务结束后，你留下了下次还能复用的模板、规则、案例或流程。 • 学习 AI 不是为了演示，而是为了解决现实中的问题； • 你不仅是只和 AI 聊天，而是让它参与了整理材料、分析、生成初稿或修改等多个步骤。
如果大部分答案是否定的，不代表你不会使用 AI。
它只说明，AI 现在可能还停在聊天窗口里，没有真正进入你做事的方法里。
怎么让 AI 一步步的走进你的工作中。选一件这周反复出现、结果可以检查的小任务，把它从开始到结束写在一张纸上。思考下，或者和 AI 聊聊，看看 AI 适合进入哪一步，哪一步必须由你判断，完成以后又有什么值得留下：知识经验，还是方法论或工具等等。
下一篇，我会把这篇文章的创作过程完整摊开：最初的想法从哪里来，我做了哪些判断，AI 帮了哪些忙，哪些地方必须由我来决定。文章写完后，我又怎样把这次经验放进知识库，变成下一篇内容的起点。
资料来源
引用链接
[1] Microsoft Work Trend Index Annual Report: https://www.microsoft.com/en-us/worklab/work-trend-index/agents-human-agency-and-the-opportunity-for-every-organization[2] Stack Overflow Developer Survey — AI: https://survey.stackoverflow.co/2025/ai[3] Dell’Acqua et al., Navigating the Jagged Technological Frontier, Organization Science: https://www.hbs.edu/ris/Publication%20Files/dell-acqua-et-al-2026-navigating-the-jagged-technological-frontier_5c589c8c-fbb5-458f-b285-c944746cd717.pdf