AI 越来越强以后，小白还要不要学 Prompt？

我停更了一段时间。

不是因为没东西可写，恰恰是因为最近一直在想一件事：

现在还有必要学怎么用 AI 吗？

过去一两年，我们花了很多时间研究 Prompt。

给模型设定角色，拆分任务，规定格式，补充背景，安排步骤。那时候，Prompt 写得好不好，确实会直接影响结果。

但最近我越来越觉得，很多所谓的 AI 技巧，正在变得没有以前那么重要。

不是它们完全没用了，而是模型正在替我们接管其中一部分工作。

你不需要再把每一个步骤都提前写死。模型可以自己追问，可以自己调用工具，可以自己把一个大任务拆开，再逐步完成。

于是，一个有点反直觉的问题出现了：

模型越来越强以后，普通人还要不要继续学 Prompt？

我最近看到 Anthropic 的 Claude Academy 里提到四个 D：

● Delegation：判断什么工作该交给 AI

● Description：把任务和目标说清楚

● Discernment：判断 AI 给出的结果好不好

● Diligence：验证结果，并承担最终责任

这四件事听起来不像什么新鲜的 AI 技巧。

它们甚至有点“古老”。

但也许，真正有价值的地方就在这里。

第一，重要的不是会不会问，而是知不知道该交什么

很多人学习 AI 的第一步，是收集提示词。

看见别人用一句话生成了文章，就想要同款提示词；看见别人用 AI 做了一个网页，就想知道他的 Prompt 是怎么写的。

但真正的问题往往不是提示词不够好，而是你还没有想清楚：

这件事到底要不要交给 AI？

哪些部分可以交给 AI？

哪些部分必须自己判断？

比如写一篇文章，AI 可以帮你找角度、列结构、改表达，但它不能替你决定这篇文章为什么值得写，也不能替你承担事实错误带来的后果。

第二，描述目标，比堆技巧更重要

以前我们会把 Prompt 写得越来越复杂，好像只要把规则写得足够详细，结果就一定会变好。

但如果目标本身是模糊的，Prompt 写得再长，也只是把模糊包装得更像专业。

你说“帮我写一篇爆款文章”，模型当然可以写出一篇看起来很完整的文章。

但你没有告诉它：写给谁、解决什么问题、读者看完应该做什么、哪些事实必须核验。

最后得到的，通常只是一篇形式完整、但没有明确用途的文字。

目标越清楚，工具越容易发挥作用。

第三，AI 给得越快，人越要会判断

这是我最近最担心的一件事。

AI 现在很容易给你一个完整答案：有标题、有结构、有数据、有结论，甚至语气还很笃定。

但“看起来完整”不等于“真的可靠”。

尤其是模型、价格、项目热度、政策、人物和时间这类会变化的信息，不能因为答案写得顺，就直接拿去发布。

我最近比较 Coze、Dify 和 n8n 的时候，就发现了这个问题。

GitHub Star 可以证明开发者关注度，但不能直接证明普通用户使用最多；教程播放量可以证明有人看过，但不能直接证明大家都在长期使用。

如果不区分这些概念，一篇文章很容易就从“分析工具”变成“替工具做宣传”。

第四，验证不是最后的形式动作

很多人把验证理解成发布前搜一下资料。

但真正的验证，应该从一开始就进入流程：

这个需求是真实的吗？

这个工具真的能解决它吗？

这个案例我自己跑通了吗？

这个结果交给别人使用，会不会在某个环节出错？

事情越重要，验证就越不能省。

AI 可以替你完成很多动作，但最终结果还是要有人负责。

所以，小白到底该学什么？

我现在的答案是：不要先把“学会 AI”理解成背下很多 Prompt。

更值得练习的是：

先找到一个真实问题，把它说清楚；再选择合适的工具，把它做成一个能运行的东西；最后检查它到底有没有解决问题。

这也是我最近没有急着更新的原因。

我不太想继续做“今天又出了一个 AI 工具，大家赶紧收藏”的内容了。

我更想做一些小而具体的东西：

比如把一个模糊的选题，做成一个能帮你判断价值、整理角度、列出核验清单的小工具；或者把一个重复的内容流程，做成一条可以自动运行的工作流。

过程中可能会用到 Figma、Codex、Coze、Dify 或 n8n，但它们不是主角。

主角应该是：一个真实的问题，最后有没有被解决。

AI 越来越会使用工具，人反而不需要把自己训练成一个“提示词技巧收藏家”。

你仍然需要想清楚，描述清楚，看明白，验证清楚。

这些能力听起来不新，甚至有点古法。

但在模型快速升级、工具不断更替的时代，真正不容易折旧的，往往就是这些看起来不够时髦的能力。

至少对普通人来说，AI 最好的用法不是让自己显得很会用 AI。

而是借它把一个原本做不成的东西，先做出一个能运行的第一版。