2026年最后一周我把过去一年的代码仓库翻了一遍发现一个让我后背发凉的事实这一年里我真正亲手从头写到尾的模块一只手数得过来。其他都是AI生成的我负责提需求、调参数、修报错、做集成。当时我不觉得有问题甚至一度很膨胀觉得自己效率翻倍、能力飞升。直到一次临时停电我不得不纯手写一个小脚本才发现自己连API名都要犹豫。那件事之后我花了整整一个月做了一次“能力归零测试”。这篇文章就是想聊聊AI是如何让我误以为自己很强的以及我用什么方法重新看清了自己的真实水平并思考了在AI持续进化之后个人该怎么定位。如果你也每天在用AI而且最近一段时间觉得自己“什么都能干”那我特别建议你花几分钟看完这篇内容。它不会教你怎么用提示词也不讲工具技巧它讲的是另一件更容易被忽略的事当AI把一切做得太快你的真实能力到底是在增长还是在萎缩。1. 先聊一个扎心的问题你的“很强”是借来的吗1.1 能力错觉的三重来源先说结论AI最容易给人的幻觉不是“它能做”而是“我能做”。这个幻觉有三个来源我一个个拆开讲。第一个来源是“输出的即时性”模糊了你对过程的认知。以前写一个数据处理脚本我要查文档、试错、调通花整整一个下午。现在把这个需求丢给AI三十秒生成完整脚本我只需要把输出目录改一下就能用。体验上我确实“做出了”一个脚本。但问题在于过程里的那些试错、检索、权衡全被AI跳过了。大脑根本没有来得及建立这次任务的神经回路却已经拿到了结果。于是你误以为是自己变强了其实是工具帮你跨越了无数你想都没想过的中间步骤。第二个来源是“功劳归因”的偏差。当你向AI提出一个足够具体的要求AI产出后你审阅、修改、发给同事同事说“你最近进步很大”你很难把功劳分给AI。因为你确实参与了全过程你提了框架你做了拍板。这种“主导感”特别迷惑人让人误以为提出一个清晰的问题就等于解决问题的能力。但我后来想明白一件事提出一个好问题只能说明你懂方向距离你真的会做中间还隔着大量的执行细节和异常处理能力而这些东西恰恰是AI替你填平的。第三个来源是“评价基准”的抬升。在AI辅助状态下你的产出上限被抬得非常高。你每天都能产出一份结构完整、逻辑清晰的文档或代码时间久了你会默认“这就是我的稳定水平”。但你忘了一件事这是辅助环境下的最高水平不是你的实际水平。一旦换到没有AI的环境比如临时演示、离线环境、或者对面坐着一个需要你手写方案的同事真实水平和辅助水平之间的落差会瞬间击碎你的自信。这三个来源叠加在一起就会形成一种特别典型的“高效率错觉”你每天都很忙产出量很大成就感很足但真正属于你的东西可能比你想的少得多。1.2 为什么这种错觉总是后知后觉那次让我清醒的“停电事件”就是很好的例子。那天我临时要处理一个文件身边没有任何AI工具只能纯手写。我突然发现自己连一个字符串替换的接口名都要犹豫半天。那一刻我才意识到过去半年我一直在一个舒适区里打转AI永远在所以我永远不需要调用自己的储备。为什么这种错觉往往要等很久才被发现因为日常工作中AI无时无刻不在给你“补锅”。你写不出来的部分AI帮你补你想不明白的地方AI帮你填你判断不了的取舍AI帮你给出一个“看起来合理”的选项。你的短处被无缝接上了所以你根本看不到自己的短处在哪里。这有点像戴了矫正眼镜的人。你戴着眼镜看世界觉得一切都很清晰你以为这就是你的视力。只有当你摘下眼镜才突然发现远处一片模糊。而问题是大多数人并不会主动摘眼镜于是他们一直以为自己“本来就是清晰的”。还有一个更底层的机制说白了就是大脑的节能倾向。深度思考是一件很耗能的事AI最大的便利就是帮我们跳过了“费力思考”这一环。你问它它答你复制交付这个回路非常顺滑大脑当然偏爱这条路。久而久之深度思考回路使用得越来越少但表面产出不受影响所以你很难主动警觉。一直“忙碌”且“高效”直到环境突变才发现自己根本没有真正长出本事。2. 被架空的能力我在哪些地方悄悄变“弱”了2.1 动手能力从会写变成会改过去写代码是从需求拆解开始的。拿到一个模块先想清楚流程、数据结构、边界条件再动手写。现在我最常做的动作是“复制”和“替换”。打开AI对话窗口把需求描述清楚它生成一版我改一版需求描述它再生成一版然后我用。这个流程本身没什么问题问题出在我自己的状态上。有一次我从一个函数里取出一段逻辑打算换个用途重写一遍。那段逻辑真的不难标准库里就有现成的函数但我下意识的第一反应不是自己去查API而是先打开AI窗口要一个模板。等我意识到这个动作有多荒唐的时候我已经把问题发出去一半了。那一刻我明确感受到我的动手能力已经从“会写”退化成了“会改”。这种退化在平时很难察觉因为改东西和写东西在屏幕上看起来差不多。但两者的本质完全不同。改一个东西你的注意力只在差异点上你不需要重建整个上下文。而写一个东西你必须从头理解整个结构。当你长期只做“改”的工作你对整体结构的理解就会越来越稀薄。我后来给自己做了个小测试有一周时间凡是不超过五十行的代码我不许问AI必须自己写。结果前三天非常痛苦我经常卡在一个很小的函数上。但到第五天手感明显回来了。这说明一个很扎心的事实——那些能力并没有消失只是很久没用被AI供着养着差点忘了怎么用。2.2 调试能力从找bug变成报bug我刚开始学写代码的时候最怕的就是调试。但那时候有一个明确的方法论打日志、加断点、二分定位。先把问题缩小到模块再缩小到函数再缩小到一行表达式。整个过程虽然慢但每调试成功一次对系统的理解就深一层。现在呢遇到报错信息我直接复制粘贴进AI对话窗口。AI说改哪一行我就改哪一行改完能跑就算完事。如果改完抛出新错误我就再继续投喂一轮。这个方法快是快但是有一个巨大的隐患我不知道它为什么对我也不知道下次遇到类似问题该怎么下手。让我印象最深的一次是一个线上任务出了问题那是一个AI连着给出三个修改方案都不对的情况。我按照它的建议改了三轮每一轮都通过了本地测试但一放到真实环境就崩。最终我连问题出在哪个环节都判断不了整个人处于一种“工具失灵就彻底裸奔”的状态。那种失控感比出错本身更让人难受。后来我认真复盘发现问题不在AI不够聪明而在于我把“定位问题”这个环节完全外包了。定位问题的过程其实就是理解系统的过程。你跳过它直接拿到一个“改这里”的答案虽然省了时间但你永远不知道自己脚下的地面是什么结构。下次换一个环境换一套参数同样的错误换个形态出现你还是认不出来。2.3 判断与审美从决策变成挑选项AI给出的答案有个特点它天生有一种“看起来很专业”的外表。哪怕它内部存在逻辑矛盾只要段落结构整齐、术语使用得当你就会下意识觉得“这个答案靠谱”。我有一段时间面对AI给出的三种技术方案挑的时候完全是凭感觉——哪个看起来更完整哪个更像标准答案就选哪个。但你真要让我说清楚“为什么选这个”我根本答不上来。我说不出它的约束条件是什么想不出它适用场景的边界在哪也不知道如果数据量翻十倍它还会不会成立。我做的不是决策只是在“挑一个最顺眼的选项”。这种行为方式在AI“恰好正确”的时候没什么问题。可怕的是AI也会一本正经地犯错。当它给你一个结构完美但结论错误的方案时如果你没有足够的判断力你会直接把它当成正确答案用下去。我踩过这个坑后来做技术选型的时候我给自己立了一个规矩任何方案必须能用自己的话解释三个问题——它解决什么约束它放弃了什么它在什么情况下会失效解释不了这方案就不算被我选过。2.4 知识体系从根状变成叶状我最近在系统整理自己脑子里存的东西发现一个严重的问题我懂的东西都是“一块一块的”没有连成体系。以前学一个技术是从底层原理开始一层一层往上构建知识像一棵树根扎得深叶子才长得出来。现在呢我遇到什么问什么AI给我一段解释我当时听懂了五天之后想起来只剩下一个模糊的印象。为什么忘得快不是因为笨而是因为我跳过了“用自己的话重新组织”这个加工环节。AI把答案整理得越清晰我越不需要自己重新加工知识就越是直接“灌”进来的。灌进来的知识没有和你已有的经验挂钩没有经历冲突、修正、重构的过程它就像浮在水面上的油看着在一搅就散。这个问题的可怕之处在于它会直接影响你的迁移能力。真正扎实的知识体系是在面对没见过的变体时能靠底层原理推出来新答案。而我现在的状态是看到一切问题都显得“有点眼熟”但真要动手解又总觉得少了点什么。用一句老话来说就是“知其然不知其所以然”。能力维度过去的状态大量使用AI后的状态风险等级编码实现独立从零开始写依赖AI生成后再修改高调试排错系统定位问题报错信息直接投喂高技术判断有依据地取舍凭感觉挑选项中高知识体系向根状结构生长碎片化、点状堆积中方案设计逐步推导直接取用AI结论中3. 一次真实的能力归零测试我给自己设了三道关卡3.1 测试设计三个关卡发现上面那些问题之后我决定做一个稍微极端一点的实验在一个完全不使用AI的情况下检验自己过去一年的真实工作能力。我把这次实验叫作“能力归零测试”。核心逻辑很简单——把你正常协作时的工作去掉AI看还能完成多少。完成度越高说明AI是你的杠杆完成度越低说明AI是你的拐杖。我设计了三个关卡第一关叫“离网重做”。我从半年前完成过的任务里挑了一个数据清洗模块。当时我和AI配合大概花了两天时间把它做完。测试的规则是不许用AI限时90分钟看能不能重新做出一个可运行的原型。这不是背答案因为过了半年细节早就忘了我需要依靠自己对任务本身的理解重新完成它。第二关叫“口头讲清楚”。我挑了一项最近一周迭代过的功能对着录音机讲清楚三件事这段功能为什么这么设计、当时考虑过哪些备选方案、最大的风险点在哪里。讲完之后我还找了另一位同事来追问模拟真实工作中被人挑战的场景。这个关卡考验的是你真正理解了多少因为凡是没理解的东西一旦被追问就会现原形。第三关叫“空白设计题”。我给自己出了一个新需求正好是当前系统里一个没做过的模块。规则是不查资料、不用AI拿一张白纸画架构写清楚模块拆分、接口设计、异常处理。这个关卡是模拟“从零开始定义问题”的能力因为你只有在未知面前才会暴露出认知框架里真正长着的东西。3.2 结果复盘原来我的“很强”含水量这么高先说第一关的结果90分钟我只完成了不到三成。前半段卡在对旧逻辑的回忆上后半段卡在标准库API的准确性上。写出来的结构我自己看着就知道不够好模块边界划得很粗糙有一些分支逻辑甚至想都没想。这和我正常协作时“两天搞定”的状态差距特别明显。我当时坐在电脑前盯着自己写出来的一半代码脑子里只有一个念头原来之前那个“没有难度”的模块AI替我扛掉了那么多我不曾注意的复杂度。第二关更扎心。讲设计思路的时候前面还能顺畅两分钟到了“为什么不用方案B”这个追问我发现自己只能重复“因为当时给我的就是方案A”。其实方案A也有不太适合的地方我根本说不清它是怎么被选出来的。连续被追问两个问题之后我开始用“大概是”“应该是”这类词作答音量也明显小了一截。讲完之后我意识到很多功能我只知道“它是这样做出来的”并不真的知道“它为什么长这样”。第三关稍微好一点我能画出功能模块的整体轮廓但接口只列出4个边界条件只写了2条。正常协作时这种设计我通常会把需求丢给AI让它补全细节。关掉AI之后我发现自己的设计颗粒度比想象中粗太多那些在协作时看起来理所当然的细节其实全是AI填的不是我的。三个关卡的完成度摆在一起第一关约30%第二关约40%第三关约50%。综合算下来我对自己过去一年的独立工作能力做了一个偏保守的评估——带着AI我看起来无所不能离开AI我对复杂任务的完成度可能不到四成。这就是“我很强”这句话的真实含水量。3.3 为什么这个测试值得每年做一次能力退化这件事最麻烦的地方在于它是缓慢发生、无声无息的。你不会在某一天突然发现自己什么都不会了它更像视力下降度数一点点涨你根本觉察不到。只会在某天换眼镜的时候才意识到眼前的世界原来已经糊了很久。所以我决定从2027年开始每半年做一次这样的归零测试。每次挑不同的任务关掉AI重做一遍。我不指望每一次都做到很好的完成度因为AI协作本来就是工作流的一部分合理复用工具没有问题。我做这个测试的目的是给自己保留一条清晰的认知基线我知道自己离开AI能完成什么也知道AI到底帮我补了多少。有了这个基线你使用AI的心态会完全不一样。你不会再把AI的产出当成自己的本事你会更清醒地看到哪些环节AI是纯辅助哪些环节AI在替你顶岗。后者是你必须补的课。4. 2026之后我给AI重新定位从代笔变成陪练4.1 把AI从生成器改成验证器能力归零测试的结果摆在那里我不可能回到不用AI的时代也不打算那么做。工具肯定是好工具关键是怎么用。过去一年我使用AI的流程基本上是遇到问题直接问AI拿到答案复制粘贴交付走人。这个流程省事但它会持续强化依赖因为你在整个链路里没有输出任何自己的东西也就没有任何能力增长。2027年我开始换一个新的工作流核心就一句话把AI当成验证器而不是生成器。具体流程是这样的拿到需求先自己写一版方案哪怕很粗糙。用自己的版本向AI提问请它指出问题或者给出替代方案。对AI给的每个替代方案追问原因直到自己理解它为什么这么想。综合两个版本以我自己的判断为准做决策。结束之后把这次决策里最关键的一条逻辑记进笔记。这个流程看起来比原来慢。我第一次用这个流程处理一个功能的时候前期多花了大概二十分钟。但后续改动少了很多而且我对这个功能的理解深度完全不一样。以前我是“交出去就忘了”现在我是“心里有底”。这二十分钟买回来的是一份让人觉得踏实的掌控感。4.2 设计强制机制对抗依赖光靠“我想多学一点”这种心态对抗依赖一点都不靠谱。人的本能是偷懒必须靠机制。我给自己定了三条硬规矩。第一条叫“先写后问”。不管问题多简单不许直接打开AI必须先写下自己的回答。哪怕这个回答很烂哪怕只有两句也要先落在纸上。这个动作是为了确保自己始终有“第一版”不是因为懒得写而把思考全都外包。第二条叫“断网工作日”。每周挑一个固定的半天完全不碰任何AI工具。这个半天我必须只靠自己的脑子处理工作整理笔记、画结构图、写代码、复盘上周的问题。这个半天不追求产出甚至允许效率低但一定要坚持。我试了几周之后发现前两次是戒断反应最严重的脑子会习惯性想“这问题问AI三分钟就解决了”。但熬过那个阶段之后很多之前被AI代劳的思考会重新回到自己手上。第三条叫“为什么笔记”。每接收一个AI答案我不许直接收藏或复用必须写下三条笔记它为什么是这个结构它隐含的前提是什么如果前提变了哪些环节会失效这三条笔记不需要很长但必须用自己的话写。写的过程就是逼自己把AI的“隐性逻辑”变成自己的“显性理解”。我现在每周会回看上周的笔记凡是当时写不清楚的地方就是回去继续补课的地方。4.3 用新标准衡量自己的成长以前我衡量自己效率的指标是“产出速度”一天写了多少行代码、出多少文案、完成多少个需求。现在回头看这些指标在AI时代已经失效了因为AI能让任何人的产出速度都飞快它衡量不出来“我长出多少本事”。我换了另外三个指标。第一个叫“脱离AI后的完成度”。我会随机抽一个上周做过的任务关掉AI用加倍的时间重新做一遍看自己到底能独立完成多少。这个数据会直接告诉我我的真实能力是在涨还是在跌。第二个叫“追问深度”。面对AI给出的回答我能不能问出足够深的问题所谓足够深是指能够问出它的隐含假设、识别它的适用边界、发现它可能出错的隐患。如果面对AI回答我只能点头说“挺好”说明我根本没有判断力如果能问出它答不上来的点说明我在这一块真的懂了。第三个叫“方案解释力”。我能不能把一个方案讲到一个外行也能听懂的程度这个方法特别残酷也特别有效。因为凡是靠“AI说这样可以”支撑的方案一旦脱离AI这套话语体系你根本讲不出一个完整的故事。我前几次自测的时候讲到一半就发现自己很多环节只是“知其果、不知其因”。衡量维度旧指标新指标工作效率单位时间产出量脱离AI后的独立完成度理解深度能看懂AI答案能问倒AI答案技能沉淀收藏了多少方案能向外行讲清多少方案工具关系AI代我完成AI帮我验证5. 关于未来我思考清楚的四件事5.1 判断力是最后一道防线AI会变得越来越强它的回答也会越来越像“正确答案”。到那个时候使用工具的门槛会低到几乎不存在但真正拉开人与人之间差距的只剩一个东西判断力。判断力是你知道哪些环节AI会错的能力是你敢于推翻一个“看起来很完美”的方案的能力是你清楚哪些事情无论如何都不该交给AI的能力。这种东西没办法靠提示词获得它只能从你自己的错误里长出来。你亲手做过一遍、踩过坑、吃过亏你才能对某件事形成真正属于你的体感。依赖AI的答案永远替代不了这个过程。我现在的态度是AI说什么我还得额外想一遍它可能错在哪。以前我觉得这是不信任AI后来我想明白了这不是不信任这是在保护自己的判断力。如果一个答案连“它哪儿可能不对”都想不到那你根本没资格说你会用这个答案。5.2 低AI依赖本身就是一种竞争力这两年在职场上有个明显趋势嘴上挂着“效率翻十倍”的人越来越多但离了AI就不知道从哪下手的人也越来越多。当所有人都向同一个AI要同一个标准答案的时候所有人的产出会变得越来越相似。这种趋同恰恰会让“能脱离AI独立产出”的人变得稀缺。我说的“低AI依赖”不是拒绝AI而是始终保留一条不依赖AI也能完成的工作路径。你的工具箱里可以有很多工具但你得保证自己没带工具箱的时候双手也有干活的能力。这在平时看不出来但在关键时刻——比如环境受限、现场演示、离线场景——你会成为那个别人搞不定而你还能上的人。这句话不是鸡汤是我在一次完全依赖AI然后当众失败之后用不愉快换来的领悟。5.3 AI擅长平均值未来稀缺的是偏离平均值AI生成的内容本质上是高概率答案是“大多数情况下最可能正确”的输出。它可以保证你写出来的东西不差但也正因如此它很难产出真正让人眼前一亮的东西。因为它是在已有的数据分布里取平均值而不是在数据分布之外寻找新的可能。真正有创造价值的东西恰恰是偏离平均值的一个奇怪但有效的解决方案、一段带着个人风格很难被模仿的表达、一个基于独特经历得来的洞察。这些事情只能靠真实经验积累出来参数堆不出来。我不是说AI对创造没有帮助它是很好的效率和参考工具。但最终的“偏离值”必须来自你真正接触过的东西你自己调过的模型、自己服务过的客户、自己经历过的失败。这些经验没法外包外包一次你就离“平均值”更近一点。5.4 从执行者变成定义者未来对个人真正的考验不是“你能不能完成”而是“你应该完成什么”。在AI能取代执行流程的时代定义问题的能力、拆解目标的能力、评估结果的能力、承担后果的能力仍然在人身上。同样是和AI协作执行者会问“怎么做”定义者会问“做什么”“为什么做”“做到什么程度”。这两个问题的层级差异就是未来能力的分水岭。你可以花十秒钟让AI做出一张图但你要先想清楚这张图到底要说明什么、给谁看、传递什么情绪。这些前置思考AI没法替你完成。我现在给自己设了一个提醒每次打开工具之前先暂停十秒问自己一句“我到底要解决什么问题”。别小看这个动作它能帮你从“让AI替我完成”重新拉回到“我来定义AI辅助”的正确轨道上。定义者不会失业因为总得有人对方向负责只会执行的人才最容易被工具替代。2026年之后我给自己定下一条规矩任何AI给我的东西我都要在三天内亲手复现一次。如果实在复现不了那我至少要把原理讲给另一个人听讲不通就说明还没学会。这个规矩不保证我永远不掉队但至少让我清楚哪些能力是长在自己身上的哪些只是借来的。如果你也想做一次能力归零测试我建议从最小的事情开始。关掉所有辅助工具把你上周最熟练的那个工作重新做一遍。别追求速度只看自己能不能完成、卡在哪里。这个动作不一定要写代码写文案、做表、做图都可以。我在实际操作中最大的体会是真正让人踏实的不是我对AI有多熟而是我知道自己离开它还剩多少底牌。想清楚这一点未来再变心里也不会慌。 
长河君 · 2026/10/17 15:36:39 · 阅读 1.2k AI能力错觉与归零测试：如何识别真实技术水平
2026年最后一周我把过去一年的代码仓库翻了一遍发现一个让我后背发凉的事实这一年里我真正亲手从头写到尾的模块一只手数得过来。其他都是AI生成的我负责提需求、调参数、修报错、做集成。当时我不觉得有问题甚至一度很膨胀觉得自己效率翻倍、能力飞升。直到一次临时停电我不得不纯手写一个小脚本才发现自己连API名都要犹豫。那件事之后我花了整整一个月做了一次“能力归零测试”。这篇文章就是想聊聊AI是如何让我误以为自己很强的以及我用什么方法重新看清了自己的真实水平并思考了在AI持续进化之后个人该怎么定位。如果你也每天在用AI而且最近一段时间觉得自己“什么都能干”那我特别建议你花几分钟看完这篇内容。它不会教你怎么用提示词也不讲工具技巧它讲的是另一件更容易被忽略的事当AI把一切做得太快你的真实能力到底是在增长还是在萎缩。1. 先聊一个扎心的问题你的“很强”是借来的吗1.1 能力错觉的三重来源先说结论AI最容易给人的幻觉不是“它能做”而是“我能做”。这个幻觉有三个来源我一个个拆开讲。第一个来源是“输出的即时性”模糊了你对过程的认知。以前写一个数据处理脚本我要查文档、试错、调通花整整一个下午。现在把这个需求丢给AI三十秒生成完整脚本我只需要把输出目录改一下就能用。体验上我确实“做出了”一个脚本。但问题在于过程里的那些试错、检索、权衡全被AI跳过了。大脑根本没有来得及建立这次任务的神经回路却已经拿到了结果。于是你误以为是自己变强了其实是工具帮你跨越了无数你想都没想过的中间步骤。第二个来源是“功劳归因”的偏差。当你向AI提出一个足够具体的要求AI产出后你审阅、修改、发给同事同事说“你最近进步很大”你很难把功劳分给AI。因为你确实参与了全过程你提了框架你做了拍板。这种“主导感”特别迷惑人让人误以为提出一个清晰的问题就等于解决问题的能力。但我后来想明白一件事提出一个好问题只能说明你懂方向距离你真的会做中间还隔着大量的执行细节和异常处理能力而这些东西恰恰是AI替你填平的。第三个来源是“评价基准”的抬升。在AI辅助状态下你的产出上限被抬得非常高。你每天都能产出一份结构完整、逻辑清晰的文档或代码时间久了你会默认“这就是我的稳定水平”。但你忘了一件事这是辅助环境下的最高水平不是你的实际水平。一旦换到没有AI的环境比如临时演示、离线环境、或者对面坐着一个需要你手写方案的同事真实水平和辅助水平之间的落差会瞬间击碎你的自信。这三个来源叠加在一起就会形成一种特别典型的“高效率错觉”你每天都很忙产出量很大成就感很足但真正属于你的东西可能比你想的少得多。1.2 为什么这种错觉总是后知后觉那次让我清醒的“停电事件”就是很好的例子。那天我临时要处理一个文件身边没有任何AI工具只能纯手写。我突然发现自己连一个字符串替换的接口名都要犹豫半天。那一刻我才意识到过去半年我一直在一个舒适区里打转AI永远在所以我永远不需要调用自己的储备。为什么这种错觉往往要等很久才被发现因为日常工作中AI无时无刻不在给你“补锅”。你写不出来的部分AI帮你补你想不明白的地方AI帮你填你判断不了的取舍AI帮你给出一个“看起来合理”的选项。你的短处被无缝接上了所以你根本看不到自己的短处在哪里。这有点像戴了矫正眼镜的人。你戴着眼镜看世界觉得一切都很清晰你以为这就是你的视力。只有当你摘下眼镜才突然发现远处一片模糊。而问题是大多数人并不会主动摘眼镜于是他们一直以为自己“本来就是清晰的”。还有一个更底层的机制说白了就是大脑的节能倾向。深度思考是一件很耗能的事AI最大的便利就是帮我们跳过了“费力思考”这一环。你问它它答你复制交付这个回路非常顺滑大脑当然偏爱这条路。久而久之深度思考回路使用得越来越少但表面产出不受影响所以你很难主动警觉。一直“忙碌”且“高效”直到环境突变才发现自己根本没有真正长出本事。2. 被架空的能力我在哪些地方悄悄变“弱”了2.1 动手能力从会写变成会改过去写代码是从需求拆解开始的。拿到一个模块先想清楚流程、数据结构、边界条件再动手写。现在我最常做的动作是“复制”和“替换”。打开AI对话窗口把需求描述清楚它生成一版我改一版需求描述它再生成一版然后我用。这个流程本身没什么问题问题出在我自己的状态上。有一次我从一个函数里取出一段逻辑打算换个用途重写一遍。那段逻辑真的不难标准库里就有现成的函数但我下意识的第一反应不是自己去查API而是先打开AI窗口要一个模板。等我意识到这个动作有多荒唐的时候我已经把问题发出去一半了。那一刻我明确感受到我的动手能力已经从“会写”退化成了“会改”。这种退化在平时很难察觉因为改东西和写东西在屏幕上看起来差不多。但两者的本质完全不同。改一个东西你的注意力只在差异点上你不需要重建整个上下文。而写一个东西你必须从头理解整个结构。当你长期只做“改”的工作你对整体结构的理解就会越来越稀薄。我后来给自己做了个小测试有一周时间凡是不超过五十行的代码我不许问AI必须自己写。结果前三天非常痛苦我经常卡在一个很小的函数上。但到第五天手感明显回来了。这说明一个很扎心的事实——那些能力并没有消失只是很久没用被AI供着养着差点忘了怎么用。2.2 调试能力从找bug变成报bug我刚开始学写代码的时候最怕的就是调试。但那时候有一个明确的方法论打日志、加断点、二分定位。先把问题缩小到模块再缩小到函数再缩小到一行表达式。整个过程虽然慢但每调试成功一次对系统的理解就深一层。现在呢遇到报错信息我直接复制粘贴进AI对话窗口。AI说改哪一行我就改哪一行改完能跑就算完事。如果改完抛出新错误我就再继续投喂一轮。这个方法快是快但是有一个巨大的隐患我不知道它为什么对我也不知道下次遇到类似问题该怎么下手。让我印象最深的一次是一个线上任务出了问题那是一个AI连着给出三个修改方案都不对的情况。我按照它的建议改了三轮每一轮都通过了本地测试但一放到真实环境就崩。最终我连问题出在哪个环节都判断不了整个人处于一种“工具失灵就彻底裸奔”的状态。那种失控感比出错本身更让人难受。后来我认真复盘发现问题不在AI不够聪明而在于我把“定位问题”这个环节完全外包了。定位问题的过程其实就是理解系统的过程。你跳过它直接拿到一个“改这里”的答案虽然省了时间但你永远不知道自己脚下的地面是什么结构。下次换一个环境换一套参数同样的错误换个形态出现你还是认不出来。2.3 判断与审美从决策变成挑选项AI给出的答案有个特点它天生有一种“看起来很专业”的外表。哪怕它内部存在逻辑矛盾只要段落结构整齐、术语使用得当你就会下意识觉得“这个答案靠谱”。我有一段时间面对AI给出的三种技术方案挑的时候完全是凭感觉——哪个看起来更完整哪个更像标准答案就选哪个。但你真要让我说清楚“为什么选这个”我根本答不上来。我说不出它的约束条件是什么想不出它适用场景的边界在哪也不知道如果数据量翻十倍它还会不会成立。我做的不是决策只是在“挑一个最顺眼的选项”。这种行为方式在AI“恰好正确”的时候没什么问题。可怕的是AI也会一本正经地犯错。当它给你一个结构完美但结论错误的方案时如果你没有足够的判断力你会直接把它当成正确答案用下去。我踩过这个坑后来做技术选型的时候我给自己立了一个规矩任何方案必须能用自己的话解释三个问题——它解决什么约束它放弃了什么它在什么情况下会失效解释不了这方案就不算被我选过。2.4 知识体系从根状变成叶状我最近在系统整理自己脑子里存的东西发现一个严重的问题我懂的东西都是“一块一块的”没有连成体系。以前学一个技术是从底层原理开始一层一层往上构建知识像一棵树根扎得深叶子才长得出来。现在呢我遇到什么问什么AI给我一段解释我当时听懂了五天之后想起来只剩下一个模糊的印象。为什么忘得快不是因为笨而是因为我跳过了“用自己的话重新组织”这个加工环节。AI把答案整理得越清晰我越不需要自己重新加工知识就越是直接“灌”进来的。灌进来的知识没有和你已有的经验挂钩没有经历冲突、修正、重构的过程它就像浮在水面上的油看着在一搅就散。这个问题的可怕之处在于它会直接影响你的迁移能力。真正扎实的知识体系是在面对没见过的变体时能靠底层原理推出来新答案。而我现在的状态是看到一切问题都显得“有点眼熟”但真要动手解又总觉得少了点什么。用一句老话来说就是“知其然不知其所以然”。能力维度过去的状态大量使用AI后的状态风险等级编码实现独立从零开始写依赖AI生成后再修改高调试排错系统定位问题报错信息直接投喂高技术判断有依据地取舍凭感觉挑选项中高知识体系向根状结构生长碎片化、点状堆积中方案设计逐步推导直接取用AI结论中3. 一次真实的能力归零测试我给自己设了三道关卡3.1 测试设计三个关卡发现上面那些问题之后我决定做一个稍微极端一点的实验在一个完全不使用AI的情况下检验自己过去一年的真实工作能力。我把这次实验叫作“能力归零测试”。核心逻辑很简单——把你正常协作时的工作去掉AI看还能完成多少。完成度越高说明AI是你的杠杆完成度越低说明AI是你的拐杖。我设计了三个关卡第一关叫“离网重做”。我从半年前完成过的任务里挑了一个数据清洗模块。当时我和AI配合大概花了两天时间把它做完。测试的规则是不许用AI限时90分钟看能不能重新做出一个可运行的原型。这不是背答案因为过了半年细节早就忘了我需要依靠自己对任务本身的理解重新完成它。第二关叫“口头讲清楚”。我挑了一项最近一周迭代过的功能对着录音机讲清楚三件事这段功能为什么这么设计、当时考虑过哪些备选方案、最大的风险点在哪里。讲完之后我还找了另一位同事来追问模拟真实工作中被人挑战的场景。这个关卡考验的是你真正理解了多少因为凡是没理解的东西一旦被追问就会现原形。第三关叫“空白设计题”。我给自己出了一个新需求正好是当前系统里一个没做过的模块。规则是不查资料、不用AI拿一张白纸画架构写清楚模块拆分、接口设计、异常处理。这个关卡是模拟“从零开始定义问题”的能力因为你只有在未知面前才会暴露出认知框架里真正长着的东西。3.2 结果复盘原来我的“很强”含水量这么高先说第一关的结果90分钟我只完成了不到三成。前半段卡在对旧逻辑的回忆上后半段卡在标准库API的准确性上。写出来的结构我自己看着就知道不够好模块边界划得很粗糙有一些分支逻辑甚至想都没想。这和我正常协作时“两天搞定”的状态差距特别明显。我当时坐在电脑前盯着自己写出来的一半代码脑子里只有一个念头原来之前那个“没有难度”的模块AI替我扛掉了那么多我不曾注意的复杂度。第二关更扎心。讲设计思路的时候前面还能顺畅两分钟到了“为什么不用方案B”这个追问我发现自己只能重复“因为当时给我的就是方案A”。其实方案A也有不太适合的地方我根本说不清它是怎么被选出来的。连续被追问两个问题之后我开始用“大概是”“应该是”这类词作答音量也明显小了一截。讲完之后我意识到很多功能我只知道“它是这样做出来的”并不真的知道“它为什么长这样”。第三关稍微好一点我能画出功能模块的整体轮廓但接口只列出4个边界条件只写了2条。正常协作时这种设计我通常会把需求丢给AI让它补全细节。关掉AI之后我发现自己的设计颗粒度比想象中粗太多那些在协作时看起来理所当然的细节其实全是AI填的不是我的。三个关卡的完成度摆在一起第一关约30%第二关约40%第三关约50%。综合算下来我对自己过去一年的独立工作能力做了一个偏保守的评估——带着AI我看起来无所不能离开AI我对复杂任务的完成度可能不到四成。这就是“我很强”这句话的真实含水量。3.3 为什么这个测试值得每年做一次能力退化这件事最麻烦的地方在于它是缓慢发生、无声无息的。你不会在某一天突然发现自己什么都不会了它更像视力下降度数一点点涨你根本觉察不到。只会在某天换眼镜的时候才意识到眼前的世界原来已经糊了很久。所以我决定从2027年开始每半年做一次这样的归零测试。每次挑不同的任务关掉AI重做一遍。我不指望每一次都做到很好的完成度因为AI协作本来就是工作流的一部分合理复用工具没有问题。我做这个测试的目的是给自己保留一条清晰的认知基线我知道自己离开AI能完成什么也知道AI到底帮我补了多少。有了这个基线你使用AI的心态会完全不一样。你不会再把AI的产出当成自己的本事你会更清醒地看到哪些环节AI是纯辅助哪些环节AI在替你顶岗。后者是你必须补的课。4. 2026之后我给AI重新定位从代笔变成陪练4.1 把AI从生成器改成验证器能力归零测试的结果摆在那里我不可能回到不用AI的时代也不打算那么做。工具肯定是好工具关键是怎么用。过去一年我使用AI的流程基本上是遇到问题直接问AI拿到答案复制粘贴交付走人。这个流程省事但它会持续强化依赖因为你在整个链路里没有输出任何自己的东西也就没有任何能力增长。2027年我开始换一个新的工作流核心就一句话把AI当成验证器而不是生成器。具体流程是这样的拿到需求先自己写一版方案哪怕很粗糙。用自己的版本向AI提问请它指出问题或者给出替代方案。对AI给的每个替代方案追问原因直到自己理解它为什么这么想。综合两个版本以我自己的判断为准做决策。结束之后把这次决策里最关键的一条逻辑记进笔记。这个流程看起来比原来慢。我第一次用这个流程处理一个功能的时候前期多花了大概二十分钟。但后续改动少了很多而且我对这个功能的理解深度完全不一样。以前我是“交出去就忘了”现在我是“心里有底”。这二十分钟买回来的是一份让人觉得踏实的掌控感。4.2 设计强制机制对抗依赖光靠“我想多学一点”这种心态对抗依赖一点都不靠谱。人的本能是偷懒必须靠机制。我给自己定了三条硬规矩。第一条叫“先写后问”。不管问题多简单不许直接打开AI必须先写下自己的回答。哪怕这个回答很烂哪怕只有两句也要先落在纸上。这个动作是为了确保自己始终有“第一版”不是因为懒得写而把思考全都外包。第二条叫“断网工作日”。每周挑一个固定的半天完全不碰任何AI工具。这个半天我必须只靠自己的脑子处理工作整理笔记、画结构图、写代码、复盘上周的问题。这个半天不追求产出甚至允许效率低但一定要坚持。我试了几周之后发现前两次是戒断反应最严重的脑子会习惯性想“这问题问AI三分钟就解决了”。但熬过那个阶段之后很多之前被AI代劳的思考会重新回到自己手上。第三条叫“为什么笔记”。每接收一个AI答案我不许直接收藏或复用必须写下三条笔记它为什么是这个结构它隐含的前提是什么如果前提变了哪些环节会失效这三条笔记不需要很长但必须用自己的话写。写的过程就是逼自己把AI的“隐性逻辑”变成自己的“显性理解”。我现在每周会回看上周的笔记凡是当时写不清楚的地方就是回去继续补课的地方。4.3 用新标准衡量自己的成长以前我衡量自己效率的指标是“产出速度”一天写了多少行代码、出多少文案、完成多少个需求。现在回头看这些指标在AI时代已经失效了因为AI能让任何人的产出速度都飞快它衡量不出来“我长出多少本事”。我换了另外三个指标。第一个叫“脱离AI后的完成度”。我会随机抽一个上周做过的任务关掉AI用加倍的时间重新做一遍看自己到底能独立完成多少。这个数据会直接告诉我我的真实能力是在涨还是在跌。第二个叫“追问深度”。面对AI给出的回答我能不能问出足够深的问题所谓足够深是指能够问出它的隐含假设、识别它的适用边界、发现它可能出错的隐患。如果面对AI回答我只能点头说“挺好”说明我根本没有判断力如果能问出它答不上来的点说明我在这一块真的懂了。第三个叫“方案解释力”。我能不能把一个方案讲到一个外行也能听懂的程度这个方法特别残酷也特别有效。因为凡是靠“AI说这样可以”支撑的方案一旦脱离AI这套话语体系你根本讲不出一个完整的故事。我前几次自测的时候讲到一半就发现自己很多环节只是“知其果、不知其因”。衡量维度旧指标新指标工作效率单位时间产出量脱离AI后的独立完成度理解深度能看懂AI答案能问倒AI答案技能沉淀收藏了多少方案能向外行讲清多少方案工具关系AI代我完成AI帮我验证5. 关于未来我思考清楚的四件事5.1 判断力是最后一道防线AI会变得越来越强它的回答也会越来越像“正确答案”。到那个时候使用工具的门槛会低到几乎不存在但真正拉开人与人之间差距的只剩一个东西判断力。判断力是你知道哪些环节AI会错的能力是你敢于推翻一个“看起来很完美”的方案的能力是你清楚哪些事情无论如何都不该交给AI的能力。这种东西没办法靠提示词获得它只能从你自己的错误里长出来。你亲手做过一遍、踩过坑、吃过亏你才能对某件事形成真正属于你的体感。依赖AI的答案永远替代不了这个过程。我现在的态度是AI说什么我还得额外想一遍它可能错在哪。以前我觉得这是不信任AI后来我想明白了这不是不信任这是在保护自己的判断力。如果一个答案连“它哪儿可能不对”都想不到那你根本没资格说你会用这个答案。5.2 低AI依赖本身就是一种竞争力这两年在职场上有个明显趋势嘴上挂着“效率翻十倍”的人越来越多但离了AI就不知道从哪下手的人也越来越多。当所有人都向同一个AI要同一个标准答案的时候所有人的产出会变得越来越相似。这种趋同恰恰会让“能脱离AI独立产出”的人变得稀缺。我说的“低AI依赖”不是拒绝AI而是始终保留一条不依赖AI也能完成的工作路径。你的工具箱里可以有很多工具但你得保证自己没带工具箱的时候双手也有干活的能力。这在平时看不出来但在关键时刻——比如环境受限、现场演示、离线场景——你会成为那个别人搞不定而你还能上的人。这句话不是鸡汤是我在一次完全依赖AI然后当众失败之后用不愉快换来的领悟。5.3 AI擅长平均值未来稀缺的是偏离平均值AI生成的内容本质上是高概率答案是“大多数情况下最可能正确”的输出。它可以保证你写出来的东西不差但也正因如此它很难产出真正让人眼前一亮的东西。因为它是在已有的数据分布里取平均值而不是在数据分布之外寻找新的可能。真正有创造价值的东西恰恰是偏离平均值的一个奇怪但有效的解决方案、一段带着个人风格很难被模仿的表达、一个基于独特经历得来的洞察。这些事情只能靠真实经验积累出来参数堆不出来。我不是说AI对创造没有帮助它是很好的效率和参考工具。但最终的“偏离值”必须来自你真正接触过的东西你自己调过的模型、自己服务过的客户、自己经历过的失败。这些经验没法外包外包一次你就离“平均值”更近一点。5.4 从执行者变成定义者未来对个人真正的考验不是“你能不能完成”而是“你应该完成什么”。在AI能取代执行流程的时代定义问题的能力、拆解目标的能力、评估结果的能力、承担后果的能力仍然在人身上。同样是和AI协作执行者会问“怎么做”定义者会问“做什么”“为什么做”“做到什么程度”。这两个问题的层级差异就是未来能力的分水岭。你可以花十秒钟让AI做出一张图但你要先想清楚这张图到底要说明什么、给谁看、传递什么情绪。这些前置思考AI没法替你完成。我现在给自己设了一个提醒每次打开工具之前先暂停十秒问自己一句“我到底要解决什么问题”。别小看这个动作它能帮你从“让AI替我完成”重新拉回到“我来定义AI辅助”的正确轨道上。定义者不会失业因为总得有人对方向负责只会执行的人才最容易被工具替代。2026年之后我给自己定下一条规矩任何AI给我的东西我都要在三天内亲手复现一次。如果实在复现不了那我至少要把原理讲给另一个人听讲不通就说明还没学会。这个规矩不保证我永远不掉队但至少让我清楚哪些能力是长在自己身上的哪些只是借来的。如果你也想做一次能力归零测试我建议从最小的事情开始。关掉所有辅助工具把你上周最熟练的那个工作重新做一遍。别追求速度只看自己能不能完成、卡在哪里。这个动作不一定要写代码写文案、做表、做图都可以。我在实际操作中最大的体会是真正让人踏实的不是我对AI有多熟而是我知道自己离开它还剩多少底牌。想清楚这一点未来再变心里也不会慌。