AI 时代，普通人的「只学概念」清单
你和你的同事，打开的是同一个对话框。 所以差距不可能产生在 AI 那一端。
这期我把这个主题做成了一期讲座视频（约 15 分钟）。下面是文字完整版，视频和配套 PPT 都附在文末——你也可以先看一下视频：
视频地址：https://www.bilibili.com/video/BV1WoWF6qEH5/
一个奇怪的现象
AI 已经普及到人手一个。但观察一下身边的人，你会发现一件反直觉的事：
会用 AI 的人变多了，效率差距却没有缩小，反而拉大了。
奇怪吗？其实一点都不奇怪。
因为在这件事里，AI 是常量，不是变量。你和你的同事，用的是同一个模型，面对的是同一个对话框。AI 这一端是完全拉平的。
那么问题来了：如果 AI 是常量，专业知识又不考虑，人和人之间的效率差到底从哪来？
第一反应通常是：「提示词写得不够好。」
**我认为这个答案是错的。**至少，被严重高估了。
为什么「学提示词」是个坑
提示词技巧，是关于工具的知识。
而工具每个月都在变。你今天琢磨出来的写法，三个月后人人都会，而且下一代模型大概率直接内置。靠「更会用 AI」建立的优势，是在沙子上盖楼。
更微妙的一点是：
很多人以为自己在学提示词，进步其实来自一个副作用——终于逼着自己把需求想清楚了。
技巧只是载体，结构化表达才是有效成分。你学的是后者，误以为是前者。
所以，别再把时间投在工具的用法上了。
真正发生的，是一次瓶颈迁移
先看这张图：
AI 之前，一件事情的价值分布是这样的：
- 把东西做出来：很贵，很稀缺
- 判断做得对不对：相对便宜，因为产出慢，你有的是时间检查
AI 之后，这个分布翻过来了：
- 把东西做出来：近乎免费
- 判断做得对不对：变得极贵
原因很简单：AI 让生产的速度提高了十倍，但你的检查速度没变。于是瓶颈从产出端，移到了验收端。
整条价值链的重心，从「做出来」转移到了「怎么算做对了」。
这件事有个不太好听的推论：
一个没有验收能力的人用上 AI，不是效率变高了。 他只是从「慢慢做错」，变成了「飞快地做错」。
速度本身不是效率。方向对了，速度才有意义。
知道它存在 > 学会它
那么，回到最初的问题：不具备专业背景的普通人，该学什么？
我的答案是：学概念，不学语法。
理由是这样一个区分：
AI 消除的是**「已知之未知」**——我知道我不会，现在 AI 会了。
但 AI 放大的是**「未知之未知」**——我不知道我不知道有这回事。
这两种差距，待遇完全相反。看这张对照图：
左列是技能，右列是认知。左列 AI 全包，右列 AI 一点忙都帮不上——它甚至会让你舒舒服服地停在原地，还以为自己已经用上了 AI。
所以，像 Markdown、LaTeX、REST API 这类基础知识，真正的价值不在「你会写它们」，而在 「你知道它们存在」。
它们给你的是一张可能性地图：让你知道有这条路，你才会开口往那个方向要东西。
而 AI 只能回答你问得出口的问题。
清单
筛选标准只有一条：
这项知识，AI 能不能替你补上？ 能补的 → 只学「它存在、它解决什么问题、它长什么样」 不能补的 → 学到形成直觉
按这个标准，下面这张清单分成三层。先说清楚它们分别是什么：
- A 层 · 可能性地图 —— 这些事 AI 会替你做，所以你只要知道「有这条路」就够了。学它的目标只有一个：能叫出名字、能描述我要什么。
- B 层 · 判断力 —— 这些 AI 补不上，必须你自己有。这一层没有捷径，只能靠带反馈的重复实践慢慢长出来。
- C 层 · 护栏 —— 防止被 AI 带偏。这一层学的是 AI 的缺陷，不是它的功能。
一句话记住：A 层买地图，B 层练眼力，C 层装护栏。
每一条我都标了「要知道」和「不用学」——后者请直接跳过，那正是省时间的地方。
A 层 · 可能性地图（知道有这条路就行）
01 Markdown 要知道：标题、列表、表格、代码块能表达结构，而且它是 AI 事实上的母语——会用它，你就能精确规定输出长什么样。 不用学：各种方言与扩展语法。
02 结构化数据 / JSON 的思维 要知道：任何信息都能拆成「字段 + 值 + 嵌套」。这是你和 AI 对齐输出格式的通用语言。 不用学：schema 规范。
03 纯文本与文件格式 要知道：文件分「给人看的」和「机器能解析的」，纯文本最耐用、最可互换。 不用学：编码细节。
04 文件路径与目录 要知道：东西存在哪、相对与绝对路径、目录层级。能指路，AI 才动得了手。 不用学：权限位。
05 REST API——只记五个词 要知道：端点、请求、响应、状态码、鉴权。真正的收获是一个信念——「这件事背后多半有个东西可以被叫起来」。 不用学：RESTful 成熟度模型。
06 凭证与环境变量 要知道：密钥不能写进文档和代码里，要单独存放、单独注入。既是安全常识，也是接 API 的门槛。 不用学：任何密钥管理工具的配置。
07 Git——只学「快照与回滚」 要知道：每次提交都是一个可以返回的存档点。AI 让你改东西快十倍，可逆性就从锦上添花变成刚需。 不用学：rebase、cherry-pick、冲突解决战术。
08 SQL——只学三个动词 要知道：select / filter / group。它的本质不是「查数据库」，而是**「精确描述你要的那部分数据」**——这正是练需求表述的最小训练场。 不用学：JOIN 优化、窗口函数。
09 正则——只学「模式可描述」这个事实 要知道：文本里的规律可以被一句话说出来。说出那句话就够了，表达式让 AI 写。 不用学：语法本身。
10 管道 / 标准输入输出 要知道：程序之间可以首尾相接、自动串联——这是「自动化」这四个字的物理基础。 不用学：shell 脚本语法。
11 定时任务 要知道：存在「不用人盯着、到点自己跑」这种形态。光是知道这一点，就会改变你怎么提需求。 不用学：cron 表达式。
12 幂等 要知道：「执行一次」和「执行两次」结果必须一样，否则自动化迟早出事。这是判断一个自动化方案靠不靠谱的硬指标。 不用学：分布式事务。
B 层 · 判断力（AI 补不上，必须自己有）
01 金字塔原理——只留两条 要知道：结论先行、归类不重不漏（MECE）。
而且它的用途已经变了：结构 AI 会替你搭，你要用它来验收——一眼看出结论是不是埋在第三段、分类有没有交叉。
不用学：SCQA、逻辑树、七步法等整套黑话。对普通人是负担，不是能力。
02 验收标准前置 在让 AI 动手之前，先写下「我凭什么知道它做对了」。没有这个，速度就是幻觉。
03 数量级感（Fermi 估算） 对任何数字先问一句「它 realistic 吗」。这是没有专业背景的人最便宜的防伪工具。
04 常见逻辑谬误与统计陷阱 相关不等于因果、幸存者偏差、以偏概全、循环论证。判断「这个推理靠不靠谱」的最低配置。
05 抽样与选择偏差 你看到的这十个例子是被选出来的，不是随机出现的。AI 给的案例尤其如此。
06 机会成本与边际思维 「做这件事」的代价是「没做那件事」。工具越顺手，越容易把时间花在低价值的事上。
07 可逆性判断 先问「这个决定能不能撤销」。能撤销就快走，不能撤销就先慢下来——这是唯一一条能同时提升速度和安全的规则。
C 层 · 护栏（防止被 AI 带偏）
01 AI 的四个固有倾向 ① 倾向讨好你，而不是纠正你； ② 输出的是 plausible（看着对），而不是 correct（真的对）； ③ 你没说清的假设，它默认最平庸的那一种； ④ 长上下文里，中间部分容易被忽略。
这一层学的是 AI 的缺陷，不是它的功能。缺陷比功能稳定，不随版本迭代消失。
02 输入卫生 什么不能喂进去：他人隐私、公司机密、未公开的财务与个人信息。这是不可逆操作，犯了没有回滚。
03 归因纪律 AI 给的每一个事实性结论，都要能指出「依据在哪」。指不出来，就当作它没给。
动手前三问
拿到一件事，先过这三关，再决定要不要让 AI 上：
第一问：这件事我还会重复做几次？ 少于十次——直接做完，别搭系统。花三小时自动化一件十分钟能干完的事，是工具知识带来的典型偏误。
第二问：我能说出「什么算做对了」吗？ 说不出来——先别动手。你只是从慢慢做错，变成飞快地做错。
第三问：做错了能撤销吗？ 能撤销就快走；不能撤销，就先慢下来，把回滚准备好。
反向清单：这些明确不要学
省下来的时间，投到 B 层去。
- LaTeX 语法 — 知道「数学可以被文本表达」就够了，Markdown 里嵌一行公式即可
- 某个具体模型的提示词模板 — 三个月过期，下一代模型直接内置
- git rebase / cherry-pick / 复杂冲突处理 — 你要的是回滚，不是历史考古
- SQL 的 JOIN 优化与窗口函数 — 普通人根本不会碰到那个数据量
- 手搓正则表达式 — 描述清楚模式，让 AI 写
- 任何一种框架的安装与配置 — 除非你要靠它吃饭
- 麦肯锡工具箱里剩下的那一整套 — 对普通人是黑话，不是能力
最后
回到开头那个问题：不具备专业知识的人，怎么靠 AI 拉开效率差？
我的结论是：
别去学怎么用 AI，去学怎么判断结果好不好、怎么把问题说清楚。
前者三个月过时，后者一辈子有效。
而且恰恰是「没有专业知识」的人最缺、也最该补的那一块——因为它无法外包。
AI 会继续变强，会变得更聪明、更听话、更便宜。这些都是常量，对所有人一视同仁。
唯一属于你的变量，是你脑子里那张可能性地图有多大，以及你能多快看出一份结果是垃圾。
配套 PPT（可翻页）
讲座用的幻灯片做成了可在浏览器里翻页的网页，← → 或空格切换：
也可单独打开：https://nagu.cc/slides/ai-普通人只学概念清单/
如果这篇对你有用，转给那个还在背提示词模板的朋友。