一 场 关 于 效 率 差 的 讲 座

AI 时代，普通人的
「只学概念」清单

不要求任何专业背景
面向所有人 · 越普通越该听

导学

今天的路线图

1. 一个反直觉的现象——AI 普及，差距反而拉大
2. 被高估的「学提示词」——为什么它是错的答案
3. 瓶颈迁移——从「做出来」到「判断对不对」
4. 知道它存在 > 学会它——已知之未知 vs 未知之未知
5. 三张清单 A / B / C——可能性地图、判断力、护栏
6. 动手前三问 + 反向清单——先过这三关
7. 读书与训练——AI 时代该读什么、练什么

第 一 部 分

一个反直觉的现象

AI 普及了，差距为什么反而拉大？

现象

一个反直觉的观察

AI 普及了，人和人之间的效率差距
没有缩小，反而拉大了。

同一把 AI：有人十分钟出活，有人一小时打转；有人做出成果，有人制造需要返工的垃圾。

破题

AI 是常量，不是变量

• 你和同事，打开的是同一个对话框、同一个模型
• AI 这一端，是完全拉平的
• 所以效率差，不可能产生在 AI 那一端

第一反应「提示词写得不好」—— 我认为是错的，至少被严重高估。

第 二 部 分

被高估的「学提示词」

关于工具的知识，正被快速清零

理由一

提示词，是关于「工具」的知识

• 工具每个月都在变
• 你今天的写法，三个月后人人都会
• 下一代模型大概率直接内置这些技巧

把安全感建立在「工具用法」上，是最不安全的——这是在沙子上盖楼。

理由二

你以为在学技巧，其实在想清需求

写提示词的过程，本质是在回答三个问题：
我要什么 · 边界在哪 · 什么时候算完成

技巧只是载体，结构化表达才是有效成分。你以为在学使唤工具，其实在练更底层的能力。

小结

别把时间投在工具用法上

真正的效率差，不在「更会用 AI」。
它藏在别的地方。

下一站：真正发生的事——一次瓶颈迁移。

第 三 部 分

瓶颈迁移

从「做出来」到「判断对不对」

图示

瓶颈迁移：一张图

图1：AI 之前 vs AI 之后，价值重心的迁移

解释

为什么重心会翻转

• AI 让生产速度提高十倍，但你的检查速度没变
• 瓶颈从「产出端」挪到了「验收端」
• 价值重心：从「怎么做出」→ 到「怎么算做对」

这是比任何具体功能都更深的一层变化。

推论

飞快地做错

没有验收能力的人用上 AI，不是效率变高——
只是从「慢慢做错」，变成「飞快地做错」。

速度不是效率。方向对了，速度才有意义。

第 四 部 分

知道它存在 > 学会它

已知之未知 vs 未知之未知

框架

两种差距，待遇相反

已知之未知
我知道我不会，
现在 AI 会了 → AI 帮你补上

未知之未知
我根本不知道有这回事 → AI 帮不上忙（问题都问不出口）

越往后者走，越危险——你甚至不知道自己缺了什么。

图示

AI 能补上的，和补不上的

图2：左列 AI 全包；右列 AI 一点忙都帮不上

结论

一张可能性地图

基础知识真正的价值，不在「你会写」，而在「你知道它存在」。

AI 只能回答
你问得出口的问题。

你脑子里的地图有多大，向 AI 要东西的半径就有多大。

第 五 部 分

三张清单 A / B / C

可能性地图 · 判断力 · 护栏

总览

清单怎么分层

A 层 · 可能性地图
AI 会替你做，你只要知道有这条路

B 层 · 判断力
AI 补不上，必须你自己有

C 层 · 护栏
防止被 AI 带偏，学它的缺陷

A 层买地图，B 层练眼力，C 层装护栏。

A 层

可能性地图 01–03

01 Markdown：能表达结构，且是 AI 的母语 → 能精确规定输出。不用学方言。

02 结构化数据 / JSON：信息 = 字段+值+嵌套，与 AI 对齐输出的通用语言。

03 纯文本与文件格式：分「给人看」与「机器解析」，纯文本最耐用。

A 层

可能性地图 04–07

04 文件路径：能指路，AI 才动得了手。不用学权限位。

05 REST 接口：端点/请求/响应/状态码/鉴权 → 信念「背后多半能叫起来」。

06 凭证与环境变量：密钥单独存放，是安全也是接接口的门槛。

07 Git · 快照与回滚：可逆性 = 敢放手用 AI 的前提。

A 层

可能性地图 08–12

08 SQL 三动词：查询/筛选/分组 = 精确描述要的数据，练表述的最小场。

09 正则：只要知道「模式可描述」，表达式交给 AI。

10 管道：程序首尾相接 → 自动化的物理基础。

11 定时任务：不用人盯着、到点自己跑。12 幂等：执行一次＝两次，否则出事。

B 层

判断力 01–04

01 金字塔原理：只留「结论先行 + 不重不漏」，用来验收 AI 结构。

02 验收标准前置：动手前先写「我凭什么知道它做对了」。

03 数量级感：任何数字先问「它合理吗」——最便宜的防伪工具。

04 逻辑谬误与陷阱：相关≠因果、幸存者偏差、以偏概全。

B 层

判断力 05–07

05 抽样与选择偏差：看到的案例是被选出来的，AI 给的尤其如此。

06 机会成本与边际：工具越顺手，越容易把时间花在低价值处。

07 可逆性判断：能撤销就快走，不能就先慢 → 唯一同时提升速度与安全的规则。

C 层

护栏 01–03

01 AI 四个倾向：讨好你 · 看着对非真对 · 默认最平庸假设 · 中间易忽略。

02 输入卫生：隐私/机密/他人数据别喂 → 不可逆操作，没有回滚。

03 归因纪律：AI 给的事实，要能指出依据；指不出就当没给。

第 六 部 分

动手前三问 + 反向清单

先过这三关，再决定用不用 AI

工具

动手前三问

1. 还会重复做几次？少于十次 → 直接做完，别搭系统。
2. 能说出什么算做对了吗？说不出 → 先别动手（速度是幻觉）。
3. 做错了能撤销吗？能 → 快走；不能 → 先慢，备好回滚。

这三问，是判断「该不该用 AI」的最低成本关卡。

反向

明确不要学

• 具体模型的提示词模板（三个月过期）
• LaTeX 语法 / git 复杂操作 / SQL 高级优化
• 手搓正则 / 框架的安装配置
• 麦肯锡工具箱剩下的黑话

省下的时间，投到 B 层（判断力）去。

第 七 部 分

读书与训练

该读什么，该练什么

分野

两类知识，两种对待

内容型 → 交给 AI
语法、框架、方法论
AI 三十秒给同样好的摘要

训练型 → 只能自己练
先猜后验、被打脸、读复盘、踩坑
书与 AI 都给不了

判断力只能从「带反馈的重复实践」里长出来——书天生不擅长给训练。

建议

读什么，练什么

• 读失败案例不读成功学（判断力长在看出错上）
• 读原始材料不读二手框架
• 把读书换成练习：先猜后验、先写标准再动手

读完只多几个名词的书，让 AI 替你读；
改变做事方式的，才自己啃。

收尾

一句话结论

别学怎么用 AI，
去学怎么判断结果好不好、怎么把问题说清楚。

前者三月过时，后者一辈子有效；且无法外包。

三 个 动 作

带走的，不只是清单

☑ 挑 A 层里一两个你不知道的，去「知道它存在」
☑ 挑 B 层一条（如验收标准前置），下次用 AI 前先写下来
☑ 停下手头那个打算花三小时自动化的小事，问一句：值得吗

真正的学习，发生在你停下盲动、开始判断的那一刻。