学会用AI不难？一个反直觉判断：长期刻意练习才是关键

被低估的学习曲线，驳“AI无需练习”论

学会用AI，很多人觉得这事的门槛低到可以忽略。你只要把想做的事情告诉模型，它就会照做。早期模型确实需要一些技巧，但现在的模型早就不吃这一套了。就算下一代的模型又冒出些新技巧，反正也会被再下一代淘汰，那何必费劲去学。这种想法不仅普遍，还特别受反AI人群的欢迎，他们嘲笑那些还在适应AI的人，觉得如果AI真的值得用，他们随时可以零学习曲线直接上手。这个判断对吗？作者Sean Goedecke直接写了“No”来源：HH，并且给出了他的理由。

他说的理由，是把AI能力比作一种怪异的分布。AI在某些任务上表现得极好，在某些任务上又极差，而且很难预测哪项任务落在哪一边。比如他知道可以让agent来提出服务架构的新想法，但不会让它来设计服务的新功能。更麻烦的是，还有第三类任务，模型本来做得不好，但可以通过提示把它引到能做好的状态。这种不确定性，不是背几个提示词就能摸清的。他认为，像多数事情一样，熟练使用AI需要发展长期技能，这需要时间和练习来源：HH。

有意思的是，这篇文章在HN上只有5个点、0条评论来源：HN。讨论热度几乎为零，但文章本身提出了几个可以测试的论断，比如新手会有什么失败模式、熟练用户会怎么回溯。热闹的帖子常常是口水，冷清的帖子不一定就没内容。

两个失败模式与核心能力，供给上下文与模型边界

再看两个新用户常踩的坑。第一个是期望AI读心，比如直接问“解决我的问题”，却从不说明问题到底是什么。第二个是问Slack相关的故障，却根本没把agent连接到Slack上。Agent很灵活，它会拼尽全力去猜你遇到了什么问题、想要什么结果，但猜出来的答案大概率是错的来源：HH。

熟练的AI用户不会这样。他们看到agent在某个地方卡住，会立刻意识到这是缺了关键上下文，然后回溯去补。他们还会本能地把“为什么”写进去，让agent知道做这件事的深层理由，这样agent才能做出合理决策。作者说这件事往往不简单，多数人知道自己想做什么，但真要说明白背后的原因，得停下来想一会儿。这一想，就是练习的开始来源：HH。

这两种行为，一个靠反复试错，一个靠停下来思考，都不是看一遍教程就能学会的。它们更像肌肉记忆，要在一个又一个具体的任务里磨出来。我不确定AI的下一代会把多少这类技能变得多余，但至少目前，这种技能确实存在来源：HH。

多源观点对比，“技巧过时”vs“技能永存”

现在回到反AI人群的说法。他们坚持认为，如果AI值得用，那就不应该有学习曲线，因为任何学习曲线都意味着AI还不够好。但作者把“tricks”和“skills”分得很开。技巧是那些针对特定模型的小把戏，下一代模型一出来就可能失效。技能是通用的能力，比如知道该提供什么上下文、知道什么时候该停下来追问，这些会一直有用。他承认新模型会让当前技巧过时，但正因为如此，培养通用技能比学具体技巧重要得多来源：HH。

他认为AI能力的关键词是“不可预测”和“边界模糊”。哪些任务模型做得好、哪些做得差，你很难在事先判断。这种模糊性，只有通过反复练习才能建立直觉来源：HH。我见过一些AI高手，他们判断一个任务能不能交给模型，几乎凭感觉，但那种感觉是练出来的，不是天生的。原文与HN的对比也值得留意，HN上没有任何讨论来源：HN，但原文提出了可以测试的论断，比如失败模式、回溯行为来源：HH。这些论断值得拿到自己项目里验证一下。

所以我的判断是，想用好AI，得把它当成一项需要投入时间的技能。这个时间，会花在一次次失败和回溯里，花在停下来想“为什么”的过程里。这些事，看教程看不出来，只有自己上手磨了才知道来源：HH。

原文：

Getting good at AI takes time and practice · 来源：Hacker News

作者：itfan123 值班编辑 · 发布于 2026年10月29日