AI时代，认知先行

“拿着你的剑，但别忘了路边的花” 作为一名程序员，我的日常工作与 AI 编程打交道最多。AI 编码的效率高得离谱——原来需要几个人甚至几十个人排期的工作量，交给 AI 可以压缩到十分之一，甚至百分之一。但关键还是在于用 AI 的人，如何把它的价值发挥到最大。强者恒强吧。 这本书戳中了我很多痛点和共鸣。要是能早点读到，或许我会更快地改变对 AI 的认知和使用方式。到现在，我依然每天抽时间学习各种 AI 技巧，收藏各位大佬的方法论。好像学了很多，又好像忘了很多——可能一开始就没进脑子，只是吹了阵耳边风，听了个响罢了。从最早的 Prompt Engineering，到 Context Engineering，再到 Harness Engineering 和 Loop Engineering，学习的速度根本赶不上 AI 进度的飞涨，很多理论还没搞懂，新的又冒出来了，总感觉自己一直在追赶。回到最初的提示词工程阶段，那会儿大家都在摸索，比拼的就是谁的提示词更好：有结构、能复用、能快速变现。于是人人都在套用各种提示词模板。现在回过头看，那时的自己真像是在用上个时代的方法学这个时代的东西。再好的提示词，都不如你自己想清楚、表达清楚要做什么来得重要。提示词只是方向盘，不是目的地本身。 说到公司层面的 AI 提效，关键往往不在个人。个人的提效是已知的、可控的，但整个流程和组织的提效却是未知的、不可控的。个人的工作大多可以拆解成具体步骤，有了明确步骤，人加 AI 就能做到精确提效，甚至一个人干多个人的活——无非就是“人 + 多个 AI”罢了。“流程折叠”和“成本折叠”效果很诱人，但改动极大，很大可能需要重新设计、重新规划整套运行机制。前期或许伤筋动骨，后期的收益却非常巨大，这也是为什么很多大厂在用 AI 重塑整个团队的工作流。那么，AI 会取代很多人吗？不一定。事情还在，只是不需要你来做了。就像现在，我已经不用“古法编程”——手写代码了，但写代码这件事一直都在，只是换成了 AI 来做。那我做什么呢？我只能去做 AI 做不了的事：告诉它能不能做、该不该做、应该怎么做。于是，我有了更多时间去设计需要的功能和系统，也有了更多时间去处理人与人协同中那些繁琐的事情。AI 很难替代人与人之间的协作，因为协作充满了不确定性，而 AI 更偏向执行已确定的任务。即便到了现在的循环工程阶段，也需要设计出完善的驱动进化系统，AI 才能更好地执行下去。这个前提，依然是你要更懂 AI 才行。 如何与 AI 工具建立深度关系？这是个好问题。我们可以用不同的 AI 工具做不同的事，每个工具都有自己擅长的领域，也都在持续进步，新功能层出不穷，学不完，也很容易学不动。我觉得需要收敛一下：工具不在多，在精。啥都用过、啥都能用，不代表啥都会用。浅层地使用很难真正发挥出 AI 工具的价值，很多能力都是在深度使用过程中才被激发出来的。比如我用 Superpowers 处理一个很大的需求功能，花几个小时想清楚设计规范和实现思路，AI 编程只用了半个小时，结果改动了七八十个代码文件，影响范围完全可控，系统稳定性和代码健壮性都很好。这时我真正感受到 AI 的价值巨大：不单是完成了一项出色的编程任务，而是整个过程可以稳定、高质量地执行输出，大幅减少了我后面 review 和维护的时间。 合上书，作者那句“进化的本质是出错”让我印象深刻。实践出真知，学再多的 AI 知识都不如上手去试。犯错是正常的，至少能让你看清自己的不足，摸清 AI 的边界，然后再去思考如何改进、如何做得更好。成为更好的自己，才是我们一直在追求和成长的必经之路。

AI的底层逻辑： 概率：如果你把AI当成一台“概率预测机”，你的心态就完全不同了：它在猜。它猜得好不好，很大程度上取决于你给它什么上文让它猜。你不是在“问”一个专家，你是在“引导”一个概率模型。所以——所有的提示词技巧，归根到底就一句话：缩小它的概率空间。 均值回归：平均值就是没有特色的东西，统计学上叫“均值回归”——当你从一个大样本里取平均值，所有有趣的特征都被抹平了。 角色：AI最好的角色，也许不是你的助手、你的工具、你的员工。也许是你的一面安静的镜子。AI帮你建立一种新的思维方式——先想清楚，再说出来。AI只是那个放大器。你给AI的每一个指令，映射出来的是你自己思维的清晰程度。你说得模模糊糊，AI就回得模模糊糊。你说得刀刀见骨，AI就回得刀刀见骨。 心理模型：学AI的第一课不是学提示词，是建立一个正确的心理模型。 提示词三段式：角色设定，任务描述，输出要求。 * 角色设定：角色最好是用一个文化符号替代一堆描述。 * 任务描述：目的-要什么，约束-不要什么，流程-按什么步骤来。 * 约束的力量不是限制了AI，是把AI逼出了舒适区。约束的核心机制——它不是限制AI的能力，它是逼AI使出真本事。三条约束就够了，一条定风格，一条定边界，一条定禁区，这三条的质量，比五百字的详细描述有用得多。堵路比描路高效。减法比加法精确。 * 输出要求：真正的威力在于两个字“举例”。在提示词的世界里，一个好例子胜过一千字描述。你说“轻松”，AI可以理解成一百种轻松——脱口秀的轻松、朋友聊天的轻松、TED演讲的轻松、段子手的轻松。你给一段“轻松”的例子，AI只能理解成这一种轻松。概率空间从一百条路缩小到了一条路。 提示词经典例子： * 你是做过超级碗中场秀的创意总监。 * 用李诞的口吻吐槽加班，100字。 * 用GQ杂志的笔法写一段男士手表的推荐，200字，结尾留一个悬念。 * AI吐槽师：你是一个毒舌但善良的脱口秀演员。用一个具体的生活细节，把这个热点的荒诞感说出来。30字以内。 * 用曹德旺在央视采访里的说话方式，写一段给员工的年终复盘。800字。只准说实话，不准说套话。 * 用一个从没见过秋天的热带地区的人第一次到北京的视角，写50字。不许用‘落叶’‘金黄’‘萧瑟’这三个词。 上下文工程“正想倒做”“逆向渲染”： * 不从外部出发，而是从内部出发，目标、意图、竞争对手、卡点、数据、会议纪要，从内部资料与外部趋势对齐，这样更快、更不绕弯、更能激发AI理解。 * 不是从正面输入框架、分类收纳的泛泛之谈，而是多维扫描、直接追问核心问题，引导AI走入 “焦点探测”。 1. 前置探测：先用逆向渲染提问法，完成对新业务的深层透视，挖出核心胜负手、机会点、风险点，得到一组经过交叉验证的真实结论。 2. 后置整理：把这些结论填充进 SWOT、五力、GE 矩阵里，做最终的结构化呈现和量化决策。 将错就错：AI将发明什么 在AI世界，99%的东西还没被发明。 人类历史上最重大的发明和发现，有一大批不是“按计划做出来的”，而是在某个出错（bug）的瞬间，有人多看了一眼。 进化的本质就是出错。而AI，是人类有史以来最大规模的“出错机器”。 这就像基因突变：百万次随机错误里，有一次恰好创造了一种前所未有的蛋白质，一种更好的适应方式。 保持一种“猎人的觉察”——当AI给出一个意料之外的回答，不要急着删除，先停三秒钟想一想：这个“错误”里有没有一个我从没想过的角度？ 把AI推到“已知”的边缘，看看它会撞出什么。这是探索地图之外的区域。你可能走一百步只找到荒地，但第一百零一步踩到了金矿。 创新的本质是组合。而AI是人类有史以来最强大的“组合机器”。

《AI时代，认知先行》 徐冲 41个笔记 第9章 一把用到烂的枪 ◆ 比如你可能不知道，在一个对话里反复追问同一个问题、要求AI自我纠正，三四轮之后它给出的答案质量会有一个跳跃式的提升。 ◆ 你也可能不知道，先让AI列出它不确定的地方再回答，幻觉率会大幅降低。这个技巧叫“元认知引导”——你逼它在回答之前先审视自己的知识边界，它就会在不确定的地方保持谨慎而不是胡编乱造。你可能更不知道，把一个复杂任务拆成三个简单任务分别给AI做，然后再让它把三个结果整合起来，效果远比一次性把复杂任务丢给它好。 第10章 少即是多 ◆ 三条约束就够了。一条定风格，一条定边界，一条定禁区。 第13章 CT扫描式提问 ◆ 逆向渲染法，就是把CT扫描的逻辑用在AI提问上。不直接问“这个东西是什么”——因为这个问法只能给你一张正面照。而是设计多个不同的观察维度，让AI分别从每个维度分析同一个对象，最后把这些分析交叉对比，还原出任何单一维度都看不到的深层结构。 ◆ 具体怎么做？三步。第一步：选角度。 ◆ 第二步：逐一投影。把每个角度单独给AI，让它深入展开。 ◆ 第三步：交叉还原。这是魔法发生的地方。把五个角度的分析放在一起，让AI（或者你自己）做交叉比对：“我刚才从五个维度分析了这个新业务。现在请你把这五个分析放在一起看——有哪些结论是多个角度都一致指向的？有哪些结论是互相矛盾的？一致的地方说明了什么？矛盾的地方又说明了什么？” ◆ 怎么找到甜点区？一个简单的检验方法：如果你提出一个角度，AI的回答像一份报告的某个章节（太具体），那就往上提一个抽象层级。如果AI的回答像一篇哲学随笔（太抽象），那就往下降一个层级。甜点区的回答应该像一个聪明人在跟你认真聊天——有观点、有论据、有判断，但不拘泥于细节也不飘在空中。 第15章 99%尚未诞生 ◆ 想想看：如果AI能实时生成内容，那“文章”这种预先写好、固定不变的形式是不是可以被替代？也许未来的“阅读”是你说出一个问题，内容围绕着你的问题实时生长，像一棵树一样往你需要的方向长出枝丫？如果AI能理解你的情绪和意图，那“PPT汇报”这种你说我听的单向形式是不是可以被替代？也许未来的“汇报”是老板走进一个AI生成的沉浸式数据空间，自己探索，自己得出结论？如果AI能同时处理文字、图片、声音、视频、代码，那“把内容按格式分类”这件事是不是可以被取消？也许未来根本没有“文章”“视频”“播客”的区分，只有“内容”——它会根据你接收的场景自动选择最合适的呈现方式？你在地铁上，它变成短文字。你在开车，它变成语音。你在书桌前，它展开成一个可交互的知识地图。 ◆ 进化论的核心也是这么说的：基因复制的时候偶尔会出错，绝大多数错误是有害的，但极少数错误恰好让生物更适应环境——这就是突变，这就是进化的引擎。进化的本质就是出错。 ◆ 就像今天会用Excel不算什么优势一样，三年后会用AI也不算什么优势。降本增效是一场没有终点的军备竞赛。你永远可以更快、更便宜，但你永远跑不过AI本身的进化速度。今天你用AI两小时做完的事，明年AI可能十分钟自己就做了，不需要你。唯一的出路是：做AI做不了的事。 第16章 执剑看花 ◆ 他发现自己无法纯粹地画画了。AI给了他一个参照系——一切不用AI做的事情，都显得“低效”。而一旦“效率”成为你衡量一切的标尺，那些“没有产出”的事情就会自然而然地从你的生活中消失。画画没有产出。散步没有产出。发呆没有产出。看夕阳没有产出。跟朋友聊一些没用的废话没有产出。但一个全是“产出”的人生，是值得过的人生吗？ ◆ 这就是品味。这就是判断力。它不是“学”来的。它是“泡”出来的。它需要时间。而且这个时间必须是“没有目的”的时间——一旦你带着“我要提升判断力”的目的去看电影、去逛展览、去散步，那种功利性就会过滤掉你真正需要的东西。因为判断力的本质是一种直觉。 ◆ 你可能已经注意到了：这本书一直在做一件事。第一部分，我们说你的焦虑是对的，但焦虑的方向是错的——你不应该焦虑“AI会不会取代我”，你应该焦虑“我有没有学对”。第二部分，我们说你学错了——你一直在学工具的用法，但你真正需要的是理解工具的本质，然后重新理解你自己。第三部分，我们给了你具体的方法——三板斧、约束、逻辑分支、上下文工程、逆向渲染——让你真的能用起来。到了第四部分，也就是现在，我要说的是：上面这些全是手段。 ◆ AI最好的角色，也许不是你的助手、你的工具、你的员工。也许是你的一面安静的镜子。你对着它说话，听到的是你自己的声音。然后你终于可以安静下来，想一想：在这个一切都在加速的时代，你真正想要的是什么样的生活？你真正在乎的是什么？你希望自己被怎样记住？ 第5章 一只读过整个互联网的鹦鹉 ◆ 所有的提示词技巧，归根到底就一句话：缩小它的概率空间。 第6章 说人话的方法论 ◆ 目标、约束、流程。但记住，这不是一个模板——你不需要每次都写齐这三样。有时候一句话就够了：“用李诞的口吻吐槽加班，100字。”目标有了（吐槽加班），约束有了（100字），角色有了（李诞），流程不需要。简洁本身就是精准。 ◆ 在提示词的世界里，一个好例子胜过一千字描述。因为例子是无歧义的。 第12章 从一句话到一个世界 ◆ 上下文有四个层面。第一层：你直接给它的信息。 ◆ 第二层：对话历史。 ◆ 第三层：角色设定注入的隐性信息。当你说“你是一个有十年经验的品牌策略顾问”， ◆ 第四层：示例。你给AI看的任何例子——“类似这种风格”“像下面这段话一样”“参考这个格式”——都是极其强大的上下文。示例是所有上下文形式中信息密度最高的。 ◆ 你不可能全塞给AI（上下文窗口有限，而且信息过多反而稀释重点），你需要做选择：哪些放进去、哪些不放、放进去的以什么顺序排列、每一份材料加不加你自己的批注。 ◆ 好的策展有几个原则，我在实践中总结的。第一，相关性优先，但“相关”的定义比你想的宽。 ◆ 第二，结构化呈现。同样的信息，一坨纯文本和按照清晰标题分块整理过的文本，AI的理解效率差很多。 ◆ 第三，把最重要的信息放在开头或结尾。大模型对上下文的注意力分配不是均匀的——研究表明，开头和结尾的信息通常比中间的更受重视。 ◆ 第四，留下你自己的判断。不要只给AI原始材料。加一段你自己的理解——“我读完这些材料后的初步想法是…… ◆ 第五，告诉AI它不知道什么。这一点99%的人会忽略，但它极其重要。如果你知道某个关键信息缺失——比如你没有竞品在印尼的具体市场份额数据——明确告诉AI：“以下分析中缺少竞品在印尼市场的具体份额数据。在涉及市场份额的论述中请注明这是推测，不要给出看起来很确定的数字。” 第8章 它说谎时和说真话一模一样 ◆ 那怎么相处？答案是八个字：“用它想，自己判。”什么叫“用它想”？AI特别擅长帮你做这些事：发散思路、整理结构、换角度看问题、快速生成草稿、模拟不同立场、把模糊的想法变成结构化的表达、帮你做头脑风暴、帮你找到你自己思考的盲区。 ◆ 什么叫“自己判”？任何涉及事实、数据、引用、法律条文、医学建议、技术参数的内容——你必须自己验证。不是“大概率没问题”就行了。必须验证。一次都不能偷懒。 ◆ 小陈后来改了工作流。他现在用AI的方式是这样的：第一步，让AI帮他搭报告框架——哪些维度、哪些板块、什么逻辑线、什么叙事节奏。这一步AI做得又快又好，因为不涉及具体数据，纯粹是结构和逻辑的工作。绿灯区。第二步，让AI帮他写每个板块的分析文字——观点、论述、逻辑链、过渡语。这一步AI也做得不错，因为分析的质量取决于框架和逻辑，不取决于某个具体数字是387亿还是342亿。黄灯区——逻辑链条需要他自己审一遍。第三步，他自己查数据。去Statista、去行业白皮书、去上市公司财报里扒——每一个数字亲手核实，每一个引用追溯到原文。这一步只有他自己能做，AI在这一步的角色只是‘帮他列出需要查哪些数据’。红灯区——绝不假手于AI。 第11章 教它分岔路 ◆ 这是逻辑分支最深层的价值。表面上你在教AI判断，实际上你在整理自己的判断体系。AI只是一面逼你把直觉变成逻辑的镜子。逻辑分支的应用远不止邮件。它是一种通用的提示词结构，适用于所有需要“分情况讨论”的场景。而“分情况讨论”，几乎就是工作的全部。 ◆ 你看出模式了吗？所有好用的逻辑分支都有一个共同点：它们不是在描述“你该怎么做”，而是在描述“先判断是什么情况，再决定怎么做”。 间章 三个跃迁——从“我在用AI”到“AI在替我做” ◆ skill是你给自己造的工具箱。简单说，skill就是把“提示词+流程+长期需要带的上下文”打包成一个可触发的东西。需要时调用，不需要时它就在那儿。 ◆ 什么时候该把一个提示词升级为skill？三条判别标准：第一，这件事你干过三次以上。 ◆ 第二，这件事有相对稳定的流程。 ◆ 第三，有一段需要长期带着的上下文。 ◆ 反过来——什么时候不要做skill？不要太早做。 ◆ 还有一条——不要把skill库做得太大。一个人的skill库十几个就够了。 ◆ agent是一个有目标、能自己规划、能多步执行、能调用工具的AI实体。你给它一个目标，它自己拆任务、自己执行、自己反思、自己产出。 ◆ 什么时候该把skill升级为agent？还是三条：第一，这件事可以脱离你的实时关注。你不需要在场盯着。结果好不好，你事后看一眼就行。第二，这件事的目标比流程更重要。你不在乎它具体怎么做，你只在乎结果。你说：“每天早上给我一份200字的行业动态简报”，至于它去看哪些信息源、怎么筛选、怎么压缩——它自己看着办。第三，这件事需要在某个时机自动发生。不是你想起来才做，是到点就做。每周一早上七点交简报，每天下午六点汇总今日待办——这种“按时钟”或“按事件”触发的事，是agent的本命。反过来——放权要慢。 -- 来自微信读书

那个“镜子”的部分很棒。 我用AI很多年了，从GPT3.5就开始用了，当时是数学学习上遇到了巨大的困难，可能是我的天赋不够吧，反正就是很多内容我理解不了，所以我见到了惊为天人的GPT后就开始试着让它用最通俗的语言解释可能是世界上最复杂的一门“语言”——数学。结果我学习速度和深度达到了前所未有的程度。从那个时候开始起，我就知道我离不开这个东西了。 再后来，我学习到了大模型本身内部的一些数学原理，于是迅速尝试了提示词工程，发现比之前的提问效果好了十倍不止。到了这一步，我觉得我已经把AI用到了极致（毕竟我都用它来进行数学探索了，总该不会有比利用基于数学原理的提示词来进行数学推理更复杂的应用了吧？）。 不过看完这本儿书我觉得还有更进一步的境界——用它来改造自己的思想（我必须说，这正是我很喜欢这一章的原因，它很“人文主义”），即“镜子”这一章的内容。我从来没想到过使用大模型的过程实际上就是一个发现自己和改造自己的过程，虽然我实际上确实被它改变了，但我从来没有意识到这一点，直到这本书的作者在“镜子”这一章指出这一点。 确确实实，组织提示词的过程（尤其是在写一个agent的提示词时）就是一个不断修炼自己思维的过程，比如我发现我在写“skills”和“输出格式”的时候，非常非常依赖“布尔代数”的思维，甚至于已经内化成了我在任何时刻思考问题的一个工具。所以AI真的是就像一个镜子一样照出了我们自身真实的逻辑水平。我们自己厉害，结果就很厉害；我们不行，用多厉害的工具都不行。 最后，我用一段我老师的话来共勉：如果我们是工具（包括但不限于AI）的延伸，那么谁都无法代替我们；如果工具是我们的延伸，我们一定会被先进的工具所替代。

《AI时代，认知先行》是一本刺破时代迷雾的醒脑之作。它跳出技术迭代的表层喧嚣，直指认知升级这个个体破局的核心命题。 书中对传统线性职业观的拆解令人震撼：AI浪潮下，“爬山路”式的职业路径早已失效，唯有构建“万花筒生涯”，以跨域能力和超级个体姿态，在灵活切换中锚定自身价值。它不提供标准化答案，却用多元视角为读者搭起认知脚手架，帮你在AI重构的世界里，找到清晰的前行坐标。

读完这本书的感觉：先别急着学工具，问题出在人的身上。 书里最实在的地方是，不光告诉你"想清楚"，还教你怎么想清楚。几个方法特别好用： 第一，提示词别写一大段，就三块：你是谁、你要干啥、你要啥结果。比如"用李诞的口吻吐槽加班"就比"用幽默风格写一段职场内容"好使十倍，因为够具体。另外，别忘了加一句"举个例子"，效果直接翻倍。 第二，少说"要什么"，多说"不要什么"。别总想着给AI画路线，直接把不能走的地方堵上，剩下的路它自己能找到。三条约束就够：啥风格、啥边界、啥不能碰。 第三，别上来就套框架。什么SWOT、五力模型先放一边，先把你自己的目标、卡在哪、手上有什么数据扔给AI，让它帮你往下挖，挖完了再套框架整理。这招做业务决策特别好使。 第四，同一个问题换个角度多问几遍。就像医院做CT，从不同方向扫，才能看清里面到底是什么。 第五，AI答得不对别急着删。先想想——这个"错"里面，有没有我没想到的角度？很多时候意外才是最有价值的东西。 整本书最戳我的一句："AI一直在等一个能把话说清楚的人。"你问得糊里糊涂，它答得也糊里糊涂；你问得明明白白，它才能给你真东西。AI就是一面镜子，照的是你自己脑子清不清楚。 总体来说，如果你已经过了"AI好神奇"的阶段，卡在"到底怎么才能真正用起来"，这本书能帮你把那个弯拐过去。

市面上AI书分两种：一种是技术手册，教你怎么写提示词；一种是恐慌贩卖，告诉你人类要完蛋了。这本都不是。它讲的是：AI来了，什么能力会变得更重要？答案是——提问的能力、判断的能力、把碎片信息串起来的能力。作者徐冲应该是教育或咨询背景，行文干净，不堆术语。最有用的是第三章，讲“怎么跟AI合作而不是被它带着走”，给了几个具体的工作流模板。缺点是案例偏白领场景，蓝领或创意行业的读者可能觉得隔。

推荐！ 用AI把自己“优化”成地狱，我只用了3个月。 这阵子我在单位亲手搭了个问答Agent， Reasoning+Acting架构，自研RAG工具， 提示词、上下文、异常兜底全自己拿捏， 那一刻觉得自己真的nb坏了。 但很快掉进怪圈： AI给了我一个绝对的效率参考系， 任何不用AI做的事，都显得又蠢又低效。 我以为自己在驯化AI， 其实是思维模式被它反向驯化—— 怎么写prompt、喂什么context、划什么边界， 全程都在跟着机器的逻辑走。 更可怕的是心理层面。 每当AI产出惊艳结果， 我心里就升起一种完美的幻想。 我开始用机器的标准要求自己： 不能冗余，不能停顿，要时刻高吞吐。 我觉得自己在异化成一个Agent， 优化自己的“提示词”，修剪自己的“上下文”， 把自己当成一个可计算的节点。 而且没有任何人逼我。 压迫者就是我自己， 是我对低效的恐惧，和对完美、无限可能的贪念。 AI让做事能力爆炸式增强，成本变得极低。 于是我不自觉把所有时间填满。 因为“做”就有回报，“不做”就没有。 这种高效率，就像在跑步机上追求终点， 因为什么都能做，就什么都想做，什么都要AI化， 心里总有个声音说：顺手就干了。 结果呢？ 效率翻倍，时间依然被填满。 以前是被领导、被他人填满， 现在是被我自己填满。 我成了自己最严苛的监工。 康德说：自由是能选择说不。 萨特说：他人即地狱。 但在AI时代，我觉得这些都不够了。 真正的自由，是自己给的， 是能否跳出即时满足和疯狂追逐效率的陷阱。 如果跳不出， 那不要说他人， 自我，亦是地狱。

在思维的剧烈颠簸中读完了这本书，虽然所有的收获都含糊不清，虽然读到后面几章时，尝到了浓浓的AI味，甚至有些逻辑方式完全就是AI的，但我还是要要推荐，是很认真的那种推荐。 在读第一部分的时候我无地自容。我几乎看到了所有曾经犯过的错误，从普通的到低级的，一直到弱智级的。 读第二部分的时候我很慌。那个骂过无数次的AI，原来都是被我脑子里水给耽误的。 到第三部分的时候我在思考先有鸡还是先有蛋的问题。因为用好AI需要先想清楚问题，但我就是想不清楚问题，才让AI帮我整理思路的。 最后的部分其实全书的核心。在AI时代，我们的价值是决策和判断，而AI的价值就只是实现。为了提升决策和判断能力，我们还必须要要给自己充足的时间，让自己做些无用的事情来自我修复。但问题是，我就是在做无用的事情，而且还都是那种毫无效率的无用。 如果想充分了解AI，就一定要读这本书。不要着急骂，也别着急夸。当思维被颠簸过之后，总会有些水被洒出来，这是好事。 学习AI的过程就是看清自己的过程。现在的核心问题并不是如何学习和了解AI，而是你有没有能够驱动AI为你服务的自身价值。

对于一个概率机器来说，它是一面镜子，能照到你自己，所以你最终要做的事情，或者最重要做的第1件事就是要想清楚，想清楚对方是一个概率的反馈，他给你提供很多建议和思考，他来提供建议，但是要你自己去判断，所以说认知陷阱，就是你要想清楚你怎么认识这个问题，你想要达到什么目标，也就是所谓的先定角色再提要求，最后说输出，这是最基本的框架，也就是说一条河，你就要堵住它不该流的地方，也要引导它该流的地方，最后形成你想要的东西，但是最重要的是去练，去接触，去感受、去理解，因为语言概率模型也好，最主要的就是去说它的精准，它的准确性，这样才能最接近本质。