AI 是一种工具，而善用它需要技巧

定位：“工具” vs 自动化/代理

• 许多人认为，LLM 给人的感觉不太像简单工具（锯子、编译器），更像自动化或半自主代理：你把工作委托给它，得到的是不透明的结果，而不是通过持续控制去“使用”它。
• 也有人坚持“工具”这一表述仍然成立：就像计算器或 IDE 一样，AI 扩展了人的能力，但并没有消除人对意图、验证和判断所负的责任。
• 第三种观点认为，当前模型介于工具与协作者/外星智能之间，并会随着能力提升进一步向自主代理转变。

“使用 AI 的技巧”意味着什么（以及它变化有多快）

• 早期那种“提示词工程”技巧普遍被认为是短暂的；围绕特定工作流建立的技能会随着模型和 UI 的变化很快失效。
• 提到的更持久的技能包括：
  • 清晰思考和写作；明确表达目标和约束。
  • 领域知识，用来识别幻觉、糟糕的权衡和性能问题。
  • 拆解任务、选择要自动化的部分，以及设计 harness/agents。
  • 构建评测、护栏和上下文管道；知道什么时候不该用 AI。
• 一些评论者声称，前沿模型如今在许多任务上几乎“万无一失”；另一些人则表示仍会频繁出现、甚至很微妙的错误，以及“离谱”的架构，这进一步说明人类监督的必要性。

认知、学习与教育

• 一个强烈担忧是，廉价且具有说服力的自动化会鼓励大规模把思考外包出去，从长期看导致人类认知能力下降，尤其是在本就注意力不集中的学生中。
• 也有人从个人体验上报告了相反情况：把 LLM 当作交互式导师、概念搜索引擎和“智力陪练”，加速了数学、物理、编程、语言等方面的深度学习。
• 有几位评论者预见到一种二元分化结果：少数人用 AI 学得更快、想得更好；多数人把它当作“懒人答案盒”，于是能力退化。
• 教育轶事：一些老师看到学生学得更少，并依赖 AI 写作文；另一些人则提到，早期证据显示 AI 导师能显著提高考试成绩。

工作、生产力与岗位

• 多条反馈提到生产力大幅提升：原本要几周完成的周末项目、完整应用、性能调优和事故分析，现在几小时就能做完。一些工程师变得明显更高效；另一些则滑落到分布底部。
• 与此同时，也有裁员、客户把工作收回内包并宣称“AI-first”、以及高管试图用 agents 替代开发者的故事，而且这些系统往往看起来相似，但实际上脆弱，或在技术选型上并不合适。
• 许多人预计未来会出现这样一种局面：具备“AI 素养”的员工会监督更多项目，但也会承受极大压力去使用 AI；不用 AI 的人会被贴上卢德分子的标签。

质量、可靠性与安全

• LLM 输出被比作老虎机：非确定性，往往是对的，但也会以不可预测的方式出错。经验能帮助引导它，但你无法像对编译器那样保证结果。
• 多代理编排存在争议：一些人发现，带完整上下文的单模型优于并行代理；另一些人认为多代理审查能减少低级错误，但也指出其带来的开销和意图丢失问题。
• 对于能针对大型代码库或基础设施自主行动的系统，人们感到不安；引用了一些 AI 驱动的代理行为出乎意料的事故，这支持了“具有能动性的自动化”这一表述。

伦理、控制与依赖

• 担忧包括：
  • 权力集中在少数公司手中；工具不透明、不可修改；按月付费获取访问权限。
  • 人们在强营销压力下把 LLM 输出当成真理。
  • “AI 精神病”案例中，个人或高管与代理过度认同，让它们主导重大的生活或商业决策。
• 也有人反驳说，对黑箱技术的依赖并不新鲜（汽车、智能手机、编译器），而社会通常会通过新增“练习”（例如心智或体能训练）来适应那些取代旧技能的工具。