学习 AI 不必过度焦虑

这篇文章具有时效性，作者参考的是 2026 年中旬时的情况，至于以后的发展，谁知道呢

写在前头

这篇文章的起因是这样的：此前某人对于科协内部的 AI 学习情况十分的痛心疾首，于是呢他写了很多关于如何使用 AI 的文章。我看了之后深受感动，然后发现我也有一些自己想补充的东西，所以在这里用一篇文章来简单地来讲讲

这几年以来，AI 对很多行业都造成了不小的冲击。但是现在仍然可以肯定的是，AI 还是不能完全替代某一个行业的所有工作。无论是写代码，写文章还是作曲画画，我敢肯定的是：在这些方面有一定鉴赏经验的人还是可以分辨出完全的 AI 创作跟人工作品之间的区别的（最近的许多模型在写作上还发生了退步）

如果要保证 AI 的作品跟人类创作的相差无几，那也依旧要投入不少精力（参见写新项目时给 AI 写的一堆约束，AI 绘画时要不停地抽奖，AI 写出来的文章总是有一股味，还得要手动去改

所以吧，简单点来讲目前 AI 其实还没有我们想象中的那么强大（至少没有某些文科生想象的那么强大），可以一句话包揽所有活，所以学习使用 AI 肯定还是有积极意义的

为啥我不推荐什么新概念都去了解

学习归学习，但对我而言，学习超级新的事物并不是那么要紧的事情，至少我不会去学那种昨天刚刚推出的新东西。因为在尝试之前，你不会知道吃到的是巧克力还是什么别的东西，这样尝试的代价太大了

AI 圈有个笑话：一个月不学习就会落后很多，一年不学习却完全没落后。你引以为傲的提示词技巧，在模型智力升级后可能一文不值。相比于 23 年的 AI，我觉得今天的 AI 入门门槛比那时低多了 。可能这就是科技发展的感觉吧

AI 是科技没错，但是科技的背后可不只是科技，还有如商业、政治等方面上的博弈，天天都在炒新概念，绝大多数还是新瓶装旧酒，换汤不换药

可以看看我们常常见到（？）的一些概念：

• LLM：大语言模型，市场的风口，Agent 的核心
• Prompt：提示词，告诉 LLM 要做什么
• Tool / Function Calling：函数调用，通过提示词告诉 LLM 怎么用，让 LLM 不止可以对话
• Hook：钩子，在 Agent 某些流程中插入的函数调用、提示词等东西
• MCP：把各类数据和工具统一变成提示词给 LLM 的协议
• CLAUDE.md：提前写给 Claude 的提示词
• AGENTS.md：提前写给 GPT 或者是什么别的模型的提示词
• Memory：记忆，从以前对话总结出来的提示词
• Skill：技能，用户自己给 LLM 整的一套预制提示词
• Agent：基本上就是把上面的东西组合起来
• Workflow：工作流，人用 Agent 完成任务的固定流程
• Prompt Engineering：提示词工程，用合适的提示词问 LLM
• Context Engineering：上下文工程，把上下文组成合适的提示词给 LLM
• Harness Engineering：驾驭工程，用合适的提示词和工具约束与提示 LLM
• Loop Engineering：循环工程，定时把提示词发给 LLM

很容易发现，上面这么多神秘名词基本都是由 LLM、函数调用以及提示词排列组合而成的，没那么高大上。你抛出提示词，LLM 调用函数，给出回复，一切都是那么的自然

这些大模型厂商生造概念也不是一天两天了，正常人当然不会全部都去专门了解，只需要知道现在那些模型能力够强就够了。所以我的思路一直都是：只学那些经过前人检验过的东西，至于那些很新的东西，在需要时再学

如果我就是想学那些新概念呢（或者只是想了解最新动态

B 站上有挺多每天播送 AI 新闻的 UP 主的，我本人比较喜欢看这个 UP 的

或者也可以试试让 AI 给你总结 AI 新闻，记得告诉 AI 不要忽略国内的新闻源

如果我是 AI 新手，确实不会用 Agent 呢

可以去看看我开头提到的那位十分操心于此的人的文章

不过还有一个被动学习的邪修办法：去花个几十上百块开个 Coding plan，然后记得在额度重置前想尽一切办法用完，不然就白交学费了

我之后还会写一篇文章，讲讲我是怎么用 Codex 来学习的