Claude和GPT全買了，AI用起來為啥還是不好用？老金來告你！
整理版優先睇
AI好唔好用，關鍵喺你嘅認知，唔係工具。老金拆解兩大認知同AI能力四層次。
老金係一個踩過好多坑嘅AI實踐者，佢開源咗大量免費知識庫同教程，成日鼓勵唔識代碼嘅人勇敢嘗試。呢篇文章針對一個普遍困惑：明明買齊Claude、GPT最好嘅模型，點解用起上嚟仲係唔多順？
老金嘅結論好直接：AI用得好唔好，同工具幾乎冇關係。關鍵喺你腦入面嘅兩塊認知——一塊係你對要做件事本身嘅認知（知唔知個活應該點做），另一塊係你對AI能力嘅認知（知唔知AI有咩能力、點組合用）。兩塊入面，AI認知重可以再細分：90%係提效，10%係反哺認知。
文章跟住拆解咗做事認知點樣影響方向判斷，又用一個四層能力金字塔講清楚AI認知：由最基本嘅對話生成，到工具調用、技能擴展，再到自主執行。每一層對應唔同效率量級。最後老金提醒，AI幫你跳過過程嘅同時，都侵蝕咗孕育判斷力嘅經驗土壤；判斷力冇捷徑，只能自己親手做、犯錯、改完先會長出嚟。
- 結論：AI用得好唔好，關鍵喺使用者對事情本身嘅認知，而唔係工具。
- 方法：將AI能力分四層——對話生成、工具調用、技能擴展、自主執行，每升一層效率翻倍。
- 差異：有做事認知嘅人可以精準指令，冇嘅人就似坐冇方向盤嘅車；AI認知決定你能唔能夠快速提效。
- 啟發：AI幫你跳過過程嘅同時，都侵蝕咗孕育判斷力嘅經驗土壤，判斷力只能自己長。
- 可行動點：用AI後問自己兩個問題——知唔知結果好唔好？能唔能夠更快更好完成？缺邊塊補邊塊。
飛書開源知識庫（實時更新 交流羣）
老金嘅免費知識庫，包含AI相關學習資源同交流羣資訊。
Claude Code & Openclaw 全中文教程
唔懂代碼照樣造網站，老金15萬字Claude Code+OpenClaw教程免費開源。
工具唔係關鍵，認知先係
老金一開始都覺得模型愈好就得，點知換曬Claude、GPT、Gemini輪住試，結果發現唔對路——同樣嘅工具，唔同人用出嚟嘅效果完全唔同。
做事認知：方向由你定，AI只係加速
如果你自己做過市場分析，腦入面有框架——市場規模、增長率、競爭格局、關鍵玩家。你俾AI嘅指令會非常精準，出嚟嘅嘢唔會跑偏。
有做事認知嘅人用AI，知道自己要去邊，方向自己定，AI負責加速。
相反，冇做事認知嘅人，好似坐喺一架冇方向盤嘅車上。AI帶你去到一個地方，睇落好似幾啱，但你唔知啱唔啱、應唔應該喺度落車。
AI認知四層金字塔：你停喺邊層？
2026年嘅AI能力早就唔係一個聊天框。如果你重停留喺「輸入一句話等回覆」嘅階段，你用緊嘅唔夠AI能力嘅5%。老金將主流AI能力分成四層：
第一層：對話與生成——ChatGPT、Claude呢啲基本對話，大部分人停喺呢層。
- 1 第一層：對話與生成。問問題、寫文案、翻譯、總結，大部分人就停喺呢度。
- 2 第二層：工具調用。Tool Use、MCP協議、RAG，AI可以由答問題變成幫你幹活。
- 3 第三層：技能與擴展。Skills同Plugins，將專業知識打包俾AI，等於組建AI團隊。
- 4 第四層：自主執行。Agent Mode、Computer Use、Subagents、Multi-Agent編排，AI似個能自己幹活嘅同事。
每升一層，效率翻一個量級。同一ChatGPT賬號，效率差距可以係10倍甚至更多。
呢筆帳好清楚：同樣一個調研任務，第一層要用30分鐘，第四層3分鐘搞掂。唔係因為後者聰明，係因為佢知AI有咩能力同點組合用。
10%反哺認知：順手補細節
AI認知嘅10%係反哺認知——你知道一個大方向，但對具體細節唔熟。AI可以幫你喺已有方向上補細節。
反哺認知嘅前提係你至少知應該問咩方向。連「競爭格局」呢個概念都冇，你根本唔會諗到問呢個問題。
呢種增長好安靜，你唔係喺度「學習」，而係用AI幹活嘅過程中順便補咗細節。做完回頭睇，會發現理解深咗一層。
兩個問題，測出你嘅認知缺口
用AI做完一件事之後，問自己兩個問題。呢兩個問題對應兩塊認知，缺邊塊補邊塊。
你知道AI俾你嘅結果好唔好嗎？如果唔知——你缺做事認知。
你能夠令AI更快更好咁完成呢個任務嗎？如果唔能夠——你缺AI認知。
- 做事認知靠實踐，冇捷徑。多自己動手、多做決策、多承擔後果。
- AI認知靠學習，2026年嘅能力已經遠超聊天框，要自己動手試Skills、Plugins、MCP、Agent Mode呢啲功能。
- 兩塊都到位，你會發現AI突然好用了——唔係AI變咗，係你變咗。
加我入AI討論學習羣，公眾號右下角「聯絡方式」
文末有老金嘅 開源知識庫地址·全面免費
先講一個可能唔係幾舒服嘅結論。
AI用得好唔好，同工具幾乎冇關。
老金我一開始覺得模型越靚就得。
換咗Claude、GPT、Gemini輪住試。
結果發現唔啱——同樣嘅工具，唔同人用出嚟嘅效果完全唔同。
你可以做一個實驗。
揾兩個同事，一個做過三年產品，一個啱啱入行。
叫佢哋用同一個AI，寫一份競品分析報告。
資深嗰個出嚟嘅嘢，方向啱，框架穩。
邊啲數據口徑要查，心裡有數。
稍微改一改就用得。
初級嗰個出嚟嘅嘢，結構靚，措辭專業。
但你仔細睇……應該對標邊個、應該用邊個指標、結論企唔企得住，全部係唔確定。
同樣嘅AI，同樣嘅提示詞，結果天差地別。
分別唔係喺工具。係你腦入面裝嘅嘢。
具體嚟講，係兩塊認知喺度起作用。
一塊係你對件事本身嘅認知——你知唔知呢份工應該點做。
另一塊係你對AI嘅認知——你知唔知AI有咩能力、點樣組合嚟用。
呢兩塊入面，AI認知嗰塊又有兩個層次：90%係提效，10%係反哺認知。
今日將呢三層拆清楚。
你唔知應該點做，AI都幫唔到你
先講第一塊，亦係最易被忽略嗰塊。
有做事認知嘅人用AI，知道自己要去邊
方向係自己定嘅，AI負責加速。
你叫AI幫你做一份市場分析。
如果你自己做過，腦裡有框架。
市場規模、增長率、競爭格局、關鍵玩家。
畀AI嘅指令會非常精準。
出嚟嘅嘢唔會走偏。改一改就用得。
冇做事認知嘅人用AI，就似坐喺一架冇方向盤嘅車上面
AI帶咗你去一個地方，睇落好似幾似樣。
但你唔知啱唔啱，應唔應該喺呢度落車。
你叫AI寫一份產品分析報告。
指令大概係「幫我寫一份產品分析報告」。
AI就幫你吐返一份結構完整、措辭專業嘅嘢出嚟。
但你唔知佢揀嘅數據源可唔可靠。
結論有冇邏輯漏洞。
應唔應該用呢個框架而唔係嗰個框架。
36氪最近翻譯咗一篇哈佛商業評論嘅文章。
入面有個發現都幾扎心。
一個諮詢顧問觀察到：AI對資深員工嘅幫助，遠大過對初級分析師嘅幫助。
初級分析師用AI的確可以快速生成內容。
但成果冇實質性提升。
更重要嘅係，佢哋往往判斷唔到產出質量嘅好壞。
原因唔複雜。
判斷力唔係AI可以畀你嘅。
係你自己踩過坑、犯過錯、做過決策之後先會生出來嘅。
識AI先可以將AI用得快——AI認知嘅90%
第一塊管方向。第二塊管速度。
但呢度有個關鍵點好多人冇諗清楚。
對AI嘅認知，90%係提效率——同樣係做一件事，你識AI就可以快十倍。
剩低10%，係AI可以喺你已有嘅方向上，幫你補返你唔知嘅細節。
呢個之後單獨講。先講提效呢塊。
同樣一個任務，識AI同唔識AI嘅人操作完全唔同。
唔識嘅人，一句話掟過去，等結果。
結果唔好，再換一句話掟過去。
來來回回十幾次，時間全部浪費喺對話入面……
識嘅人，知道要將任務拆成步驟，分階段畀AI執行。
知道幾時要畀上下文，幾時要畀約束條件。
問題係，「識AI」到底要識啲乜？
2026年嘅AI能力，早就唔係一個聊天框咁簡單。
如果你仲停留喺「輸入一句話等回覆」嘅階段，你用緊嘅唔夠AI能力嘅5%。
老金我將當前主流AI能力分成四層，你睇嚇自己到咗邊層。
第一層：對話與生成
呢個係最基礎嘅。
ChatGPT、Claude、Gemini、豆包、千問、智譜、Minimax等嘅基本對話能力。
問問題、寫文案、翻譯、總結。
大部分人停喺呢一層。
第二層：工具調用
知道AI唔止係傾偈，仲可以調用外部工具。
Tool Use（又叫Function Calling）——讓AI調用外部API、執行代碼、生成圖表。
MCP協議——讓AI直接讀你本地文件、查數據庫、調API，唔使手動複製貼上。
RAG（檢索增強生成）——將AI連上你嘅企業知識庫，等佢基於你嘅私有數據回答問題。
到咗呢一層，效率已經翻咗好幾倍。
因為AI由「淨係答到問題」變成「可以幫你做到嘢」。
第三層：技能與擴展
知道AI可以安裝「技能包」。
Skills（Agent Skills）——2025年底Anthropic推出嘅開放標準。
簡單講就係可重用嘅指令包，將專業知識同工作流程打包畀AI用。
例如老金我寫嘅公眾號寫作Skill、代碼審查Skill、質量檢測Skill。
裝咗之後，AI唔使每次由零學起，直接按專業流程做嘢。
Plugins——比Skill更高一層嘅打包方式。
一個Plugin可以包含多個Skill、Hooks（自動觸發腳本）同MCP服務器。
裝一個Plugin，等於畀AI裝咗成套能力。
Claude Code、Cursor、Codex都支援。
到咗呢一層，你已經唔係喺度用AI，而係喺度組建一個AI團隊。
第四層：自主執行
呢個係2026年最熱嘅一層。
Agent Mode——AI唔止回答問題，佢可以自己規劃任務、拆步驟、執行、檢查結果。
Computer Use——AI直接控制你嘅瀏覽器同桌面，幫你操作軟件。
Deep Research——AI自己搜索、綜合多源信息，出一份完整調研報告。
Subagents——AI喺執行過程中，自動生成專業子Agent處理子任務。
Multi-Agent編排——多個Agent協作，好似公司入面嘅部門分工咁。
到咗呢一層，AI已經唔係工具咁簡單。
佢更加似一個可以自己做到嘢嘅同事。
四個層級，每升一層，效率翻一個量級。
停喺第一層嘅人，同到達第四層嘅人。
用嘅可能係同一個ChatGPT賬號。
但效率差距可能係10倍甚至更多。
呢筆數好清楚。
同樣一個調研任務，停喺第一層嘅人可能要30分鐘來回搞。
到咗第四層嘅人3分鐘搞掂。
唔係因為後者更聰明。
係因為後者知道AI有咩能力，點樣組合嚟用。
如果對你有幫助，記得關注嚇~
垂直方向嘅細節反哺——AI認知嘅10%
講完90%嘅提效。講返剩低嗰10%。
呢10%好容易俾人忽略，但其實好關鍵。
佢係咁樣嘅情況：你知道一個大方向，但對呢個方向上嘅具體細節唔係太清楚。
AI可以喺你已有嘅方向上，幫你將細節補返。
舉個例子。
你做過市場分析，你知道要睇「競爭格局」呢一欄。
但某個新行業嘅競爭格局具體係點樣、關鍵玩家係邊個、格局係點樣形成——呢啲細節你唔知。
呢個時候你問AI：「XX行業嘅競爭格局係點？頭部玩家有邊啲？各自嘅市場份額大概係幾多？」
AI幫你將呢啲垂直方向嘅細節補返。
注意，呢個唔係由零開始學一個新領域。
係你已經有咗「競爭格局」呢個認知框架，AI幫你將框架入面嘅具體內容填滿。
反哺認知嘅前提係：你至少要知道應該問咩方向。
如果你連「競爭格局」呢個概念都冇，你根本唔會諗到問呢個問題。
AI畀你嘅資訊再多，你亦唔知應該往邊個方向深挖。
呢個就係點解第一塊認知（做事認知）係基礎。
冇做事認知，AI畀你嘅細節再多，你亦唔知邊啲有用、邊啲應該忽略。
反哺認知仲有一個特點：佢通常發生得好安靜。
你唔係喺度「學習」，你係喺度「用AI做嘢」嘅過程中，順便將某個細節補返。
做完嘢回頭睇，發現自己對呢個領域嘅理解比起之前深咗一層。
呢種增長唔起眼，但累積落嚟好可觀。
AI幫你跳過咗過程，亦跳過咗成長
講一個冇咁舒服嘅觀察。
好多人以為學咗提示詞技巧、裝咗一大堆Skill同Plugin，就係學識用AI。
其實嗰啲只係第二塊認知入面嘅工具層。
更深層嘅問題喺第一塊——你自己對要做嘅嘢有冇判斷力。
哈佛嗰篇研究入面有句話講得幾準：
「AI既增加咗對判斷力嘅需求，同時亦侵蝕緊孕育判斷力嘅經驗土壤。」
換成人話講就係：
你叫AI幫你寫咗十份報告，你冇親手寫過一份。
你以為自己學識咗寫報告。
其實你只係學識咗審閲報告。
呢兩件事嘅認知深度差咗十個量級。
真正識寫報告嘅人，知道邊句話應該擺前啲。
知道邊個數據應該突出，知道邊種邏輯最容易打動讀者。
呢啲判斷力，係親手寫出嚟、俾人鬧過、改過三次之後先會生出來。
AI幫你跳過咗呢個過程。
亦幫你跳過咗呢個成長。
呢樣嘢唔可以怪AI，工具本身做返自己嘅嘢。
但使用工具嘅人自己心裡要有數：
邊啲環節可以交畀AI做，邊啲環節一定要自己落手。
兩個問題，測出你嘅認知缺口
用AI做完一件事之後，問自己兩個問題。
你知道AI畀你嘅結果好唔好嗎？
如果唔知道——你就欠缺做事認知。判斷唔到產出質量，即係你對呢件事本身冇框架。
你可以令AI更快更好地完成呢個任務嗎？
如果唔得——你就欠缺AI認知。睇嚇上面四層能力金字塔，揾返你停咗喺邊層，然後升上一層。
呢兩個問題對應兩塊認知。欠邊塊就補邊塊。
做事認知靠實踐，冇捷徑。
多啲自己落手，多啲做決策，多啲承擔後果。
AI認知靠學習。
2026年嘅AI能力已經遠遠超越「聊天框」喇。
Skills、Plugins、MCP、RAG、Agent Mode、Subagents。
每一個能力對應一倍甚至幾倍嘅效率提升。
唔係睇完一堆文章就得，係要自己落手試。
兩塊都到位嘅話，你會發現AI突然好用咗。
唔係AI變咗，係你變咗。
寫到呢度，老金反而覺得最有趣嘅唔係兩塊認知本身。
而係佢哋之間嘅關係：AI越強，對人嘅要求反而越高。
工具越智能，使用佢嘅人越唔可以糊塗。
AI可以幫你慳時間、慳氣力、慳步驟。
但慳唔到你對件事本身嘅判斷力。
呢份判斷力，只能靠自己生出來。
https://tffyvtlai4.feishu.cn/wiki/OhQ8wqntFihcI1kWVDlcNdpznFf
Claude Code & Openclaw 雙頂流全中文從零開始嘅教學：唔識代碼一樣整到網站，老金15萬字Claude Code+OpenClaw教學免費開源
我嘅小破站（有我開源嘅項目）：https://www.aiking.dev/
每次我都想提一提，呢個唔係凡爾賽，係希望有想法嘅人勇敢衝。
我唔識代碼，我英文都唔好，但我做出嚟好多嘢。
我真心希望可以影響多啲人嚟嘗試新技巧，迎接新時代。
多謝你睇我嘅文章。
如果覺得唔錯，順手點個讚、睇、轉發三連啦🙂
如果想第一時間收到推送，都可以俾我個星標⭐～多謝你睇我嘅文章。
加我進AI討論學習羣，公眾號右下角“聯繫方式”
文末有老金的 開源知識庫地址·全免費
先說一個可能不太舒服的結論。
AI用得好不好，跟工具幾乎沒關係。
老金我在一開始認為模型越好就行了。
換了Claude、GPT、Gemini輪着試。
結果發現不對——同樣的工具，不同人用出來的效果完全不同。
你可以做一個實驗。
找兩個同事，一個幹過三年產品，一個剛入行。
讓他們用同一個AI，寫一份競品分析報告。
資深的人出來的東西，方向對，框架穩。
該查哪些數據口徑心裏有數。
稍微調調就能用。
初級的人出來的東西，結構漂亮，措辭專業。
但你一細看。。。該對標誰、該用哪個指標、結論能不能站住腳，全是不確定的。
同樣的AI，同樣的提示詞，結果天差地別。
差別不在工具。在你腦子裏裝的東西。
具體說，是兩塊認知在起作用。
一塊是你對事情本身的認知——你知不知道這個活該怎麼幹。
另一塊是你對AI的認知——你知不知道AI有哪些能力、怎麼組合着用。
這兩塊裏面，AI認知這塊又有兩個層次：90%是提效，10%是反哺認知。
今天把這三層拆清楚。
你不知道該怎麼做，AI也幫不了你
先說第一塊，也是最容易被忽略的一塊。
有做事認知的人用AI，知道自己要去哪
方向是自己定的，AI負責加速。
你讓AI幫你做一份市場分析。
如果你自己做過，腦子裏有框架。
市場規模、增長率、競爭格局、關鍵玩家。
給AI的指令會非常精準。
出來的東西不會跑偏。調一調就能用。
沒有做事認知的人用AI，像是坐在一輛沒有方向盤的車上
AI把你帶到了一個地方，看起來挺像那麼回事。
但你不知道對不對，該不該在這裏下車。
你讓AI寫一份產品分析報告。
指令大概是"幫我寫一份產品分析報告"。
AI給你吐出來一份結構完整、措辭專業的東西。
但你不知道它選的數據源可不可靠。
結論有沒有邏輯漏洞。
該不該用這個框架而不是那個框架。
36氪最近翻譯了一篇哈佛商業評論的文章。
裏面有個發現挺扎心。
一個諮詢顧問觀察到：AI對資深員工的幫助，遠大於對初級分析師的幫助。
初級分析師用AI確實能快速生成內容。
但成果沒有實質性提升。
更關鍵的是，他們往往判斷不了產出質量的好壞。
原因不復雜。
判斷力不是AI能給你的。
是你自己踩過坑、犯過錯、做過決策之後才長出來的。
懂AI才能把AI用快——AI認知的90%
第一塊管方向。第二塊管速度。
但這裏有個關鍵點很多人沒想清楚。
對AI的認知，90%是在提效——同樣是幹一件事，你懂AI就能快十倍。
剩下10%，是AI能在你已有的方向上，幫你補上你不知道的細節。
這個後面單獨說。先說提效這塊。
同樣一個任務，懂AI和不懂AI的人操作完全不一樣。
不懂的人，一句話扔過去，等結果。
結果不好，再換一句話扔過去。
來來回回十幾次，時間全耗在對話裏了。。。
懂的人，知道要把任務拆成步驟，分階段讓AI執行。
知道什麼時候該給上下文，什麼時候該給約束條件。
問題是，"懂AI"到底要懂哪些東西？
2026年的AI能力，早就不是一個聊天框了。
如果你還停留在"輸入一句話等回覆"的階段，你用的不到AI能力的5%。
老金我把當前主流AI能力分成四層，你看自己到了哪一層。
第一層：對話與生成
這是最基礎的。
ChatGPT、Claude、Gemini、豆包、千問、智譜、Minimax等的基本對話能力。
問問題、寫文案、翻譯、總結。
大部分人停在這一層。
第二層：工具調用
知道AI不只是聊天，還能調用外部工具。
Tool Use（也叫Function Calling）——讓AI調用外部API、運行代碼、生成圖表。
MCP協議——讓AI直接讀你本地文件、查數據庫、調API，不用手動複製粘貼。
RAG（檢索增強生成）——把AI連上你的企業知識庫，讓它基於你的私有數據回答問題。
到這一層，效率已經翻了好幾倍。
因為AI從"只能回答問題"變成了"能替你幹活"。
第三層：技能與擴展
知道AI可以裝"技能包"。
Skills（Agent Skills）——2025年底Anthropic推出的開放標準。
簡單說就是可複用的指令包，把專業知識和工作流程打包給AI用。
比如老金我寫的公眾號寫作Skill、代碼審查Skill、質量檢測Skill。
裝上之後，AI不用每次從零學起，直接按專業流程幹活。
Plugins——比Skill更高一層的打包方式。
一個Plugin可以包含多個Skill、Hooks（自動觸發腳本）和MCP服務器。
裝一個Plugin，等於給AI裝了一整套能力。
Claude Code、Cursor、Codex都支持。
到這一層，你已經不是在用AI了，你是在組建一個AI團隊。
第四層：自主執行
這是2026年最熱的一層。
Agent Mode——AI不只回答問題，它能自己規劃任務、拆步驟、執行、檢查結果。
Computer Use——AI直接控制你的瀏覽器和桌面，幫你操作軟件。
Deep Research——AI自主搜索、綜合多源信息，出一份完整調研報告。
Subagents——AI在執行過程中，自動生成專業子Agent處理子任務。
Multi-Agent編排——多個Agent協作，像公司裏的部門分工一樣。
到這一層，AI已經不是工具了。
它更像一個能自己幹活的同事。
四個層級，每升一層，效率翻一個量級。
停在第一層的人，和到達第四層的人。
用的可能是同一個ChatGPT賬號。
但效率差距可能是10倍甚至更多。
這筆賬很清楚。
同樣一個調研任務，停在第一層的人可能要30分鐘來回折騰。
到第四層的人3分鐘搞定。
不是因為後者更聰明。
是因為後者知道AI有哪些能力，怎麼組合着用。
如果對你有幫助，記得關注一波~
垂直方向的細節反哺——AI認知的10%
說完了90%的提效。說剩下那10%。
這10%很容易被忽略，但它很關鍵。
它是這樣一種情況：你知道一個大方向，但對這個方向上的具體細節不瞭解。
AI能在你已有的方向上，幫你把細節補上。
舉個例子。
你做過市場分析，你知道該看"競爭格局"這一欄。
但某個新行業的競爭格局具體長什麼樣、關鍵玩家是誰、格局是怎麼形成的——這些細節你不知道。
這時候你問AI："XX行業的競爭格局是什麼？頭部玩家有哪些？各自的市場份額大概是多少？"
AI幫你把這些垂直方向的細節補上了。
注意，這不是從零開始學一個新領域。
是你已經有了"競爭格局"這個認知框架，AI幫你把框架裏的具體內容填滿。
反哺認知的前提是：你至少得知道該問什麼方向。
如果你連"競爭格局"這個概念都沒有，你根本不會想到問這個問題。
AI給你的信息再多，你也不知道該往哪個方向深挖。
這就是為什麼第一塊認知（做事認知）是基礎。
沒有做事認知，AI給你的細節再多，你也不知道哪些有用、哪些該忽略。
反哺認知還有一個特點：它往往發生得很安靜。
你不是在"學習"，你是在"用AI幹活"的過程中，順便把某個細節補上了。
幹完活回頭看，發現自己對這個領域的理解比干活之前深了一層。
這種增長不顯眼，但積累起來很可觀。
AI幫你跳過了過程，也跳過了成長
說一個不那麼舒服的觀察。
很多人以為學會了提示詞技巧、裝了一堆Skill和Plugin，就是學會了用AI。
其實那些只是第二塊認知裏的工具層。
更深層的問題在第一塊——你自己對要做的事情有沒有判斷力。
哈佛那篇研究裏有句話說得挺準：
"AI既增加了對判斷力的需求，同時也在侵蝕孕育判斷力的經驗土壤。"
換成人話說就是：
你讓AI幫你寫了十份報告，你沒親手寫過一份。
你以為自己學會了寫報告。
其實你只學會了審閲報告。
這兩件事的認知深度差了十個量級。
真正會寫報告的人，知道哪句話該放前面。
知道哪個數據該突出，知道哪種邏輯最容易打動讀者。
這些判斷力，是親手寫出來、被罵過、改過三遍之後才長出來的。
AI幫你跳過了這個過程。
也幫你跳過了這個成長。
這事不能怪AI，工具該幹嘛就幹嘛。
但使用工具的人得心裏有數：
哪些環節可以讓AI代勞，哪些環節必須自己動手。
兩個問題，測出你的認知缺口
用AI做完一件事之後，問自己兩個問題。
你知道AI給你的結果好不好嗎？
如果不知道——你缺做事認知。判斷不了產出質量，說明你對這件事本身沒有框架。
你能讓AI更快更好地完成這個任務嗎？
如果不能——你缺AI認知。看看上面四層能力金字塔，找到你停在的層級，往上升一層。
這兩個問題對應兩塊認知。缺哪塊補哪塊。
做事認知靠實踐，沒有捷徑。
多自己動手，多做決策，多承擔後果。
AI認知靠學習。
2026年的AI能力已經遠超"聊天框"了。
Skills、Plugins、MCP、RAG、Agent Mode、Subagents。
每一個能力對應一倍甚至幾倍的效率提升。
不是看一堆文章就完了，是得自己動手試。
兩塊都到位了，你會發現AI突然好用了。
不是AI變了，是你變了。
寫到這，老金反而覺得最有意思的不是兩塊認知本身。
而是它們之間的關係：AI越強，對人的要求反而越高。
工具越智能，使用它的人越不能糊塗。
AI能幫你省時間、省力氣、省步驟。
但省不了你對事情本身的判斷力。
這份判斷力，只能自己長。
https://tffyvtlai4.feishu.cn/wiki/OhQ8wqntFihcI1kWVDlcNdpznFf
Claude Code & Openclaw 雙頂流全中文從零開始的教程：不懂代碼照樣造網站，老金15萬字Claude Code+OpenClaw教程免費開源
我的小破站（含我開源的項目）：https://www.aiking.dev/
每次我都想提醒一下，這不是凡爾賽，是希望有想法的人勇敢衝。
我不會代碼，我英語也不好，但是我做出來了很多東西。
我真心希望能影響更多的人來嘗試新的技巧，迎接新的時代。
謝謝你讀我的文章。
如果覺得不錯，隨手點個贊、在看、轉發三連吧🙂
如果想第一時間收到推送，也可以給我個星標⭐～謝謝你看我的文章。