对面的 AI 每次都听得很认真，每次交回来的东西也大致能用，可总差一口气。我不由得开始怀疑：是不是我工具学得不够？是不是该再去研究点什么新功能？

后来我想明白了一件事：问题可能不在我学得不够，而在什么都没攒下。

我过去是把 AI 当火箭用的——点火、起飞、结束，一次投入换一次结果。写完材料，这件事就结束了；下次换个方向，又得从头点火。而真正越用越顺的人，用的其实是另一种东西：飞轮。飞轮第一圈最费劲，推很久都不见它动；可一旦转起来，同样一份力气，换回的转速越来越大。差别就在，投入会留在轮子上。

所以这篇想说的不是「多学几个功能」，而是为什么有人用 AI 越来越省事，有人用了一年还在原地重复交代；以及从今天起，可以从哪一点开始转。

学习本来就是会加速的

先放下 AI 不谈。学习这件事本身，是越学越快的。

美国国家研究委员会的一份学习科学综述指出：所有新学习，都建立在既有经验和知识之上。基础打得扎实、理解了背后的组织原则、又在多种情境里练过的人，把学到的内容用到新问题上的可能性会更高。这种迁移，有时就表现为进入一个全新领域时，上手明显更快。

放到生活里，这个道理特别直观。会骑自行车的人，第一次骑电动车几乎不用重新学平衡；把 Excel 的逻辑摸透的人，第一次碰数据库不会完全陌生——「这一列是主键」这种概念，跟他熟悉的「一张表」是相通的。

落到 AI 上也是一样。一个习惯把任务拆成步骤、说清验收标准的人，第一次接触 Agent，不会慌。因为他带去的是方法，不是某个按钮的位置。

当然，这不是说人人都能严格按某种曲线增长。学习加速有个前提：已有知识得是一套成体系的基础，而不是一知半解的印象；错误的理解有时反而会拖后腿。可反过来看，这也意味着：你过去学的东西没有白学，只要它是一套能彼此连接的结构。

会迁移的人，换工具不算重学

那在 AI 工具之间，到底什么能带走，什么带不走？

先补一个词：Agent。你可以把它当成一个替你干活的下属——给它一个目标，它能代表你，把一件事的步骤、工具和判断组织起来，相对独立地完成。它重要的不是「会聊天」，而是「能按流程办事」。

用 Agent，和用任何工具一样：能带走的是方法，带不走的是细节。能带走的是那些共同概念——围绕目标组织步骤、判断什么时候该调用哪个工具、把边界和验收标准讲清楚。带不走的，是各家工具在权限、上下文、交互方式和能力边界上的差异。

就像会开车，和熟悉某一辆车，是两回事。换一辆车，头几天总要重新调后视镜、找雨刮器，可一周之后，你就感觉不出区别了。真正值得在意的，不是「这个工具会不会取代那个」，而是「我这层开车的本事，有没有攒在工具之外的地方」。

所以别被「学会一个就会所有」的说法骗了。能迁移的是概念和方法，方法之外那层积累，得靠你自己另存一份。

作废的是按钮，不是方法

可再往深一想，冒出个更扎心的念头：AI 换代那么快，我花几周记住的按钮和说法，下一版可能就清零。与其费劲去学，不如等它稳定了再说——这话不像偷懒，倒像在算止损。

这笔账错在，把两样东西算成了同一层。最先作废的，是按钮在哪、菜单叫什么、这一版的权限规则、那家的提示词习惯；更能跨过版本留下来的，是你怎么拆任务、怎么定做好了、怎么判断哪步不能交给它、怎么复盘。在我看来，前者是操作，后者是方法——操作跟着版本过期，方法是你攒下的。

而学得慢，未必就是亏。迁移常有一条被忽略的时间差：它未必在你学的时候兑现，要等接触下一个领域，才以上手更快的形式显出来。照这个看，「学得慢」和「用不上」是两回事——慢下来的那一段，正是结构存进脑子里的那一段。当然前提还在：基础成体系、能讲清原则、新旧情境相似。

那熟手快在哪？机制有两条：已积累的知识，会降低你做熟练动作时的注意力负担，省下的注意力能全放到新工具真正不同的那一小块；而知识组织成彼此连接的结构，才可能被重新组合，去解没见过的题。落到 AI 上，我更直观的体会是比对——熟手在陌生界面里看哪里一样、哪里不一样、哪里是真坑，生手只能从头记。起点不同，熟手才更有条件去够更复杂的事。

但也别听成「那就慢慢来」。有用的慢，是慢在结构上；危险的，是学得很顺、却只顺在某个工具的表面——那层一变，你没有别处可退。我每学完一样都自问：除了这个按钮，我还剩下哪句能对新工具说的话？

最后说清这笔账的代价。旧知识若是错的，或死死绑在某个工具上，不但不帮忙，还会先替你判断，把新工具里真正该看的地方遮住；研究也提示，先前知识可能带来偏见，得主动校正。所以迁移不是免费的，学费叫纠错——你得承认哪部分已过期、动手改掉，过去学的才算没白学。

为什么你用了一年，还是没有复利

道理都懂，可很多人用了一年 AI，还是在原地打转。问题出在哪？

我观察下来，多半是这三件事在重复。

第一，每次全靠临场口述。背景、偏好、什么能动什么不能动，每次都是临时想起来说一遍，说完就完，从来没有被写下来过第二次。

第二，做完就散场。一件事跑通了，不回头看一眼哪一步是靠运气、哪一步注定要返工。于是同一个坑，下次再踩一遍。

第三，重复的多步骤任务，每次都让 AI 从头重新规划、重新理解你的约定。因为每次都是新的开始，它的产出就忽好忽坏，你也只能跟着反复重来。

你可以拿三个问题给自己做个自检：这周让 AI 做的事里，有几件上周也做过？有几件你能在三十秒内说清它的输入和合格标准？有几件的失败，是因为它不懂你的场景？命中的条数超过两条，你的飞轮就很可能每转一圈，都被推回原点。

问题从来不在你不够努力。而在于，你的努力没有被存下来——它只活在你自己的脑子里，而脑子是会忘的。

一件事做完，应该留下两份东西

那到底该存什么、怎么存？我越来越觉得，一件事做完，应该留下两份产出。第一份是结果本身；第二份，是让下一次不必重说的材料。

把已经跑通的流程、当时为什么这样判断、有哪些常见例外写下来，成为一份清晰的说明，这比每次临时口述要可靠得多。面对一份有明确步骤、具体动作、覆盖了边界情况的说明，AI 会少很多误解，也更少出错。OpenAI 的 Agent 实践指南明确建议：把已有的流程文档转成适合模型执行的例程，清晰的步骤和具体的动作，能减少歧义和错误。

而当某个模式足够高频、足够稳定、输入输出都清楚、结果还能验证的时候，就可以更进一步，把它封装成一个可复用的能力模块——就像给一道常做的菜留一张菜谱，下次照着做就行，这类东西就是常说的 Skill。它把重复的多步骤任务收起来，省掉的正是每次重新规划、重新理解约定带来的不一致和浪费。

但这里有个关键的分寸：不是所有东西都值得做成模块。我一般按四层来判断：

  • 一次性协作：低频、变化大、全靠现场判断的，做完不必留。

  • 知识文档：解释「为什么这样决定」和你的偏好的，留成一份能随时查阅的说明。

  • 模板与检查清单：结构固定但内容常变，做成填空就能用的模板。

  • Skill 或工作流：高频、稳定、输入输出明确、结果可验证，才值得封装成能力模块。

把第二、三层硬做成模块，只会换来一堆需要维护、却没人用的东西。资料也不是越多越好——冗长、互相冲突、过时的文档，反而会抬高理解的成本。

所以，沉淀不是多做一遍。它是把已经做对的那一遍，用下次还能用的方式，写下来。

AI 更懂你，因为你给它搭了工位

写下来了，然后呢？AI 又看不见我硬盘里的东西。

这里要先拆穿一个错觉：「AI 越来越懂我」，不是它记性好，天然把你记住了。更准确的说法是：它能访问、并且能正确使用你持续整理的那些偏好、案例、规则和工作资料。你把它不了解的那部分，写成了它能查的样子。

再说一个词：运行环境。你可以把模型想象成一颗聪明的大脑，而真正让这颗大脑干活的，是它身边那一整套东西——工位、工具箱、规则手册、资料柜，还有随时校验它干得对不对的反馈回路。这一整套，负责把你、大脑和工具之间的来回接成循环，管理上下文、配置、权限，让封装好的能力模块能被真正调出来用。拿能自己写代码的 Codex 这类工具来说，你常听说的那个模型只是其中一部分，真正把任务执行下去、把结果交回来的，是这整套环境。

OpenAI 曾公开介绍过一个内部工程团队的做法：把「让环境对 AI 可读」当成正经工程——把知识库当成系统记录，给资料做渐进式的导航，建立测试与反馈的回路，还定期清理过时的文档和不良模式。产出的稳定性，就是靠这些琐碎的动作一点点堆出来的。

个人完全可以照这个方向做。你的笔记库、模板、偏好说明、过往案例，就是属于你自己的那一层资料。每一次整理，都是在给那个不知疲倦、却完全不了解你的助手，多放一件称手的工具。

当然，运行环境不等于可靠保证。它仍然需要合适的工具、明确的边界，以及人来验证。这套说法也只是我的一种实践性解释，不同团队对它的划分并不一样。但方向是明确的：你攒下的每一份资料，都在让后面的轮子转得更省力。

飞轮转起来以后

把前面这些环节接起来，就是一条完整的环：基础打得牢，上手就快；上手快了，才敢接更难的事；更贴近真实工作的任务，会逼出「哪步靠运气、哪步必返工」的反馈；反馈被整理成可复用的材料，助手就少误解、更稳定；省下来的时间和信任，再投回下一轮学习和整理。

这一圈转下来，你会感觉到一种明显的非线性加速——同样一份力气，换来的前进越来越多。它不保证、也不等于数学意义上的指数增长。

它也可能被三件事卡住：资料只堆不整理，过时和冲突反过来拖慢你；把低频的小事过度工程化，维护成本超过收益；以及，以为换个新工具，就能一键继承过去所有的积累。

飞轮从来不是自动的。它快，是因为力气被存住了；它并不省力，也谈不上没有天花板。转的方向，始终由你的判断决定。

不用羡慕别人找到了什么神工具。他只是把自己已经会的东西，写下来的次数，比你多。

今天就能做的三件事

如果只做三件事，我建议这三件。它们都不用你换工具，今天就能开始。

第一，挑一件最近两周内重复做过三次以上的事，把它「怎么做的、为什么这样做、什么情况算例外」写成一份下次还能看的说明。不用追求完整，够你自己下次看得懂就行。

第二，在你常用的助手里，找一个固定的地方放这类说明——然后在下一次做同类事情时，真的去用它。看看有没有因为这份说明，少出错、少解释。

第三，一个月之后回看。只有那种高频、稳定、输入输出清楚、结果能验证的，再考虑升级成可复用的工作流或能力模块。其余的，留在文档里就很好。

下一次，当同一个人、同一件事来问你第四次，你就不必再从「它是什么、你要什么、哪里能动」讲起。你只需要说一句：按我那份说明做。

参考文献