认知的 7 道墙

适用对象：通用｜状态：✅ 已完成｜ 更新于：2026-06-01

学会用 AI，不是学会几个技巧，而是一道一道翻过认知上的墙。下面这七道墙，是一位 AI 一线从业者跟高校老师、博士生长谈后梳理出来的——从最初的误解，一路到最深的那道”意义危机”。

它们是递进的，但不是有先后的：你常常在第三道墙前摸索时，才发现第一道还没翻利索。正常的节奏是来回穿梭，不正常的是只盯着一道墙打。对师生来说，最该停下来想的是最后一道。

第 1 道墙：不知道什么是 AI

大多数人脑子里的模型是”我 ←→ 一个叫 AI 的神秘东西 ←→ 我的工作”，然后逐项盘问”这件 AI 能干吗？那件呢？”

这个模型是错的。更准确的图景是：你和工作之间，站着四种帮手——

人：需要真正负责、真正判断的事；
自动化：每一步都一样、能写死成固定流程的事（批量改文件名、定时抓网页）；
AI：需要”判断”的事（理解一句模糊的话、把杂乱笔记理成提纲）；
AI 驱动的自动化：把上面两者拼起来，AI 管判断，自动化管执行。

拿到一个任务，第一件事是分诊——把它分给最合适的那种帮手，而不是张口就问”AI 能不能干”。

第 2 道墙：不知道什么时候用 AI

翻过第一道墙，新毛病来了：什么都往 AI 里塞，结果更慢、更贵、更不准。

一条干净的分界线：判断的活给 AI，计算和固定执行的活别给 AI。

把几千行 Excel 按既定规则分类——别用 AI，写个脚本，结果可重复、可验证、几乎免费；
让 AI 算”3.7% 复合年化 20 年是多少”——这是浪费，它又慢又可能算错，打开计算器 2 秒搞定；
把一篇杂乱的访谈纪要整理成结构清晰的文档——这才是 AI 该干的。

判断标准就一句：这件事本质上需要的是”判断”，还是”计算 / 执行”？

第 3 道墙：不知道怎么选 AI

工具一多就纠结”哪个最强”。这个问题没有答案——不同场景下”最强”的定义不一样。

更好的问法是问自己四件事：我的主要场景是什么（写文章 / 看长 PDF / 跑数据）？能接受多大的成本和延迟？需不需要在国内网络环境下能用？要不要数据留在本地、不出我的电脑？答完这四问，工具基本就定了。

第 4 道墙：不知道怎么管 AI

会用工具，和用得好，中间还隔一道墙：怎么管理和 AI 的对话。

真正决定你日常效率的，往往不是提示词写得多花哨，而是这几个朴素动作（在AI 为什么会出错里我们从”它记性有限”的角度也讲过）：

任务切换就新开一个对话——别在写代码的对话里接着写文案，前面的内容会”污染”它的注意力；
主动把长对话的重点重新讲一遍，别指望它从一长串历史里自己捞重点；
跑偏了就退回去重来，别在原地反复纠正一个已经懵了的 AI。

这几个动作练熟，比看十篇提示词指南管用。

第 5 道墙：不知道怎么沉淀经验

翻过前几道墙，你会想：怎么把”我和 AI 协作的经验”存下来，不用每次从头讲一遍？

办法是把一段你反复要做、有自己偏好、又有标准流程的工作，写成一份说明文件，让 AI 每次照着走。判据很简单——这件事会做第二次以上吗？你对怎么做有自己的偏好吗？偏好稳定到值得固化吗？三个都”是”，就值得沉淀。

做法也不神秘：第一次让 AI 直接干，干完看哪不满意，告诉它”下次这种情况请这样做”，让它把规则记成一份文件，下次直接调用。

第 6 道墙：还没养成 AI Native 的思维

你会发现身边有些人跑得比你快——不是工具更好、学历更高，而是思维方式不一样。他们的默认假设变了：

AI 是我能力的延伸，不是一个外部工具——我说”我能做 X”时，默认包含”我加上 AI 能做 X”；
我不必先学完整套理论再动手——边做边问，AI 教我；
我能力的天花板，不是我会什么，而是我能让 AI 帮我做成什么。

这道墙跟年龄、学历、专业都没关系，跟一种”愿不愿意重新长一遍”的勇气有关。你过去积累的是存量，这些存量在 AI 面前杠杆变低了；增量在于你今天开始往哪个方向长。

第 7 道墙：还没看见自己的”意义危机”

这是最后一道，也是对师生最痛的一道。它不是技术问题，是意义问题。

几个正在发生的现象：

综述类研究的价值在塌缩。 你花三个月做的文献综述，AI 半小时给一份像样的初稿；“换个变量重跑一遍回归”这类 follow-up，AI 基本全包。
“AI 率检测”是个伪问题。 学术写作的核心价值从来不是”读起来像不像人写的”，而是观点、数据、方法、贡献。纠结于把形式包装成”像人写的”，是在回避更深的问题。
人正在被流程悄悄绕过去。 没有通知，你只是某天突然发现，自己手上的活别人用 AI 一周就交付了。

跨这道墙没有技巧，但有两件事必须做：

对师生的启示

这七道墙里，前六道是”会不会用”，最后一道是”为什么是你来用”。

作为教师和研究者，你真正的锚点不在”我比 AI 多记了多少文献、多会几个工具”，而在那些 AI 替代不了的东西：提出一个真问题的眼光、对学生的责任、把零散证据接成一个判断的能力、对所在领域’什么才算贡献’的把握。 AI 把”动手做”的门槛大幅拉低了，反而把这些判断力和价值感的权重抬高了。

留一个最小的动作：写下三件”AI 暂时还做不好、且你想长期投入”的事，半年后回来重读。 这三件事，就是你在这波浪潮里的锚石。

下一步：回到协作总原则｜理解 AI 为什么会出错｜看看适合你的工具