AI 时代，如何突破个人能力边界
文章目录
AI 真有点像爽文里的金手指。 前段时间，我一个技术小白，借助 AI，跟队友一起拿了世界 AI 大赛 Top 10，自己都没想到。
复盘之后，我发现这背后有三种可以练出来的元能力。把它们用好，普通人也能借助 AI，做成以前想都不敢想的事。
我们参加的是 AI 加科研的比赛，要做一个帮科学家查文献、设计方案的科研智能体。
就拿这次比赛，聊聊这三种能力是什么，平时可以怎么培养。里面也有一些我和 AI 协作的方法，大家可以拿去用。
结构化思考：把陌生的事拆到能下手
面对一件陌生又复杂的事，你能不能看清楚，它由哪些问题组成，哪些地方会影响最后的结果。
我以前在企业里做 AI 提效，经常要去弄明白，别人的工作到底是怎么做的。这套思考方式，到了科研里也用得上。
要让 AI 帮科学家做研究，我就先去了解，科学家自己是怎么做研究的。比如文献调研，每一步需要什么信息，处理完要交出什么，下一步又要拿它做什么。
流程清楚以后，还没完，还要继续分析。同样查了一堆文献，为什么有人能找到值得研究的问题，有人就找不到？这里面到底差了什么判断？
这些问题，我一开始并不知道答案。但拆到这里，我就知道自己缺什么了，知道哪些地方要找专家问，哪些标准要放进智能体里。
平时想练结构化思考，可以从手头正在做的事开始。先问清楚要做到什么结果，中间分几步；再看每一步要拿到什么、交出什么，靠什么判断好坏。
学习与迁移：从专家那里学到判断依据
自己不懂的东西，能不能从懂的人那里学到，再用到眼前这件事上。
我们团队里有一位材料学科的队友，负责专业判断。我得把他的经验问出来，才能让 AI 在相应环节用上。
但专家会做，不一定会教。很多事他已经做得很熟了，却不一定梳理过每一步在考虑什么。要把这些经验问出来，需要一些技巧。
我的方法是拿具体情景去问，再追问他判断的理由。
遇到这种情况，你会怎么处理？为什么这么选？如果结果不好，你会先检查哪里？
这跟学做菜很像。我们会听到“加盐少许，炒到差不多就翻面”，但光听这些，你还是不知道该怎么做。还得继续问，怎么能看出菜已经熟了？如果菜多了一倍，盐怎么加？
把判断的依据学会，下次情况变了，你才知道怎么调整。
但我完全不懂科研，甚至不知道该设计什么情景题。所以我就告诉 AI，我缺什么，对方是个什么样的科学家，让它帮我设计问题，再帮我整理答案，得到需要的知识点和判断依据。
AI 协作：让它理解任务，也让自己能判断结果
前面拆解问题、向专家学习，AI 其实已经在帮忙了。接下来把智能体做出来的过程，又用到了几个协作技巧。
第一个，把背景、目标和要求交代清楚。
我先让 AI 把讨论整理成具体流程，再把流程、需要的功能、比赛要求和背景交给它。我们这次要的是一个能用的 Demo，要尽快做出来。带着这些要求，让它去调研现成的框架和开源项目，给我方案。
第二个，重要任务先确认理解，再动手。
碰到又难又重要的任务，我会先让 AI 澄清需求、复述一遍。我再看看它理解得对不对，确认没问题了，再让它动手干。
这样就不容易因为 AI 理解错，或者我自己没说清楚，白白浪费时间和 token。
第三个，让 AI 用具体场景说明选项的利弊。
这个技巧是我在跟 AI 讨论方案时摸出来的。我没有技术背景，它给的技术方案我经常看不懂，不知道怎么选。
我就让它别讲太多抽象的技术词，换成具体场景来讲。选这个方案好在哪？会有什么麻烦？讲到我能理解、能判断了，我再拍板。
遇到自己不懂的专业知识，也可以这样让 AI 帮忙，把不同选项会带来的影响讲清楚。
第四个，分工验收，具体反馈，先诊断后修改。
东西做出来之后，我会自己先上手测一测、用一用。我主要看交互和流程，判断这个智能体用着顺不顺手。
但光用着顺手没用，还得看 AI 的产出结果在科研上能不能用。这一点我没有判断能力，就交给材料博士队友。
如果队友说结果不好，我会继续追问，具体错在哪？为什么不合理？哪些地方还能提升？
把这些问题问细，再交给 AI，让它先查原因、给优化建议。我从逻辑上看过没问题，才让它动手改。就这样一轮轮迭代，把最终作品打磨出来。
能力边界，就是这样一点点往外拓的
锻炼好结构化思考的能力，面对复杂又陌生的事，你就能把它拆开，看清楚问题在哪、缺什么、下一步该做什么。
有了学习与迁移的能力，你能从有经验的人那里，学到他们做事和判断的方法，再用来解决自己的问题。
再加上跟 AI 协作的能力，你就能借助它想得更清楚、学得更快，把原来只停在脑子里的想法，一步步做出来。
这三种能力配合起来，我觉得，就是普通人在 AI 时代的金手指。遇到自己不会的事，你有办法拆清楚，有办法找人学，也有办法借助 AI 去完成。
这也是我觉得生在 AI 时代特别幸运的原因。我们可以从现在的能力出发，去尝试原本做不了的事。每解决一个问题、多做成一件事，能力边界就往外拓了一点。
