你是不是觉得，只要会打字，就能跟AI聊天，让它帮你干活？但是注意了：虽然你跟陶哲轩用的是一个AI，但你们看到的，绝对不是同一个AI。
2026年，人人都在喊AI淘汰人类。但一个隐藏真相是：你用AI写代码、写方案、写周报，效果总差那么点意思，不是AI笨，是你太外行。跟AI打交道，最值钱的技能不是学了一堆“提示词套路”，而是你在某个行业里踩过的坑、流过的汗，和那些让你半夜惊醒的烂摊子。
专业玩家用AI，不是在提问，是在“拷问”。
别装了，你跟AI聊天根本不在一个频道上
回到2010年，你要是不会写CSS，要么抱着同事大腿求帮忙，要么祈祷你出的bug刚好有人在论坛里回答过。那时候，跨专业干活，壁垒比柏林墙还高。
到了2026年，画个按钮、调个间距，你只需要对AI说一句“把这玩意儿弄好看点”，它就能给你一堆还算能用的代码。AI这东西，最大的“忽悠”能力，就是让所有人觉得自己瞬间变成了全能选手。
但你有没有想过，问题就出在这儿。因为人人都能用，很多人的脑子就自动短路了，觉得跟AI合作哪有什么技术含量。想要AI写个数学论文级的推导，能；想要一段勉强能跑的代码，行；想要一封像LinkedIn上那种装模作样的职场互夸邮件，分分钟给你编出来。
既然大家都用的是同一个对话框，凭什么你觉得你比第一次摸AI的小白强？有人甚至开始嘲笑那些研究“提示词工程”的人，说这玩意儿还用学？不就是说话吗？
错得离谱。
这里有个鬼故事，叫领域知识。别被这词唬住，简单说就是你对你干的这一行那些乱七八糟破事儿的熟悉程度。你写程序，就得懂代码里那些弯弯绕绕的逻辑；你做财务，就得懂账本里那些猫腻；你搞建筑，就得知道哪根柱子是撑门面，哪根是保命的。跟AI打交道，没有这个“懂”字，你就是在跟它玩过家家。
陶哲轩用AI那叫“拷问”，你顶多是“闲聊”
你不服气？行，咱们直接上硬菜。给你看看数学家陶哲轩是怎么跟ChatGPT聊天的。这哥们儿可是数学界的大佬，菲尔兹奖得主，相当于活着的传奇。他跟AI聊的是最近刚被发现的雅可比猜想反例。这玩意儿别说听懂，你连名字都念不顺溜。
但你去看那个对话记录，你绝对会怀疑人生。
第一，陶哲轩发的消息，短得吓人。他没有那种“请你作为一位数学专家，用温柔且详细的语气，为我这种小白解释一下……”的废话。他直接扔核心，而且他根本不逐条回复AI的长篇大论，他就看个大概意思。
第二，AI给他的回复，也极其简洁。这跟你问AI问题，它给你列个一二三四五，甚至贴心地问你“需要我展开讲讲吗”完全不一样。为什么？因为AI感受到了陶哲轩身上那种“别跟我废话，我是你同行”的气场。陶哲轩的信号，把AI强行从“给菜鸟科普”模式，切换到了“跟同行开研讨会”模式。这叫气场压制，而不是什么提示词模板。
第三，最绝的是，当AI给出的回复看起来不对劲时，陶哲轩从不直接说“你错了，白痴”。他非常狡猾，他只说一句：“这比我预想的要复杂啊。”就这么一句，AI就乖乖回去反省了。他几乎没有被AI的意见牵着鼻子走过，永远是他在挑毛病，他在指方向，他在做决定。
你学得会这些技巧吗？学得会，但屁用没有。因为陶哲轩真正厉害的不是他打字快，不是他会用“请”字，而是他脑子里的数学功底。他能从AI输出的四五百字废话里，精准捞出那一根有用的线头；他能给AI指一条它完全没想过的捷径；他瞄一眼结果就知道“这玩意儿长得不对劲”。
你那不叫用AI，你那叫给AI当质检员，还啥都不懂。
专业玩家在地毯式轰炸，你还在求AI施舍
你可能会想，陶哲轩是神仙，关我啥事？我又不搞数学猜想。别急，咱说回咱们普通人能摸到的地界。
我自己写代码的时候也是这个感觉。如果你对你手里的这堆破代码有感觉，你就能把AI往死里用。因为你心里有谱，你知道一个好方案大概长什么样。当AI给出一坨屎山代码时，你敢拍桌子说：“不行，这玩意儿肯定能更简单。”当AI绕了一大圈弯路时，你能指着它鼻子骂：“咱们不是已经有那个啥工具了吗？”当你遇到一个模糊需求时，你能直接把它翻译成AI听得懂的鬼话。
这让我想起一个很反常识的观点：做系统设计，真正的难点永远不是那些通用的高大上原则，而是你这套系统里具体的一堆破事儿。给你讲三天三夜设计模式，不如让你在自己那堆祖传代码里改一个bug印象深刻。
陶哲轩之所以能问出“这里用X理论行不行”这种话，是因为他对数学体系了如指掌。我之所以能对GitHub的系统指指点点，是因为我见过它在深夜两点宕机时的鸟样。如果你没领域知识，你只能像抓住救命稻草一样抱着AI，它给你啥你都得接着，虽然这也能让你勉强把活儿干了，但也就是干了。如果你有领域知识，你就能揪着AI的领子，逼它给你挤出来更多有价值的东西。
那个最贵的瓶颈，从来都是你本人
最后说点扎心的。这个“AI奖励专家”的现象，其实给我们指了条明路。随着AI越来越变态，人类专家不仅不会失业，反而会因为会用AI这个“外挂”而变得更贵。
在很多复杂任务里，真正的瓶颈早就不是AI能不能算出来，而是你能不能提出那个正确的问题。信息其实早就在模型里了，就像石油在地下。陶哲轩是那个能用最少的力气，打出最深油井的人。而你？你可能拿着最先进的钻机，在地面上挠痒痒。
所以别天天琢磨什么“万能提示词”了，静下心来，把你那摊子事儿搞明白，才是跟AI斗智斗勇的唯一出路。原本以为自己是被AI时代抛弃的人，现在才明白，原来是AI一直在等我拿出真本事。
原文期刊：Sean Goedecke个人博客 / 发表日期：2026年4月 / 原文标题：LLMs reward expertise / 作者单位背景：GitHub资深软件工程师，专注于AI辅助编程与系统架构设计
网友灌水
根据Hacker News上围绕《LLMs reward expertise》一文的195条讨论，网友观点可以概括为以下四大核心阵营：
一、支持派：领域知识是AI使用的“方向盘”
- 现实案例佐证：有网友分享，一个完全不懂编程的朋友让AI做网页，聊了1.5小时还在“ brainstorm 功能”；而懂行的开发者只需一句精准的指令。缺乏术语 = 无法让AI进入“执行模式”。
- “信号压制”效应：多位网友验证，在提示词中声明自己是专家（如“我有20年C语言经验”），AI的输出会瞬间精简、专业，不再啰嗦科普。你输入的“身份标签”直接决定了AI的响应层级。
- 陶哲轩现象：多数人认可，陶哲轩能跟AI聊出成果，关键在于他脑子里装着数学，AI只是帮他验证直觉的工具。AI是“计算器”，专家是“数学家”。
二、质疑派：这只是“此时此刻”的幻觉，差距正在消失
- 历史类比：有人翻出“人类+AI vs 纯AI”下象棋的往事——早期人类能赢，现在纯AI碾压一切。今天的“专家优势”可能只是AI成熟前的短暂窗口。
- “够用就行”的悖论：不少人在工作中发现，对于CRUD、React界面这类标准化任务，AI已经能做到“不问背景、给啥出啥”。如果任务本身不复杂，专家优势≈零。
- 底层逻辑：AI本来就是从海量数据学出来的，专家能问出好问题，是因为问题对应的“知识碎片”已经在训练集里。随着模型覆盖范围扩大，“冷门”会越来越少。
三、折中派：这是“乘法效应”，而不是“独占效应”
- 对所有人都提速，但起点不同：多数人认同，AI是把所有人的能力乘以一个系数。你基础为1，乘完是5；专家基础为10，乘完是50。绝对差距反而拉大了。
- 但专家也得学会“放手”：有Dev Lead坦言，自己利用AI维护代码库时，会主动设计“自动化验证环”（如让AI先写测试来证明bug存在），专家的新角色是设计“让AI自我纠错的机制”，而不是亲自修每一行代码。
四、延伸争议：AI会不会毁掉“下一代专家”？
- 经验断层恐惧：资深工程师集体担忧——新人用AI“秒过”任务，从来不碰底层，一年后PR还在犯同样的错误。“用AI加速交付”和“用AI替代思考”，是两条完全不同的路。
- 学习路径的重构：有人提出，现在获得“领域知识”的最佳方式反而是不用AI：手写、硬读代码、故意绕开AI去手搓解决问题。痛苦才是学习的原料。
- 但乐观者反驳：AI也可以成为“超级导师”，它能瞬间解释任何术语、提供不同层次的讲解（从小白到博士级）。关键不在用不用AI，在于你是否愿意往下追问。
总结一个最扎心的共识
“LLMs奖励的不是你已经知道的东西，而是你知道‘应该问什么’的能力。而后者，永远来自于踩过的坑，而不是读过的提示词教程。”
——这场讨论没有颠覆原文观点，但补上了一个重要注脚：如果你只把AI当“廉价代工”，它确实会让你变快；但如果你把它当“思维外挂”，你必须先用大脑把问题拧紧。