AI 时代，为何你仍需亲手写下脑中想法

十二年前，我写过一篇文章，核心观点很简单：脑子里有了想法，就把它写下来。那时候还没有 ChatGPT，至少普通人不用担心：自己刚冒出一个念头，机器几秒钟后就能写出一篇更完整的文章。

十二年后，我把那篇旧文交给了大模型，请它结合今天的 AI 重新整理。几秒钟后，它给出了一篇结构清楚、语言流畅的新稿。老实说，不少地方确实比原文写得好。

这就有点尴尬了：如果 AI 已经能写得比我更快、更好，我为什么还要写一篇文章，劝别人亲自写？

那篇旧文想回答一个问题：为什么要把研究过程中的想法写出来？我所说的“研究”并不只指大学里的论文。一个人收集资料、比较解释，或者尝试解决工作和生活中的难题，广义上都在做研究。

十二年后，我不再只在豆瓣、知乎记录和交流想法。GitHub、Quora、LinkedIn 和 X 也成了我参与讨论的平台。平台、语言和读者变了，但知识要积累下来，仍然需要有人把自己知道的东西写出来。

所以，如果只留一句建议，我仍然想说：脑子里的想法，请你一定要写出来。 写作不只是生产文字，也是把经验变成知识、把模糊感受变成判断的过程。

AI 越会整理，人的原始记录越重要 #

如果工程师解决了一个故障，却没有记录原因和处理过程，后来的人仍可能再走一遍弯路。如果研究者发现某种解释存在问题，却没有留下证据和推理，其他人也无法在此基础上继续讨论。

大模型可以迅速整理已经存在的材料，却不知道那些从未被记录的经验。它不知道一次项目失败时，会议上没有说出口的顾虑；也不知道某个技术方案在文档中看起来合理，为什么到了真实系统里却难以运行。只有亲历者把自己的观察和判断写下来，这些经验才可能成为其他人——以及未来的机器——能够使用的知识。

因此，大模型越擅长重组文字，人的第一手记录反而越重要。今天真正稀缺的未必是语法正确的段落，而是一个人经历过什么、从中看到了什么，又提出了什么不同的解释。

真正需要警惕的，是把思考过程一并外包 #

大模型确实提高了部分写作任务的效率。一项预注册在线实验让 453 名受过大学教育的专业人士完成与职业相关的中等难度写作任务。获得 ChatGPT 辅助的参与者，平均完成时间减少了约 40%，输出质量提高了约 18%[1]。这些结果来自特定的模拟任务，不能直接代表所有真实工作，但足以说明 AI 可以提高部分写作任务的效率。让 AI 整理会议纪要、修改邮件或者压缩材料，当然没有什么问题。能省下来的时间，没有必要故意浪费。

但“更快得到一篇文章”和“更好地完成一次思考”并不是同一件事。

说得夸张一点，比起担心 AI 让我失业，我更担心自己先被 AI 用成“智障”。不是 AI 突然降低了我的智力，而是答案来得太快，我很容易跳过分析、比较、怀疑和表达。

MonkeyUser 的漫画 《Deprecated》 把这种担忧推到了荒诞的极端：AI 没有继续变得更聪明，人类却在把任务交给机器后不断退化，于是双方以另一种方式抵达了“奇点”。下面这幅中文漫画基于这一设定改编。

我也曾在《人类会不会停止思考？〈沙丘〉六十年前的警告与 AI 时代的人类尊严》中讨论过类似的问题。《沙丘》真正警惕的不是机器开始思考，而是人类在便利中逐渐放弃判断，并把责任一并交给机器。

空白页面原本会暴露思考中的困难。证据能否支持结论？两个观点之间是什么关系？我真正反对的是结果、方法，还是前提？大模型现在可以迅速填补空白，用完整的结构和流畅的语言遮住这些问题。文章看起来已经写完，作者却未必真正形成了判断。

2025 年，研究者调查了 319 名知识工作者，并收集了他们在工作中使用生成式 AI 的 936 个实例。结果显示，在控制任务类型和个人特征等因素后，受访者对生成式 AI 的信心越高，越少报告自己在相关任务中投入批判性思考。这是一种相关关系，不足以证明 AI 导致思考减少。受访者的描述还显示，他们把批判性思考更多用在信息核验、答案整合和任务监督上[2]。使用 AI 不等于停止思考。有些工作只是从“自己写出答案”，变成了“判断这个答案能不能相信”。即便省掉了打字和初步整理，核验与判断也没有自动消失。

写作不只是输出，也是思考的一部分 #

我曾在《探索与生发：一种人生意义》中把“探索”理解为发现新的可能性，把“生发”理解为让这种可能性站得住，并让别人能够继续发展。写作正是从探索走向生发的一步：它不只是输出已经形成的结论，也让一个想法在记录、传播和检验中逐渐站得住。

十二年前，我把写作的作用概括为记忆、理解和形成观点。今天再看，我更愿意把它们说成保存推理、检验理解和形成观点。这三件事并没有因为大模型出现而失去意义。

写作保存推理。 人容易记住最后的结论，却忘记当时使用过哪些资料、排除过哪些解释，以及结论成立需要哪些条件。写下工作过程，保存的是答案形成的路径。几个月后重新阅读时，你才能区分哪些是事实，哪些只是当时的推测。

写作检验理解。 我们常常以为自己已经懂了，直到尝试把问题写清楚，才发现概念之间仍有缺口。一个案例究竟支持普遍结论，还是只能说明某种可能？两个方案相比，各自牺牲了什么？把这些问题写成完整句子，会迫使我们面对原本含混的地方。

写作形成观点。 观点不只是一个漂亮的句子。它包含一个人选择了哪些事实、如何解释事实、忽略了什么，以及愿意承担什么后果。AI 越擅长生成答案，人越需要判断什么问题值得追问。亲自写作会迫使一个人作出选择：我真正关心什么？我想解释什么？为什么这个问题值得占用自己和读者的时间？

真正属于你的部分，通常正是模型最初不知道的部分：你的经历、困惑、犹豫，以及你与常见答案不一致的地方。

我现在怎样与 AI 分工 #

我现在给自己定的规矩很简单：如果任务只是传递已经确定的信息，例如调整邮件语气或整理固定格式的报告，可以直接让 AI 开始润色。

如果任务涉及分析、判断或者选择，我通常会先用自己习惯的 STAR 方法整理材料。这里的 STAR 方法与求职面试中的常见版本略有不同，我把其中的 T 从 Task 改成了 Target：

• Situation（情境）： 发生了什么？哪些事实已经确定？还有哪些限制条件？
• Target（目标）： 我想解决什么问题，或者希望事情走向哪里？
• Actions（行动）： 我已经采取了哪些行动？如果事情尚未开始，有哪些可选方案？
• Results（结果）： 实际发生了什么？结果与目标之间还有多大差距？

这个框架既可以用于事后复盘，也可以用于事前规划。事情尚未发生时，Target 仍然表示希望达到的状态；Actions 不必假装已经确定，可以列出几个行动选项，以及各自的成本、风险和可逆性；Results 则可以改成各个选项可能产生的预期结果。我可以根据这些预期结果判断各个选项离目标有多远，又需要承担什么代价。此时，AI 可以帮我发现信息缺口、比较方案和推演风险，却不能替我判断哪个目标值得追求，更不能替我承担选择的后果。

如果我只是在研究一个问题，或者一个想法才刚刚出现，我会使用更轻量的版本：我观察到了什么、我暂时怎样理解、还有什么没有想清楚。 三句话也可以，写得难看也没关系。写完以后，再让 AI 提出反例、检查概念、调整结构和压缩重复内容。

STAR 并不是人人都必须照抄的提示词模板。它只是我给自己设置的一道检查点：先由我提供现实情境、目标和初步判断，再让 AI 参与整理和推演。其他人也可以建立自己的清单。关键不在于采用哪个缩写，而是在打开对话框之前，先想清楚哪些工作可以交给 AI，哪些判断不能外包。

顺便交代一句：这篇文章也使用了 AI。我使用的是 Codex 中的 GPT-5.6 Sol（Medium 推理强度）。十二年前的旧文提供了原始材料，这次的核心判断和修改取舍由我确定；AI 帮我调整结构、检查重复、查找相关研究和改善表达。

这并不违背文章的主张。区别不在于有没有使用 AI，而在于我是否先有自己的观察和判断，是否核验资料，以及最后是否愿意为文章中的观点负责。这样的分工未必让我最快得到一篇文章，却能让 AI 帮我写得更好，而不是替我跳过思考。

我庆幸十二年前没有因为写得不够好，就让那个想法停留在脑子里。

如果我当年没有把它写下来，今天的大模型再聪明，也没有这篇旧文可以交给它。

所以，脑子里有了想法，还是先写几句吧。写得不好没有关系——AI 随时可以帮你修改，但它不能替十二年后的你，重新找回一个从未留下任何记录的自己。

相关文章 #

• 《当计算机博士不再自动升值：AI 时代的选择、训练与出路》：当候选答案、代码和初稿越来越容易生成，问题定义、证据判断和责任为何更加重要。

• 《念头通达：时代在变，努力和选择意味着什么？》：把题做对之外，人为什么还需要选择值得长期投入的问题。

参考文献 #

[1] Noy, S., Zhang, W. Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence. Science, 2023. https://doi.org/10.1126/science.adh2586

[2] Lee, H.-P., et al. The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers. CHI 2025, 2025. https://doi.org/10.1145/3706598.3713778

附录：我的中文技术博客写作规则 #

正文到这里结束。下面附上本文发布时使用的中文技术博客写作规则，供有需要的读者复制和修改。这份 SKILL.md 不负责替我形成观点，而是帮助 AI 检查文章的主线、中文表达、证据边界和引用格式。

---
name: chinese-tech-blog-writing
description: Plan, draft, review, and edit Chinese technology blogs in the user's established authorial style. Use for Chinese technical articles, blog outlines, titles, summaries, section restructuring, terminology review, evidence-boundary checks, citation cleanup, editorial polishing, or converting research and engineering material into writing for knowledgeable readers in mainland China.
---

# 中文技术博客写作

保留作者的观点、判断和个人声音。面向中文知识型读者，把复杂技术写清楚，同时守住事实和证据边界。

## 确定任务类型

- **新写文章：** 先提炼一句核心判断，再建立论证链；除非关键事实缺失，否则直接起草。
- **润色现稿：** 默认进行编辑级修改，保留原结构和观点；只有结构妨碍论证时才重组。
- **Review：** 指出具体位置、问题、原因和修改方向，区分必须修改与可选优化。
- **术语检查：** 检查准确性、中文习惯和全文一致性，避免只做中英字面对应。

## 审计论证层级

处理全文 Review、结构调整或重写任务时，先自上而下检查：

1. 提炼全文核心判断，确认文章真正要回答的问题。
2. 概括每个章节的任务，检查它是否推进全文核心判断。
3. 标记每个段落的主要观点，检查它是否服务所在章节。
4. 找出重复论证、逻辑跳跃、位置错置和不承担任务的段落。
5. 先决定标题和章节结构是否需要调整，再处理段落和句子。
6. 只有当原有结构妨碍论证时才重组；不能因为语言风格不同，就重写仍然服务论证的段落。

## 建立文章主线

- 用一句话写出核心判断。它必须可论证，不能只是主题名称或口号。
- 从读者熟悉的现实场景切入，尽快提出真正的问题。开头不堆背景、定义或宏大判断。
- 优先采用“事实 → 机制 → 原因 → 结果”的推进方式。必要时加入限制、反例或工程条件。
- 每一节只回答一个明确问题；章节之间形成因果、递进或对照，不并列堆放材料。
- 技术细节必须服务于主线。删除不能改变读者理解或判断的术语、例子和总结。
- 结尾回扣核心判断，并给出有限、可执行的含义；不要机械复述全文或强行升华。

根据题材灵活使用以下结构，不机械套模板：

- 现实变化或读者困惑
- 系统过去如何工作
- 新技术改变了哪个环节
- 变化通过什么机制发生
- 工程实践、商业结果或用户影响
- 能力边界、风险与仍未解决的问题
- 对从业者或普通读者的实际含义

## 使用自然中文

- 优先使用主语明确、逻辑主体清楚的主谓宾结构。
- 避免无主句、英文式倒装、过长前置状语、过度名词化和直译腔。
- 只在逻辑确实发生转折、递进、因果或对照时使用连接词。
- 避免“首先、其次、最后、综上所述”等机械路标。
- 减少排比、对称句、口号、空泛总结和过度小标题。
- 长短句自然搭配。一个段落围绕一个推进动作，不把多个因果层次塞进一句话。
- 删除重复和无信息量句子，而不是机械缩短所有句子。
- 不擅自把克制、条件性的作者判断改成更响亮的确定性结论。

## 处理技术与证据

- 首次出现专业术语时写自然中文，并在括号中保留英文原文；后文使用常见中文简称或缩写。
- 区分事实、研究结果、工程实践、合理推断、作者观点和未来预测。
- 不把论文原型写成普遍部署的产品能力，不把相关性写成因果，不把个案写成行业规律。
- 数据注明统计口径、时间和适用范围；存在冲突时说明来源差异，不选择性隐藏。
- 技术例子写清输入、处理机制和输出；面向普通读者时解释作用，不堆实现名词。
- 涉及快速变化的模型、产品、价格、政策或市场数据时，先核对当前权威来源。

## 使用引用

- 正文采用顺序编码 `[1]`、`[2]`，按首次出现顺序编号。
- 一个引用紧跟它支持的具体事实或判断，不把若干来源悬挂在整段末尾。
- 参考文献按正文首次出现顺序排列；优先论文、官方文档、标准和一手数据。
- 新闻和行业报告可支持市场事件与案例，但不能替代论文证明技术机制。
- 转述来源观点，避免不必要的长引文；引用原话时保持简短并忠实于语境。
- 不虚构作者、标题、年份、DOI、链接、页码或访问日期。无法核实时明确标记待核实。

参考文献格式保持一致，例如：

[1] 作者. 文章或论文标题. 期刊、会议或机构, 年份. 链接或 DOI.

## 编辑检查

交付前逐项检查：

- [ ] 标题是否准确承诺文章内容，避免结论过满。
- [ ] 开头是否快速进入现实问题，并自然过渡到第一节。
- [ ] 核心判断是否贯穿各节，而不是只在开头和结尾出现。
- [ ] 每节是否回答一个问题，并推动下一节。
- [ ] 主语、指代、因果关系和时间范围是否明确。
- [ ] 术语是否准确、自然且前后一致。
- [ ] 事实、推断和作者观点是否清楚分开。
- [ ] 引用是否真正支持相邻陈述，编号与参考文献是否对应。
- [ ] 是否仍有重复、口号、翻译腔、机械总结或无用技术细节。

默认交付完整可用的正文。只有用户要求时，才额外提供修改说明、对照版本或多套方案。