最近我一直在思考一个问题：为什么许多人在学习 AI 的过程中会越学越焦虑，并且他们的水平似乎被限制在一个地方，难以提高？表面上看，这些人似乎懂很多新概念，比如 微调（Fine-tune: 针对特定任务或数据调整预训练模型的参数）、检索增强生成（RAG: Retrieval-Augmented Generation，结合检索和生成，为大型语言模型提供外部知识）、各种 框架（Framework: 支持特定类型应用程序开发的可重用软件组件集合）如 LangChain（LangChain: A development framework for building language model-powered applications）、以及 Harness Engineering（Harness Engineering: 指构建和管理AI应用的工程实践，涉及复杂流程和工具链）。他们能够头头是道地讲道理，也可能看过很多 AI 工作流，甚至模仿大佬们的 prompt 来完成一些任务，写文案、写代码都能做得不错，让人感觉 AI 确实很厉害。

然而，当这些技能进入真实工作场景时，他们往往会“抓瞎”。真实工作是一个连续推进的过程，代码库可能积压历史包袱，上下文信息不完整，模型需要针对具体任务设计解决方案，而非简单复制他人的方法。更重要的是，AI 的表现并不总是“happy path”：它会偷懒、会忘记、会答非所问、会产生幻觉（hallucinate），甚至在看似不会出错的地方突然出错。这时，许多人的第一反应是：“是不是我的 prompt 没学好？是不是我还没掌握最新的 fancy technique？是不是应该换个模型或工具？是不是要重新学习那些概念？”于是，他们继续追逐下一个新名词，离真正完成任务越来越远。

问题出在追逐名词，而非动词 这些人在 AI 能力上的瓶颈，恰恰源于他们过度追逐“名词”，而真正决定一个人 AI 能力好坏的是“动词”——即那些实际的操作和解决问题的能力。RAG、Harness Engineering 固然有价值，但它们只是名词。这些东西真的去学，5分钟跟 AI 就能学会。真正厉害的人与普通使用者之间的差距，不在于多学了几个名词或新东西，而在于他们处理任务的方式完全不一样。

核心差异：动词的力量

高水平使用者知道：

• 什么时候该给 AI 更多或更少的上下文。
• 如何将一个复杂任务拆解并分配给 AI。
• 哪些环节可以交给 AI，哪些环节必须由人来判断。
• 如何针对任务本身进行评估（evaluation）。
• 如何确保 AI 能够准确地遵循指令。
• 是让 AI 直接看结果，还是先让它写脚本。

当整个任务出错时，他们能够调试（debug），能识别出问题根源：是 AI 能力限制？上下文不足？路由问题？还是其他环节？他们能识别（identify）并解决这些根本原因（root cause）。

这些“动词”听起来不像 MCP（可能是某种AI开发平台或方法论，具体含义依赖于上下文）、LangChain 那样“技术感”十足，它们没有直接的 GitHub 仓库，网上也很少有人专门教授，甚至不能 pip install 成一个 package。而且，学会这些“动词”后，很难直接写进简历的技能栏，因此大家往往不重视。然而，最终决定你 AI 能力的，恰恰是这些动作，是这些“动词”。

名词的诱惑与动词的价值

为什么我们会“上瘾”于学习名词，而忽视更有用的动词？

1. 边界与错觉：名词有明确的边界。学了 RAG，就以为能解决 RAG 相关问题；学了 Agent，就懂了模型如何调用工具；学了 Fine-tune，就觉得能针对小样本数据做专属模型。这给人一种“进步明显”的错误感觉。
2. 证明与清单：学习名词有一个好处是可以被证明——“我学了 RAG，我做过 RAG”，然后可以直接写进简历，完成一个“技能清单”的打勾。这让你停止了继续深入学习的动力。

我们的大脑里因此形成了两个“货架”：

• 第一个货架（名词）：RAG、Agent、Harness Engineering。这些东西看起来“硬”，有技术含量。
• 第二个货架（动词）：上下文管理、任务拆解、人机协同、结果确定性。这些东西看起来“软”，大家觉得不急，或者不确定其价值。

因此，大家更愿意投入时间和精力在第一个货架上。

RAG 案例解析：管中窥豹

以 RAG 为例，许多人学习的方式是从“pipeline”开始：文档切分、embedding、存入向量数据库、用户检索时找 top-k、塞入 prompt、生成答案。这听起来是一个完整的、令人安心的流程。但到了真实应用场景，这个流程“狗屁都不是”，甚至适得其反。

真实工作中会遇到：

• 切分策略：固定 size 还是让模型决定？
• Embedding 的必要性：是否总需要 embedding？是否有更好的信息存储检索方式？
• 召回方式：为什么用 top-k？如何决定召回多少内容（5段还是20段）？
• 信息处理：答案会不会被无关信息掩盖？Chunk 太小是否会切分答案？Recall 下降怎么办？
• 时效性与权限：文档过期怎么办？跨部门的权限管理如何实现？
• 准确性与溯源：答案引用是否准确？什么是“ground truth”？
• 问题定位：回答错误时，是检索、生成、prompt、流程、还是用户意图理解错误？

这些是企业工作中真实面对的问题，与基础的 pipeline 流程关系不大，却是懂行的面试官会重点考察的内容。用“名词”方式学 RAG，关心的是 pipeline 里有哪些“零件”；用“动词”方式学 RAG，关心的是系统如何在工作环境中稳定运行。

关注名词的人本质上是“反生产力”（counterproductive）的，因为他们只想用学到的名词去解决问题，而忽略了真正值得解决的问题，并急于“炫技”（show off）。

当你看到“动词”层面的能力时，你会发现 RAG 这个概念远远不够用。真正有价值的动作包括：权限控制、监控、诊断、上下文工程、工作流设计、评估。这些基础 RAG pipeline 中有用的部分，早已被平台吸收。企业愿意付出溢价的，正是这些 pipeline 之上的能力。因此，学习名词不仅反生产力，而且越来越不值钱。真正值钱的，是这些“动词”，无论在面试、工作还是创业。

RAG 只是一个例子。换成 Agent、Harness Engineering，甚至是 AI 编程、AI 写作、AI 知识库，道理都是一样的。

• 初学者关心“我该学哪个工具？”vs. 高手关心“这个任务该如何组织？”
• 初学者关心“怎么写更好用的 prompt？”vs. 高手关心“这个任务需要什么样的上下文结构？”
• 初学者关心“哪个模型最强？”vs. 高手关心“哪个模型/工具/流程最适合你的任务？”
• 初学者问“为什么 AI 又错了？”vs. 高手就问“到底哪里出错了？”

高手的动作围绕着：管理（Management）、拆解（Decomposition）、判断（Judgment）、路由（Routing）、诊断（Debugging）、沉淀（Sedimentation）。

同样是使用模型和工具，高质量项目的产出（如 Claude Code 基本上是用 AI 写出来的）与普通开发者抱怨 AI 不好用之间，存在巨大的差距。很多开发者停留在浅层名词，忽视了“动词”的重要性，甚至不知道它们的存在，自然认为自己水平已经很高。但这种观念上的差距，是限制水平提高的“天花板”。了解并掌握这些“动词”的存在，才有持续提升的希望。

机制与原因

为什么会出现这种“名词热”、“动词冷”的现象？

1. 可见性差异：工具（名词）的进步很容易被看见和感知，而动作（动词）的改进则不那么直观，他人难以察觉。
2. 瓶颈的可见性：人们只能看到自己当下能看到的瓶颈，这些往往是名词层面的。动词层面的瓶颈则不容易被发现，直到你真正克服了这些障碍，才能体会到它们的重要性。就像只有高手才能告诉你，自己和另一个高手的“刺拳”之间，到底有多少差距。

这也是为什么“鸭哥”（此处指代一位在AI领域有深度实践和教学能力的人）如此稀缺和有价值。他不仅走过了这条路，看到了其中的深层内容，还能将其具象化、深入浅出地教导出来，帮助他人弥补差距。

这也能联系到“手艺”的概念：无论是高尔夫、拳击，还是编程、写作、学 AI，本质上都是一种手艺。用“学科学习”的思维去学 AI，容易只关注概念；而用“手艺”的心态去看待 AI，就会理解“用 AI 做事的手艺”的重要性。

总结：找到真正的入口

为什么学了很多 AI 却越来越焦虑，却无法用好？ 因为大家只看到了“上面这条线”——各种各样的名词，而没有看到“下面这个面”——真正的动词和它们展开的实践。真正的入门，不是追逐最新的概念，而是开始看到并提高“下面的这些动作”。那时，你就不再是追逐 AI 新名词的人，而是真正开始用 AI 做事的人，焦虑自然会减轻。

工具、模型、框架、名词会不断变化，但这些“动词”相对稳定，并且随着模型增强，会产生越来越大的复利效应。例如，上下文管理能力，在新模型拥有更大 Context Window 后，其重要性反而会提升，因为我们可以用它做更厉害的事情，并且有更多手段去有效管理。这些沉淀的经验和认知，具有长期价值。它们构成了 AI 时代的工作“手艺”。

下次当你觉得学了很多 AI 却没入门时，请反思：

• 我是否看到了“手艺”背后对应的那些动词？
• 我可以在哪里学习更多动词？
• 我应该如何提高这些动词的能力？ 这可能才是真正的入口。