我怎么理解“用 AI 做事”和“用 AI 学东西”

我最近越来越能区分两种看起来很像、结果却完全不同的 AI 使用方式：用 AI 做事，以及用 AI 学东西。

以前我经常把它们混在一起。让 Agent 帮我写完代码之后，我又要求自己立刻理解所有细节；当我发现自己记不住每个配置、每个 API 参数时，就觉得自己好像什么都没有学到。后来我发现，这个评价标准本身就错位了。

AI 可以是执行者，也可以是陪练

用 AI 做事时，AI 更像执行者。我描述目标、约束和验收标准，它负责搜索、修改、运行和整理。我真正需要盯住的是方向有没有偏、结果能不能跑、关键取舍是不是符合我的判断。

用 AI 学东西时，AI 更像陪练。我要先尝试形成自己的解释，再让它指出漏洞；先写出一个方案，再比较不同方案的代价；遇到报错时先猜原因，而不是把整段错误直接丢给它。

这两种模式都合理，但不能用“学习模式”的标准去要求“执行模式”交付学习感。Agent 编程的首要目标是把事情做成，不是让我在每一行生成的代码里获得完整的知识。

真正危险的是认知卸载

问题不在于代码是不是 AI 写的，而在于我的判断是不是也一起交出去了。

如果我只是复制结果、接受解释、确认修改，然后继续下一步，我得到的是一次完成记录，不一定得到能力。久而久之，项目会越来越不像自己的东西，因为我没有参与那些决定它为什么这样工作的关键环节。

我现在会把这种状态叫作认知卸载：不是让工具承担重复劳动，而是连问题怎么拆、为什么这样选、什么结果算正确，都让工具替我决定。

AI 越强，这个区别越重要。工具足够弱的时候，我被迫经历报错、搜索和试错；工具足够强之后，很多认知阻力会被直接抹掉。效率提高了，但建立直觉的过程也可能一起消失。

执行时做减法，回顾时做加法

我更愿意把两种模式放在同一个工作流里，但把时间分开。

执行时做减法：

• 只关注目标、边界、关键决策和验收结果；
• 不试图逐行理解所有自动生成的实现；
• 发现方向不对时及时纠正，不等到最后才返工；
• 把测试、运行状态和真实效果放在解释之前。

回顾时做加法：

• 今天我为什么选了这个方案，而不是另一个？
• Agent 第一次给的结果哪里不符合我的要求？
• 哪个错误是我自己先定位出来的？
• 这次经历能不能抽象成下一次还能调用的判断？

回顾的对象不是“AI 写了多少代码”，而是“我做了哪些判断”。这些判断才是项目里真正属于我的部分。

我现在会保留一点认知阻力

我不会再要求自己拒绝 AI，也不会把手写每一行代码当成唯一的学习方式。更实际的做法是，在关键位置故意保留一点阻力：先自己说出猜测，先自己写最小版本，先自己比较两个选项，再让 AI 补充盲区。

这几分钟的阻力不是浪费。它让我知道自己到底哪里不懂，也让我在下一次遇到相似问题时，不至于只能重新请求一个答案。

所以现在我的判断是：做事时让 AI 放大执行力，学习时让 AI 暴露我的判断缺口。 不要让同一次对话同时追求完全托管和完整掌握，先分清楚此刻自己需要哪一种。