一、引子：为什么"会用 AI"和"会用好 AI"是两回事

很多人觉得"会用 AI"就是会写 prompt。

你问他们用什么模型，他们能说出 GPT-4o 还是 Claude 3.5。你问他们怎么调参数，他们知道 temperature 调低一点更稳定、top_p 调高一点更多样。这看起来已经很"会用 AI"了。

但有一个问题：一个只会写 prompt 的人，和一个真正用好 AI 的人，差距远不止"会不会调参"。这个差距就像一个会开车的人和一个会修车、会看地图、会规划路线的人之间的差距——前者能在已有的路上开得很好，后者知道什么时候该走哪条路、什么时候该换条路、甚至什么时候该下车。

前者做到的是"在已有维度上优化"。 后者做到的是"管理、组合、发现维度本身"。

这种能力有一个名字——元简化。

二、元简化四层阶梯

元简化不是"有或没有"的二元问题，而是一个从量变到质变的连续谱系，分为四个层级。

前两篇分别讲了"AI 的本质是简化"和"AI 的局限在哪"，这一篇要回答的是"怎么用好这个认知"。四层阶梯是从低到高的实践路径——大多数人停在第一阶，真正的高手至少到第二阶。

第一阶：调优

在已有的简化维度内做到极致。

这是入门层。你会用一个 AI 工具，知道怎么写 prompt、怎么调参数、什么时候换模型。你在当前的地图内寻找最优路径。

日常表现：

  • 反复优化 prompt，尝试不同措辞、格式、few-shot 示例
  • 调 temperature、top_p、max_tokens
  • 比较不同模型在同一任务上的表现

这是大多数人的天花板。 不是因为调优本身有错——能把一个工具用到极致当然是好事。问题在于：很多人以为这就是全部了。 他们不知道调优之上还有组合、组合之上还有发现。

关联前两篇： 上一篇《地图不是疆域》说的"三层地基盲区"，尤其是"在技术层反复调试"——本质上就是被困在了元简化的第一阶。你在调参数，但你从没想过"这个问题可能不是我能调的参数能解决的"。

第二阶：组合

跨维度整合，让多个 AI 各司其职。

到了这一阶，你不再只用"一个 AI 工具"，而是开始构建 AI 工作流——让每个工具做它最擅长的事，然后串联起来。

日常表现：

  • LLM 做理解和生成 + 搜索引擎做事实核查 + 代码解释器做精确计算
  • 用 Agent 框架编排多个工具，让它们协作完成复杂任务
  • 你知道每个工具的"地图"边界在哪，不会让 LLM 去做它不擅长的事

这阶的关键能力不是"会不会用更多工具"，而是"知道什么时候用哪个工具"。第一阶的能力是"精通一个工具"，第二阶的能力是"判断这个任务应该用哪个工具组合"。

为什么大多数人没到这一阶： 因为他们还在"调优"的思维里——总觉得是自己 prompt 写得不够好、参数没调对。他们没有意识到：很多时候问题不在你用哪个工具，在你只用了"一个"工具。换个工具组合，或者重新分配任务，效果可能完全不同。

第三阶：发现

不是用好现有的维度，是找到新的更高效的维度。

到了这一阶，你已经不满足于"把现有工具用好"——你开始重新定义问题本身。

你不再问"怎么用 AI 解决这个问题"，而是问"这个问题本身应该怎么被定义"。

日常表现：

  • 你发现当前所有 AI 工具都解决不好的一个问题——不是工具的问题，是问题定义错了
  • 你找到了一种全新的方式来看待这个任务，现有的 AI 工具突然有了新的用法
  • 你不是在已有的"地图"上找路——你在画一张新的地图

这个阶是真正的分水岭： 当前 AI 能做好第一阶（调优），正在做第二阶（组合），但AI 做不了第三阶。第三阶需要跳出已有的框架——这需要对自己认知框架的觉察，需要理解"什么是一个好的简化维度"，这些不是统计学习能解决的问题。

一个历史类比： 200 多年前，所有人都在想"怎么让马跑得更快"（在第一阶调优）。有一个人开始思考"有没有比马更快的交通方式"（第三阶发现新维度）。那个人的名字不叫"更好的马夫"——他叫史蒂芬森，发明了蒸汽机车。

在 AI 时代，发现新维度的机会远多于蒸汽时代。因为 AI 本身在不断创造新的简化维度（新的模型架构、新的交互方式），你只需要识别它们、选择它们、把你正在做的事迁移过来——这就是元简化第三阶。

第四阶：元认知

对自己的认知框架有自知之明。

这是最高阶。到了这一阶，你不仅知道 AI 的盲区在哪——你还知道自己的盲区在哪。

你知道你的思维习惯倾向于哪种简化方式。你知道自己在什么情况下容易被 AI 的流畅输出说服。你知道自己的"地图"在哪个区域失真最严重。

日常表现：

  • 你在"相信 AI"和"怀疑 AI"之间自如切换
  • 你能在对话中识别出"这个 AI 的回答听起来很合理，但它的简化维度在这个问题上不适用"
  • 你能反思自己的决策过程：“我为什么觉得这个方案是对的？是因为它真的好，还是因为它符合我的思维习惯？”

这一阶是地基盲区的彻底消除。 前两篇说的"地图不是疆域"——到了第四阶，你不仅知道 AI 的地图不是疆域，还知道你自己的地图也不是疆域。

三、四阶的日常行动指南

每阶对应一套可操作的动作：

阶梯 定义为 日常做什么
第一阶 调优 在已有维度做到极致 精进你最常用的一个 AI 工具，学会所有参数和 prompt 技巧
第二阶 组合 让多个工具各司其职 给你的核心工作搭一条 AI 管道，至少串 3 个工具
第三阶 发现 重新定义问题 每月做一次"重新定义问题"练习——选一个长期用 AI 解决不好的问题，问自己"这个问题是不是定义错了？"
第四阶 元认知 对自己有自知之明 每天做一次"我今天的判断有没有被我的认知框架带偏"的自检

四、人类 vs AI 的分界线

这套四层阶梯不只是"个人能力进阶"——它也是一张AI 能力的天花板地图。

阶梯 人类 AI 说明
第一阶 调优 ✅ 能做到 ✅ 大量做到 AutoML、NAS、Prompt 自动优化
第二阶 组合 ✅ 能做到 ⏳ 正在做 Agent 框架能组合工具但不稳定
第三阶 发现 ✅ 能做到 ❌ 基本不能 需要跳出已有框架，AI 不是统计学能解决的
第四阶 元认知 ⚠️ 少数人 ❌ 做不到 需要对认知框架本身有反思能力

这个表格揭示了一个结构性的事实：AI 做的是"在已有维度上优化"，人类做的是"发现新维度"。 这两个能力在可预见的未来不会趋同——不是因为 AI 不够强，而是因为它们是本质不同的事情。

这对你的意义是什么？

不要试图在 AI 擅长的领域和它竞争（第一阶调优——AI 比你快得多）。也不要觉得第二阶组合是终点——Agent 框架正在快速成熟。你的不可替代性在第三阶和第四阶。