一、序

最近买了台游戏机，本来以为是一次简单的消费行为，结果却演变成一场不断升级的配件收集之旅。陆陆续续又添置了一堆号称能“激发游戏潜能”的“利器”。

终于，在一个普通的周末，无数次在游戏里回到存档点后，望着屏幕，不禁感叹：我到底在追求什么？是通关的胜利，还是装备带来的满足感？

二、正文

从2022年11月30日OpenAI发布ChatGPT开始，大语言模型（LLM）已经改变了许多事情。企业纷纷宣告“全面拥抱AI”，媒体充斥着“生产力飞跃”“行业革新”等标题，大家则不断追问：“有没有适用于XX的GPT？”“有没有XX领域的AI工具？”

这些零散的碎片，渐渐拼凑成一个关于“重塑场景”和“重塑行业”的宏大叙事。在这个故事里，“生产力”似乎被量化了：工具A = 生产力+1，工具B = 生产力+2。我们被裹挟着，不断筛选、尝试“新”的方案，以期提高效率。

但问题来了——用新工具替换旧工具，本质上只是工具的筛选。而这次，伴随LLM而来的，不仅是新工具和解决方案，还有一种对信息和工具的焦虑。

在这种不确定的浪潮下，给自己提了一个问题：大模型，究竟给我带来了什么？

在深入讨论之前，先聊聊我的四位“朋友”：

朋友A：滚轮里的仓鼠

他热衷于了解“正在发生”的事，追逐“最新”的生产力工具。收藏夹里堆满了“最佳实践”“干货”和“知识体系”。他不断尝试新工具，根据不清楚是否有用的工作场景搭建了不清楚是否有用的智能体和工作流，试图通过投入时间来节省时间。

朋友B：被忽悠瘸了的厨师

从去年某个时间开始，“AGI”和“LLM”成了他的口头禅。无论面对什么场景，大模型似乎都是“万金油”。他对大模型能力的信任，甚至超过了对自己的信任。遇到大模型解决不了的问题，他会说：“一定是我prompt写得不对，我再调整一下。”

朋友C：活体进化论

ChatGPT的忠实用户。在ChatGPT、PPLX、Claude宕机那天，他发出了“brain.exe has stopped working”的哀嚎。失去大模型后，他才意识到，原来LLM已经像吃饭喝水一样自然地融入工作生活。那天他忘了基础工作的“原始方法”，失去了基本的“自理能力”。离开大模型，生产力归零。

朋友D：效率信徒

他的“偶像”总是在变。从“总觉得时间不够用？马斯克教你10个高效技巧”到Sam Altman的《如何提高工作效率》，他每天都在“点菜”，每个行为都附上强有力的“大佬背书”。他坚信：只要以大佬的指导为信条，就能和他们一样高效。

这四位不仅是我的朋友，也是我自己某个切面的投影。对生产力的过分关注，有时会让人陷入一个怪圈——被“提高效率”裹挟，忙于完善“提高效率”的方法，却忽略了真正需要解决的问题。

Charles Chaput说过：技术以重要方式使机会均等，大多时候是好的，但也激发了人们对效率的狂热、对工具的迷恋、以及对未来的偏重。无论是工具、配件还是大模型，本质上都是一种“生产力成瘾”。

那么，如何摆脱呢？你可能需要……

认清工具的本质

追求好用的工具本身并没错，趁手的工具确实是高效工作的助推器。但过犹不及，一旦成瘾，事情的本质就变了。如果你已经有点“上头”，不妨把“寻找工具”和“工作”分割开来——毕竟提高生产力从来不是“工作”本身。每天留出时间专门阅读、体验和探索；而在正式工作时间，专心完成手头的任务。

了解工具的局限

不得不承认，过去两年LLM带来了持续的惊喜。但据观察，很多应用开发者仍然处于“demo很好搭，落地很难顶”的状态。以目前大模型的智能程度，远不足以胜任部分任务的决策和执行。目前最“实用”的阶段，依旧是Copilot，而非Agent。保持AI应用输出稳定的一个关键是：减少LLM参与的节点。你并不需要那么多智能体或Agent。作为打工人，更需要的不是工具的迭代，而是面向AI重新拆分并设计工作流。

区分“目标”和“路径”

“大模型成瘾”的部分原因，在于对新兴概念和技术的过分关注。这种错觉让LLM和其他工具一样，逐渐演变成“目的”，而脱离了作为达成目标“路径”的本质。就像写prompt一样，复制提示词框架快速嵌套，的确能得到一个结构完整的prompt，但许多任务根本不需要长篇大论的提示词来消耗token。回归问题本身，拆解核心问题，再根据结果分析如何完成任务——这才是正道。

三、尾

信息爆炸和新技术的涌现，难免会陷入“不知道有没有用，但好像需要了解”的焦虑。因此，我们需要专注于自己的现在。

在AGI真正到来之前，找到自己的锚点。让工具做辅助，而不是被工具定义——这样才能真正提升生产力，走出永无止境的“成瘾”循环。