一、序

最近，我买了一个游戏机，这本来应该是一次简单的消费行为，但很快，变成了一场不断升级的配件收集之旅。所以我陆陆续续又买了一堆似乎可以“激发我游戏潜能”的“利器”。

终于在一个普普通通的周末，游戏里我无数次回到存档点，看着屏幕发出了感叹：我究竟在追求什么？是游戏的通关胜利，还是装备带来的满足感？

二、正文

从2022年11月30日，OpenAI 发布了 ChatGPT 开始，LLM 给很多事情带来了改变。企业纷纷宣称「全面拥抱 AI 」，媒体充斥着「生产力飞跃」「行业革新」的标题，大家不断地在问「有没有适用于 XX 的 GPT？」、「有没有 XX 领域的 AI 工具？」。

这些零碎的拼图逐渐拼凑成了一个关于“重塑场景”和“重塑行业”的宏大叙事。在这个故事中，「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并采用“新的”解决方案来提高生产力。

然而，通过使用新工具/服务去替换旧工具/服务来“解决”问题，本质上是对工具的筛选。但是这次伴随着新工具（LLM）而来的，并不只是新工具和新的解决方案，还有对信息和工具的焦虑。

在这种不确定的浪潮下，我给我自己提了一个问题：大模型究竟为我带来了什么？

在深入讨论这个问题之前，我想先介绍我的四位“朋友”：

朋友A：滚轮里的仓鼠?

热衷于了解“正在发生”的事情，追逐“最新”的生产力工具，他的收藏夹里堆满了「最佳实践」「干货」和「知识体系」。他不断尝试新的工具，根据（不清楚是不是有用的）工作场景搭建了（不清楚是不是有用的）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?

从去年不知道什么时间开始，AGI 和 LLM 就挂在了他嘴边，他似乎认为，无论面对什么场景什么领域，大模型都是“万金油”。他对大模型的能力有着无限的信任，甚至有点超过信任他自己。遇到大模型没办法解决的问题，他会说“一定是我的 prompt 写得不对，我再调调”。

朋友C：活体进化论?

ChatGPT 的忠实用户，在ChatGPT、PPLX、Claude宕机的那天，发出了“brain.exe has stopped working”的哀嚎。在失去大模型的那天，他才意识到 LLM 好像和吃饭喝水一样，很自然的融入在自己的工作生活里。那天他忘记了基础工作的“原始方法”，失去了工作里“基础的自理能力”。离开大模型，生产力就归零。

朋友D：效率信徒?

他的“偶像”或者说精神信仰，不断地在变化。从「总觉得时间不够用？马斯克教你10个保持高效生产力的秘诀」到Sam Altman《如何提高工作效率》，每天都在点菜，他的所有行为都被附以强有力的“大佬背书”。他坚信，只要以大佬的指导作为信条，就可以和他们一样高效。

这四位不仅是我的朋友，也是我自己的切片。对生产力的过分关注，有时候会导致我陷入了一个怪圈，被提高「效率」裹挟，忙于去完善「提高效率」的方法，却忽视了真正需要解决的问题。

Charles Chaput说：技术以重要方式使机会均等。大部分方式是好的，但它们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、大模型，本质上都是一种生产力成瘾。

那么摆脱大模型成瘾，你可能需要…

认清工具的本质

实际上，追求好用的工具并不是过错，趁手的工具对高效工作来讲是一个重要的促进因素，但对工具的过犹不及就会让事情的本质产生变化。

如果你已经成瘾，那么你需要把「寻找工具」和「工作」进行分割，毕竟提高生产力从来就不是「工作」的一部分，每天留出时间来给自己阅读、体验和探索。但是在你的「正式工作时间」，专心完成你的工作。

了解工具的局限

不得不承认 LLM 确实在过去的近两年时间里给了我们足够多的惊喜，但我了解到的很多应用开发者仍然处在一个「demo很好搭 落地很难顶」的状态，因为以目前大模型的智能程度，并不足以胜任对部分任务的决策和执行，目前最“实用”的阶段依旧是 Copilot 而不是 Agent。

保持 AI 应用输出稳定的一个要点是“减少 LLM 参与的节点”，所以你实际上也并不需要那么多智能体、Agent 参与到你的工作流中。所以作为一个打（lao）工（niu）人（ma），需要的不只是工具迭代，而是需要面向 AI 重新拆分并设计工作流。

例如，评论回复与分析，毕竟大语言模型天然的优势就是 NLP 和文本生成：

• 获取用户（商家）的评论数据

• 大模型语意识别筛选

• 生成回复&归类

在这个流程中，大模型只进行了语意识别和文本生成，契合大模型能力且不涉及复杂决策。

区分「目标」和「路径」

产生「大模型成瘾」的一部分原因是我们对新兴的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化成了「目的」，而脱离了达成目的的「路径」。

和写 prompt 类似，复制提示词框架进行嵌套会很快让你有一个结构完善的 prompt ，但是很多任务并不需要长篇大论的提示词来消耗你的 token。所以我们要回归问题的本身，拆解核心问题，根据拆分结果来分析如何完成任务。

三、尾

信息的爆炸和新技术的产生，或多或少会陷入到「不知道有没有用，但是好像需要了解」的焦虑中，因此我们需要专注于「自己的现在」。

在 AGI 达成前找到锚点，让工具做辅助，而不是被工具定义，才能真正提升生产力，脱离永无休止的“成瘾”循环。