如何与 AI 协作而不让技术力下降

前言

随着 AI 工具越来越深入日常开发、写作、排查和学习流程，一个新的问题也变得越来越明显：

AI 确实能显著提高效率，但如果长期把思考过程也交给 AI，自己的技术能力会不会下降？

这个问题并不是杞人忧天。

很多人在高频使用 AI 之后，会逐渐进入一种状态：

• 遇到问题第一反应不是分析，而是直接问 AI；
• 能看懂 AI 的答案，但说不清为什么这样做；
• 代码能跑起来，但无法解释其中的数据流和边界条件；
• 一旦离开 AI，就不知道从哪里开始。

真正危险的不是“使用 AI”，而是 AI 从辅助工具逐渐变成了“唯一的大脑”。

本文尝试总结一套更健康的 AI 协作方式：让 AI 提升效率，但不替代人的判断、理解和技术积累。

一、技术力为什么会在使用 AI 后下降

AI 本身不会直接削弱能力。真正导致技术力下降的，是我们反复跳过了原本需要自己完成的认知过程。

一个容易让能力下降的循环是：

遇到问题 → 直接问 AI → 复制答案 → 运行成功 → 继续下一个任务

这个流程短期非常高效，但长期可能带来几个问题：

1. 没有形成自己的问题模型；
2. 没有理解方案背后的取舍；
3. 没有积累排错经验；
4. 没有把一次解决过程沉淀成可迁移能力。

相比之下，更健康的循环应该是：

理解问题 → 提出初步判断 → AI 补全和纠错 → 自己验证 → 总结成经验

技术能力不是“看过多少答案”，而是能否做到：

• 解释方案；
• 判断取舍；
• 修改实现；
• 定位错误；
• 迁移到相似问题。

如果只是反复接收 AI 的最终答案，而没有参与中间过程，能力确实可能被逐渐掏空。

二、给 AI 设置明确的角色边界

与其简单要求自己“少用 AI”，不如给 AI 设置清晰的角色边界。

AI 可以参与工作，但不应该替你完成所有关键判断。

一句话概括：

可以把部分执行外包给 AI，但不要把问题定义、技术判断和结果验收一起外包。

三、每个任务都使用这套协作流程

为了避免 AI 替代思考，可以把日常任务固定成一个五步流程。

1. 先定义问题，不急着要答案

在问 AI 之前，先把问题写清楚：

• 我要解决的具体问题是什么？
• 输入、输出和成功标准是什么？
• 有哪些明确约束？
• 我现在已经知道什么？
• 真正卡住的是哪一步？

很多时候，问题定义得越清楚，AI 给出的答案越可控，你自己也更不容易被答案牵着走。

2. 先写一个最低限度的判断

不要求一开始就会做，但至少先写几句话：

• 我猜问题可能发生在哪里；
• 我准备先检查什么；
• 我认为可能有哪些方案；
• 我目前最不确定的地方是什么。

对于陌生领域，哪怕只写 3～5 句话也可以。

这个动作的目的不是证明自己会，而是保留自己的问题建模能力。

3. 让 AI 补全、对比和纠错

不要只问：

帮我完成这个功能。

更好的问法是：

这是我对问题的理解和初步方案，请你指出错误假设、遗漏和风险，并给出改进建议。

这样 AI 的角色就从“替你做事的人”变成了“帮你审查和补全的人”。

4. 分步执行并验证

不要让 AI 一次生成一个很大的完整方案。更好的方式是要求它分步骤输出：

每一步都说明：

• 这一步的目标；
• 为什么要这样做；
• 预期结果是什么；
• 如何验证；
• 如果失败，优先检查哪里。

这样可以避免自己被大段代码和方案淹没，也更容易真正理解每一步的作用。

5. 最后由自己完成一次压缩总结

任务完成后，不要直接复制 AI 的总结，而是自己写一段复盘：

• 问题的根因是什么；
• 最终采用了什么方案；
• 为什么没有选其他方案；
• 如何验证结果；
• 下次遇到类似问题先做什么。

这个动作非常重要。

因为只有经过自己的语言重新组织，AI 输出才会慢慢变成自己的经验。

四、陌生领域不需要强行“先独立完成”

在完全不了解的领域中，要求自己先独立完成大部分任务并不现实。

比如刚接触：

• 上位机开发；
• 嵌入式通信；
• 图像算法；
• 后端工程；
• DevOps；
• 工业视觉；
• 某个陌生框架。

这时离开 AI 之后感到“什么都不会”，并不一定说明你退化了，而是你还没有建立领域模型。

更合理的方式是分阶段减少 AI 的主导程度。

初期：AI 帮你搭脚手架

这一阶段可以大量依赖 AI：

• 解释领域概念；
• 梳理知识地图；
• 拆解项目结构；
• 给出最小可运行示例；
• 帮你理解当前任务的位置。

此时你的核心任务不是独立完成，而是建立整体认知。

中期：你提出局部方案，AI 帮你审查

当你对领域有基本了解后，可以尝试自己先写局部方案：

• 数据怎么流动；
• 模块怎么拆；
• 哪些异常要处理；
• 应该如何验证；
• 哪些地方可能有风险。

然后让 AI 做审查和补全。

后期：你独立处理常见问题，AI 做高级辅助

当你能处理常见任务后，AI 的角色应当逐渐后移：

• 帮你做 code review；
• 帮你发现边界情况；
• 帮你重构和优化；
• 帮你补充测试；
• 帮你比较技术方案。

此时 AI 仍然参与工作，但方向、判断和验收掌握在你手里。

五、用少量训练维护技术能力

不需要在所有工作中关闭 AI。更现实的做法是：给自己的大脑保留固定训练空间。

每天：10 分钟先思考

正式询问 AI 前，先写下：

• 当前问题；
• 自己的猜测；
• 约束条件；
• 排查顺序。

时间不用长，关键是让大脑先进入问题。

每个任务：一次复述

任务完成后，用自己的话解释：

• 方案为什么这样设计；
• 关键代码做了什么；
• 数据如何流动；
• 哪里最容易出错。

如果无法复述，说明你只是“看懂了”，还没有真正掌握。

每周：一个无 AI 小任务

每周选择一个已经解决过的小问题，关掉 AI 独立重做一遍。

目标不是提高效率，而是检查：

• 是否真正理解；
• 是否能独立开始；
• 是否能排查常见错误；
• 是否能完成一个最小版本。

完成后再和 AI 的方案对比，找出差距。

每月：一次能力盘点

每月回顾：

• 哪些任务仍然完全依赖 AI；
• 哪些任务已经能独立完成；
• 哪些能力明显没有内化；
• 下个月应该重点补哪一块。

这种复盘比单纯减少 AI 使用更有效。

六、出现这些信号时，说明依赖已经偏高

可以定期检查自己是否出现以下情况。

理解层面的信号

• 答案看起来合理，但说不出为什么；
• 无法解释代码的数据流；
• 无法区分通用逻辑和项目特例；
• 只能理解结论，无法理解推导过程。

执行层面的信号

• 没有 AI 就不知道如何开始；
• 需求稍微改变，就必须重新生成全部内容；
• 报错时只能继续把错误丢给 AI；
• 无法自己做最小复现。

判断层面的信号

• AI 给出两个方案时无法选择；
• 无法发现明显违反项目约束的建议；
• 运行成功就认为方案一定正确；
• 对安全性、可靠性、可维护性缺乏判断。

当这些信号频繁出现时，不一定要停止使用 AI，但需要立刻调整用法。

七、依赖偏高时的恢复方法

如果已经感觉自己过度依赖 AI，可以用下面几个方法恢复主动性。

1. 缩小任务范围

不要一上来要求自己完全脱离 AI。

可以只选择一个小模块或一个小功能独立完成。

例如：

• 独立写一个配置解析函数；
• 独立复现一个 bug；
• 独立完成一个接口调用；
• 独立写一段测试代码。

2. 让 AI 只提问和纠错

把提示词从：

帮我完成这个功能。

改成：

请不要直接给答案，只通过提问帮助我澄清问题，并在我给出方案后指出错误。

这样可以重新把思考权拿回来。

3. 自己重新实现最小版本

对于已经依赖 AI 完成的功能，可以抽出一个最小场景，自己重新实现一遍。

重点不是代码是否优雅，而是能否从零开始走通整个过程。

4. 补写问题根因和验证过程

很多人依赖 AI 的核心原因是缺少排错经验。

所以每次解决问题后，至少记录：

• 问题表现；
• 根本原因；
• 排查步骤；
• 最终修复；
• 如何验证；
• 下次优先检查什么。

这会逐渐形成自己的技术经验库。

八、可直接复制的 AI 协作提示词

下面这段提示词适合在日常工作中使用，尤其适合想提高效率但又不想完全外包思考的场景。

我希望使用 AI 提高效率，但不希望把思考和技术判断全部外包给你。

当前任务是：`填写任务`
我目前的理解是：`填写自己的初步理解`
我认为可能的方案是：`填写猜测或方案`
我最不确定的地方是：`填写卡点`

请按以下方式协作：

1. 不要直接从零替我完成整个任务。
2. 先检查我对问题的理解，指出错误假设、遗漏和模糊之处。
3. 将任务拆成可以独立验证的小步骤。
4. 每一步说明：
   - 目标
   - 原理
   - 可选方案
   - 推荐方案及原因
   - 主要风险
   - 验证方法
5. 对于代码，请标明：
   - 通用逻辑
   - 项目相关逻辑
   - 必须由我确认的参数
   - 容易出错的地方
6. 优先用提问引导我作出关键决策，不要替我决定所有内容。
7. 当我给出方案时，先做审查和纠错，再提供改进版本。
8. 任务完成后，要求我用自己的话总结：
   - 问题根因
   - 方案选择
   - 验证过程
   - 可迁移经验
9. 最后给我一个不依赖 AI 的小练习，用来检查我是否真正掌握。

请先从审查我的问题理解开始。

九、一个可长期执行的每周方案

十、最终判断标准

判断自己是否处在健康的 AI 协作状态，可以看下面几个问题：

• 能否清楚定义问题，而不是只描述想要的结果？
• 能否比较方案并说明取舍？
• 能否修改 AI 生成的内容，而不是只能重新生成？
• 能否在报错时提出自己的排查顺序？
• 能否独立完成相似但更小的任务？
• 是否知道哪些工作可以放心交给 AI，哪些不能？

如果这些问题的答案越来越多地变成“可以”，说明 AI 正在增强你，而不是替代你。

结语

AI 应该让我们把时间从重复劳动转移到更高层次的思考，而不是让我们失去思考本身。

真正健康的 AI 协作，不是完全不用 AI，也不是完全依赖 AI，而是做到：

AI 负责加速、补全、审查和启发；
人负责定义问题、判断取舍、理解原理和验收结果。

当你仍然掌握方向、判断和复盘能力时，AI 才是技术成长的放大器，而不是技术能力的替代品。