AI 時代下更重視領域基礎能力

（ 本篇來自 ChatGPT 對談、收斂寫作 Skill 後產出的一篇思考 )

整篇是透過 Typeless 輸入文字 ChatGPT 收斂後討論寫作方式，至少每個字都看過，能肯定的是這篇文章能代表我的觀點，不過呈現重點是我的責任，沒有表達很清楚，導致開頭和中間舉例都很發散，先求階段性的記錄這些思考和想法

AI 讓執行變得容易，更需要知道自己要去哪里

最近在大阪旅行時，突發開始重新思考自己對日本房地產和 Airbnb 的看法，目的是持有更多能帶來現金流且穩定增值的資產

大阪房地產總價相對較低，加上日元匯率處在一個很容易讓人產生行動沖動的位置，看似是個值得把握的機會。我之前也認真比較過東京和大阪，並且設想過買下一間房，再通過 Airbnb 或其他民宿形式經營的可能性

但當我繼續往下研究，也很剛好的遇到已經在大阪生活 10 年的中國程序員，了解到更多新的限制和近期房地產波動，才再次意識到不只是投報率的考量

主要是現在日本對「 民宿 / Airbnb 」的出租天數和營業日期有限制，據說是新出的規則而且有可能再變動，稍微和 ChatGPT / Claude 交差查了下東京、京都、大阪都各有不同天數限制，甚至能經營的區域也有規定

單從房價低和日元匯率，只能說明進入門檻可能比較低，卻不能直接證明它是一項能持續帶來正現金流的投資。真正需要先回答的問題，其實是：你為什麼要買這間房？你想要的是投資收益、長期資產配置，還是未來可以自己使用的住所？

假設是自住，許多難以量化的因素都會變得重要，真的有辦法待在日本？習慣在這裡長期生活嗎？若目的是投資，政策限制、入住率、管理成本和退出方式，就必須用非常商業的數字來嚴格審視、計算

研究到最後，我得到的並不是一個簡單的「可以買」或「不能買」，而是意識到自己原先的問題問得太快。很多時候，太急著尋找答案，卻還沒有先定義目標

這件事情也讓我想到，為什麼我越來越覺得應該把生活中的過程隨手記錄

過去會認為，只有完整、正確或已經驗證過的觀點，一定要自認對別人有價值，才值得被寫成內容；但現在更在意的是

• 一個想法如何發生
• 自己為什麼一開始這樣判斷
• 後來又看見了哪些信息
• 最後如何修正原先的認知

使最初的判斷不正確，這個變化過程本身仍然有價值

AI 讓每個人的起點都稍微提高了

以前要完成一篇文章、一支影片、一個網站或一個產品原型，通常需要先跨過很高的技術門檻；現在，很多人都能在相對短的時間里得到一個初步成果

真正的問題因此不再只是「我會不會做」，而是「 我有沒 有開始做 」，以及「 我能不能持續記錄自己正在經歷和理解的東西 」在過程中提升認知

發布第一支影片、寫下第一篇不夠成熟的文章，或者記錄一個後來被證明並不完整的判斷，往往比繼續等待一個完美的起點更重要

因為 AI 可以幫助整理和放大，但它無法替你擁有那些經歷，也無法替你決定哪些經歷值得被連接起來

真正形成個人認知、能力、影響力、價值觀，通常不是某一個突然出現的宏大觀點，而是許多經驗和片段的持續積累和打磨，逐漸塑造的方向（ 沒有結果，抱持著無限賽句的心態 )

grown-up 學習 vs. 安裝工具

AI 降低了執行門檻之後，我反而開始提醒自己，要進行一些更 grown-up 的學習

所謂成熟的學習，並不是繼續追逐每一個新工具、Skill 或 Workflow 優化，而是花更多時間理解一個領域底層的運作邏輯

例如前端設計和程式開發，都有一套專業人士默認理解的基本原則

一個人不一定需要成為最優秀的設計師或工程師，但至少應該知道這個領域如何定義問題、如何判斷質量，以及哪些原則會影響最後的結果。譬如 Linear 設計師 @emilkowalski 就有一個很好的機會能夠發生

否則，即使 AI 可以迅速產生大量版本，你仍然不知道哪個版本真正接近目標

這就像走在兩條完全不同的路上

如果對所處的領域沒有清楚認識，你甚至無法想象終點應該長什麼樣子。執行路徑會像一團混亂的迷霧，你可能做了很多事情，也不斷產生新的結果，卻在不知不覺中偏離原來的目標，最後只走到半山腰，或者只完成真正目標的三分之一

相反地，如果你擁有足夠的 domain knowledge，並且知道大致的 path，就能夠把目標拆成一連串可以執行和檢查的階段

你不需要掌握這個領域里的所有細節，但必須理解其中最關鍵的原則，知道哪些選擇會改變整體方向，也知道什麼時候應該停止、回頭或重新安排

這也是理解 20/80 法則的方式

它不是用 20% 的努力換取一個看起來完成了 80% 的結果，而是先找到一個領域里真正關鍵的 20%：那些會決定大部分判斷質量的基本原則、專業語言和 common sense

工具和語法會不斷變化，但如果掌握了這些關鍵部分，就比較有機會判斷 AI 的輸出是否合理，並且知道下一步應該如何 correction

人與 AI 更像 Operations，而不是 CEO

過去大家很喜歡把人與 AI 的關系形容成 CEO 和員工，但我越來越不喜歡這個比喻

真正的 CEO 要面對資本、組織治理、外部資源、長期戰略和公司責任，這些並不是日常使用 AI 時真正發生的事情。把自己想象成擁有無限員工的 CEO，反而容易讓人高估「下命令」的重要性，並且忽略了實際工作中最困難的協調與執行

我更喜歡用 Product Manager、Project Manager、Operations Manager 或 Coordinator 來比喻 AI 和人之間的寫作關係

你需要理解目標，把問題拆成不同任務，安排優先級與依賴關系，再協調研究、設計、程式開發、內容生產與驗證之間的合作

你不能只給出方向之後就離開，而必須持續觀察過程、發現偏差、修正結果，並且在必要時親自進入細節，對結果負責的仍然是你，不是 AI

再把和 AI 協作這角色進一步拆開，包含 5 項核心工作：

• 定義真正需要解決的問題，而不是只描述想要的結果 ( 設定目標 )
• 把目標拆解成可以執行、檢查和調整的任務 ( 規劃 )
• 協調不同能力、工具與 Agent 間的關系 ( 協作 )
• 建立明確的質量標準，並持續 review ( 審核 )
• 在執行出現偏差時及時 correction，而不是等到最後才發現結果不如預期 → 對結果負責

交響樂團指揮也是一個相對準確的比喻

指揮不需要親自演奏每一種樂器，卻必須理解每個聲部的作用，知道什麼時候應該進入、什麼時候需要收斂，以及所有聲音如何共同形成一首完整作品

AI Agent 之間也存在類似關系：研究、寫作、設計、開發和驗證可能分別由不同工具完成，而人的職責是確保這些能力沒有各自朝不同方向發揮

更喜歡 Operations 的比喻，也因為它保留了 get your hands dirty 的關鍵；真正負責把事情做完要對結果負責的人，不只是要把宏觀方向上有視角，更必須理解流程、協作問題，以及哪些看似微小的細節可能影響最終結果

模糊指令無法取代專業判斷

很多人使用 AI 時，會提出「好看一點」「更有使用者體驗」「做得更高級」或「稍微有設計感」這樣的要求

這些句子聽起來像方向，實際上並沒有提供足夠信息，因為它們無法被具體執行，也沒有清楚的判斷標準

一個真正理解設計的人，不會只要求「做得像 Apple」，而會進一步說明自己想參考的是哪一個產品、哪一種層級關系、什麼樣的間距與留白、怎樣的圓角和互動反饋，以及 hover、transition 或動效應該如何變化。他能夠把抽象感受翻譯成一組可觀察、可修改的設計選擇

這並不意味著每一個人都必須成為專業設計師，而是如果你希望協調一個領域的工作，就需要掌握足夠的專業語言

只有這樣，你才能看見問題究竟發生在哪里，而不是不斷要求 AI 「再好一點」。AI 可以幫助你快速執行，但真正有效的方向仍然來自人對領域的理解

這也解釋了為什麼現在大家的想象力雖然越來越豐富，實際實現卻經常只停留在一個模糊的初步成果。人們習慣想象最後的產品，卻不願意進入具體的實現路徑，也不願意 get their hands dirty。結果是，我們擁有越來越多答案，卻沒有同步建立判斷答案是否正確的能力。

Skill 熱潮類似於 2021 年的知識管理熱潮

今天很多人會急著安裝各種 Skill，希望迅速獲得一些初步成果

這種情境讓我想到 2021 年左右知識管理工具最熱門的時候，當時大家都在研究 Notion 模板、Second Brain、筆記方法論和各種知識框架 ( PARA )，花大量時間思考如何收集更多知識，卻未必真的把這些知識帶進自己的工作和生活

至少對我來說，當時的方式反而比較簡單。我會直接打開 Roam research 日記，寫下當天看到和想到的東西，然後再反過來思考，有沒有更適合的工具能夠幫助我整理

過程也使用過 MyMind、Roam Highlighter、Evernote Web Clipper，收藏了大量文章、網頁和視頻，但這些內容最後永遠存在那些搜藏夾裡，沒有真正被我重新閱讀或使用

慢慢發現，真正能夠留下來的，往往不是那些被收藏的內容，而是會自己的話重新轉述過的觀點、套用在工作或生活中的技巧和最有共鳴的經歷帶來的思考方式

當我試著解釋一個概念時，它會自然地連接到我原本擁有的經驗、知識和問題。這個重新表達的過程，才讓外部信息進入自己的認知結構

收集很容易制造一種正在進步的感覺，安裝新的 Skill、保存新的 Prompt、覆制新的 Workflow，也會讓人產生類似錯覺

但工具數量的增加，並不等於理解能力的提高。它們只有在你已經知道自己要解決什麼問題時，才會真正成為杠桿

Context 不是越多越好，規則也不是越多越安全

這也連接到最近看到的另一個思考：當模型本身越來越強時，過多的 context、提示詞和規則，反而可能限制它的判斷力

過去我們習慣認為，只要把每一個要求都寫得更詳細、把更多範例和規範塞進去，輸出就會越來越穩定；但如果這些規則彼此重覆、沖突或者描述的是模型本來就能從環境中判斷的事情，它們反而會消耗注意力，並縮小模型可以探索的空間

這並不意味著以後不需要 Memory、Skill 或 context，而是需要重新思考它們應該保存什麼

真正值得長期保留的，是模型無法從當前任務自行推導的個人偏好、特殊限制和質量標準；至於具體流程、參考資料與檢查方式，則應該在真正需要時再加載

這個原則和知識管理其實很像。我們不需要把所有東西都放在眼前，也不需要不斷累積更多規範

更重要的是建立一個能夠在正確時機找到正確內容的系統，並且讓工具服務於目標，而不是讓目標被工具和規則包圍

寫的很發散，期許自己持續記錄原始思考、培養新領域基礎能力

如果未來的我又開始花大量時間研究新的工具、Skill、Agent 或工作流程，希望自己先停下來問幾個問題：現在真正想完成的目標是什麼？

缺少的是工具，還是對問題的理解？是不是又在通過收集和安裝，逃避真正的執行？有沒有親自進入過程，看到那些無法從外部教程直接獲得的細節？

AI 會持續進步，工具也會不斷變化

今天最好的 Workflow，可能幾個月之後就被新的模型取代；但一個人理解問題、拆解任務、協調資源、判斷質量和修正方向的能力，不會因此失去價值。相反地，執行能力越容易被取得，這些能力就越重要

一些心裡話，分享在讀這篇文章的你

也許你現在每天都在看到新的模型、新的 Skill、新的 Agent 框架和新的效率方法，並且開始擔心自己是不是錯過了什麼

可能收藏了很多內容，也安裝了很多工具，卻仍然沒有真正開始那個一直想完成的項目

真正的起點也許沒有那麼覆雜。先寫下一段自己的觀察，做出第一個不夠成熟的版本，或者親自進入一個領域，理解其中最關鍵的 20%

不要只停留在想象最終成果的階段，也不要把所有希望放在一個新的工具上

你不需要成為擁有無限資源的 CEO。你更需要成為一個願意理解現場、拆解問題、協調能力並持續修正的 Operations or PM

AI 可以成為很強的合作對象，但真正讓這些能力走向同一個終點的，仍然是你對目標的理解，以及你是否願意親自把事情做完

最後真正能夠沈澱下來的，不是你安裝過多少 Skill，也不是你收藏過多少知識，而是你親自經歷、重新理解、拿到階段性成果些真正 Get your hand dirty 種種塑造著你，結果只有階段性的，人生是場無限賽局