复利增长需要持久的基础、持续的再投入和时间积累——这些条件是单次周末学习难以满足的。
AI translation, not an official translation. Refer to the original for technical details.
Adapted from @free_ai_guides# 为什么AI技能能够复利增长，而花一个周末练习提示词却收效甚微 你曾专门腾出一个周六来学习AI。你研读了一份提示词指南，测试了各种公式，把其中最好的四十条保存到一个文件里。傍晚时分，你感觉自己已经走在了同事前面——那一天，你确实如此。 三周后，你基本上还是按照之前的方式工作。那个文件还在，但你再也没有打开过它。 那个周六并没有白费。你学到了真正有价值的东西，其中一些也确实留了下来。只不过，它并没有带来你真正想要的东西——那种在努力停止之后仍能持续增长的能力。有一个思维模型可以解释这种落差。它叫做复利，比货币本身还要古老。 这是我们思维模型系列的第二篇文章。第一篇介绍了二阶思维——养成"然后会发生什么？"的追问习惯。这一篇要问的是：你的哪些时间在持续积累，哪些时间只是一次性的付出？ ## 复利究竟意味着什么？ 大约四千年前，美索不达米亚的抄写员就已经在研究这类数学问题了。巴比伦人有一个专门的词来描述它：şibāt şibtim，阿卡德语中意为"利息的利息"。这个概念在历史上的大部分时间里只是一个金融术语，后来经由沃伦·巴菲特和查理·芒格等投资人的传播，逐渐进入了一般性思维领域。此后，沙恩·帕里什在其《伟大的思维模型》系列中，将复利正式确立为一个可以应用于任何增长事物的分析视角。 其机制十分简单：当你把一轮努力的收益重新投入到你的基础之中，下一轮的收益便从一个更大的基础上生长出来。增长开始以往日的增长为养料，循环往复。 要实现这一点，必须满足三个条件：一是持久的基础，让你的收益有地方积累；二是持续的再投入，使收益不断滋养基础，而不是被消耗殆尽、遗忘于无形；三是不被长期中断的时间。 有一点需要注意：请将复利视为一种分析视角，而非一个精确的方程。技能没有固定的利率，也没有人来审计你的"账户余额"。这个模型借用了金融语言，因为金融领域让这种规律变得一目了然。可以迁移的部分是它的形态，而这个形态最重要的特征只有一个。 这条曲线在初期极为平缓，在后期才急剧弯折。在早期阶段，几乎看不到任何可见的回报。一次集中的努力发生在这段平坦区间之内，当天感觉富有成效，却几乎没有留下任何能够继续生长的东西。帕里什描述了当人们停止对自我进行再投入时会发生什么，他警告说："二十年的人生，不过是同一年重复了二十遍。" 那个周六是一笔真实的存款。只不过，那个账户从此再也没有被碰过。 ## AI能力是一个技能栈，而非一个技巧 那个周末的计划默认了一个前提：用好AI意味着积累提示词。但提示词只是一整套技能中的一项，而真正能够复利增长的，是这整套技能。 这套技能大致如下：将指令写得足够清晰，让机器能够准确执行；审查返回的结果，而非盲目信任——就像你会把AI生成的摘要与原始邮件线程对照着快速浏览一样；围绕工具设计工作流程，例如决定究竟是由AI起草、你来修改，还是你来起草、由AI来精炼；判断AI何时真正帮了你，何时反而拖慢了你；而这一切的底层，是在你开始打字之前就清楚地知道自己想要什么——这是一种思维能力，只是穿着一件打字的外衣。 复合增长存在于这些技能之间的连接当中。每当你检查一次输出，你就能发现模型在哪里出错。只要有一次抓住它捏造日期，你就会开始粘贴原始资料，而不是相信它的记忆。你设计的每一个工作流程，都在教你判断哪些事情该掌握在自己手中。 每一次你强迫自己精确陈述想要什么，这种清晰感就会延续到你接触的下一个工具，因为清晰属于你，而不属于任何特定的工具。 提示词公式会过期。每一个都是为特定模型调校的，而新模型会按照无人掌控的节奏取代旧模型。底层的技能则会随你迁移到下一个工具上。四十条提示词的文件是库存，从零写出第四十一条的能力才是资本，而资本才能复利增长。 ## 但初学者收益最大，不是吗？ 一项著名的研究发现似乎指向相反的结论。经济学家埃里克·布林约尔夫松、丹妮尔·李和林赛·雷蒙德研究了一家大型软件公司数千名客户支持专员，发现获得AI助手帮助对经验最少的专员提升最大，而经验最丰富的人几乎没有受益。 这一发现是真实的，也说得通。它描述的是借来的收益——工具在你使用时提升了你的产出，而借来的能力在任务结束时就会离开。 第二条研究线索揭示了当借用取代学习本身时会发生什么。在2026年1月发表的随机实验中，Anthropic研究员沈汉文和亚历克斯·塔姆金让有经验的开发者学习一个陌生的编程库。 使用AI助手的那组人，在事后对该库的理解、代码阅读和调试方面得分更低，而且平均完成速度并不更快。把所有事情都委托给AI的参与者完成得最快，学到的也最少。工作完成了，但基础没有增长。 同一批实验中也有令人振奋的细节。部分重度AI用户仍然学得很好。他们提出概念性问题，在获取生成代码的同时要求附上解释，并始终保持思维在线。是否全程投入，比是否使用AI更能区分学习者与非学习者。 哈佛商学院和斯坦福大学的研究人员发现了一条相关边界。亚沃尔·博伊诺夫、爱德华·麦克福兰三世及同事观察了某交易公司员工在专业领域之外使用AI完成写作任务的情况。AI能弥合组织架构和提纲拟写方面的差距，却无法在执行层面弥合差距——当一个人的专业知识距离任务太远时尤其如此。正如研究人员所说："生成式AI能提供地图，但在地形中导航是另一回事。" 这三项发现讲述的是同一个故事。AI从第一天起就能提升你的产出，这种提升是值得拥有的。但它无法代替你把技能存入你的账户。那位周末提示词爱好者犯了一个错误，把租赁当成了购买。 ## 一项任务，持续观察一个月 把这个机制放在某件平常的事上来观察——每周的进度汇报，用你常开着的那个AI助手来做。 第一次练习。你粘贴原始笔记，要求写一份简短的更新。草稿读起来还不错，直到你发现它把你经理最在意的那件事埋在了后面。你刚刚训练了自己的检查能力。 第二次练习，一周后。你在笔记前加了一行，说明谁在读这份报告，以及他们最需要先看到什么。草稿回来时重点正确。那一行是指令写作，从上周的失误中习得。 几周后，你的一行提示已经演变成一段简短的模板，每次都会粘贴使用，涵盖受众、优先级、长度以及需要省略的内容。它在复制你笔记中的数字时仍会出错，所以你手动核查这部分，同时不再重复检查它已经能可靠处理的内容。这种分工，就是判断力正在形成的样子。 一个月后，撰写更新只需十分钟，而不是四十分钟。同样那段简短的模板现在也能写会议摘要了，因为清晰度可以在任务之间迁移。没有哪一周看起来令人印象深刻。这套体系是跨越数周逐渐组合而成的，而这正是从内部感受曲线平坦阶段时的样子。 ## What reinvestment looks like 滋养这个循环的练习，小到可以藏进平常的一天之中。 选一项你已经在做的任务——摘要、初稿、改写——在完成它的过程中借助助手来处理。真实的任务会迫使整套体系同时运转：说清楚你想要什么，检查结果，决定哪些留在自己手中。这是练习题很少能做到的。 然后花一分钟观察。它哪里出错了，你的指令遗漏了什么，你会怎样换一种说法。这一分钟就是以利息形式回投本金的过程。跳过它，这次练习仍能在当下帮助你，但随后便会烟消云散。 给收获找一个落脚点。在你已经在用的任何应用里建一份持续记录的笔记，存放有效的模板和你发现的失误，就能把零散的经验转化为积累的基础。下个月从这个月出发，而不是从零开始。 借鉴技能习得研究中让学习者持续进步的那些习惯：让工具解释它的答案，然后认真阅读解释；在任何你想提升的事情上先自己尝试，再做比较；让它展示推理过程而不是直接给出结论。每一条都能让你的思维保持参与其中，而这正是决定一次练习能否积入基础的关键。 大多数日子里坚持二十分钟，会超越任何一个孤注一掷的周末。曲线对纪律或道德上的自律没有任何偏爱。稳定的练习是这套机制唯一接受的输入。 有一点宽慰，因为早期阶段正是大多数人放弃的地方。如果几周后收获感觉微乎其微，你没有任何问题。曲线的前段对所有人来说都是平坦的。那些看起来驾驭AI得心应手的人，也曾站在你现在的位置，一次次平淡无奇的练习，直到拐点到来。 ## The model in one breath 驾驭AI的能力，就像任何复利一样增长——建立在你持续投入的基础之上。一次集中爆发能买来一天的借用之力。稳定的练习，附着于真实的工作，并让你的思维始终在回路之中，才能买来一条曲线。然后，时间会完成任何单独一个周末都无法完成的部分。 本系列还有更多心智模型即将推出。上一篇文章教你问"然后呢？"这篇文章给出了答案。它会不断叠加。 ## Sources - Shane Parrish, The Great Mental Models, Vol. 3 (Systems and Mathematics), Farnam Street: https://fs.blog/tag/compounding/ - Kazuo Muroi, "The Oldest Example of Compound Interest in Sumer" (şibāt şibtim, Old Babylonian mathematics): https://arxiv.org/pdf/1510.00330 - Erik Brynjolfsson, Danielle Li, Lindsey Raymond, "Generative AI at Work," Quarterly Journal of Economics: https://academic.oup.com/qje/article/140/2/889/7990658 - Judy Hanwen Shen, Alex Tamkin (Anthropic), "How AI Impacts Skill Formation" (January 2026): https://arxiv.org/pdf/2601.20245 - Ben Rand，"生成式AI提升生产力，但无法将新手变成专家"，HBS Working Knowledge，基于Vendraminelli、DosSantos DiSorbo、Hildebrandt、McFowland、Karunakaran和Bojinov所撰写的工作论文《生成式AI墙效应》：https://www.library.hbs.edu/working-knowledge/gen-ai-boosts-productivity-but-cant-turn-novices-into-experts 如果您觉得这篇内容有用，请订阅我的下方通讯 我每周分享一项AI超能力 订阅完全免费 https://linktr.ee/alex_prompter
