模型越强，「古法AI」越值钱

Anthropic 更新了旗下的 Claude Academy，一套面向普通用户和企业的 AI 学习体系。这家估值 2 万亿元的 AI 巨头，在别人怎么用 AI 时，竟然意外的非常「古法」。

Anthropic 在教学中举了一个很小的例子：过去做 Prompt Engineering，要求明确和仔细，比如要修改媒体文章时要写清楚受众，或者 Claude「这个报告写给法律部门同事看的」。但到了最新模型，这种技巧已经没那么重要了，如果模型确实需要知道受众是谁，它越来越能够自己解析和追问。

Anthropic 的教育团队认为，这代表着用户应该从具体行为和产品功能，转向更长期的思维方式。他们总结了四个 D：Delegation，判断什么工作该交给 AI；Description，把任务和目标说清楚；Discernment，判断 AI 给出的结果好不好；Diligence，对结果进行验证，并承担最终责任。

仔细看，这四个 D 里几乎没有一件是 AI 时代才出现的。

过去几年，我们积累了太多关于使用 AI 的经验：Prompt 要先设角色，要把任务拆成步骤，要指定输出格式；模型不理解风格，就手动把资料喂进去；模型不懂怎么调工具，就提前搭好 skill。

这些方法当然曾经有用，但其中相当一部分，本质上是在替当时还不够强的模型打补丁。随着技术变化，Agent 可以自己规划步骤，Harness 会管理上下文、调用工具。昨天还需要专门学习的高级技巧，明天可能就成了基本配置。
AI 技巧正在快速折旧，速度前所未有。你很努力研究出来的一套 Prompt 秘诀，模型升级一次就可能失去意义。

反过来，一些看起来极其「古法」的能力却越来越重要：你到底知不知道自己想解决什么问题，能不能把目标说清楚，有没有足够的专业知识判断答案靠不靠谱，能不能发现漂亮结果里的漏洞，以及当 AI 的产出不够理想时，你能不能补救。

Anthropic 自己给出的原则是「verify in proportion to the stakes」——事情风险越高，验证就应该越认真。它甚至提醒用户，不要因为 AI 能够代劳，就停止练习那些自己仍然重视的技能，以免出现 skill atrophy。

这恰好说明了一件有点反直觉的事：模型越会使用工具，人越不需要钻研 AI 技巧；AI 越能独立完成任务，人越需要知道什么才算把任务做好。

所以未来最实用的 AI 素养，可能并不是存了多少模板、囤了多少插件，而是一些古老得甚至不被叫作 AI 技能的东西：想清楚、说清楚、看明白，然后为结果负责。

AI 越来越会使用 AI，人反而没必要那么「会」用 AI 了。