AI 时代要如何取舍
AI 发展日新月异，概念、技术、产品层出不穷。在工作精力有限的情况下，盲目追逐浪潮会导致严重的焦虑与效率损耗。我们需要一套原则来辅助判断：哪些东西不必理会，哪些只需略知一二，而哪些值得深度投入。
1. 核心判断标准：双维度准则
要判断一个 AI 新事物是否值得投入时间，只需自问两个核心维度：
维度一：生产力距离 (Productivity Proximity)
“它离我现在的生产力有多近？”
关键不在于它离“AI 行业”多近，而在于离你的工作多近。
- 近：能直接减少重复劳动、提升产出质量。你能瞬间想到至少 2 个具体的使用场景。
- 远：读完介绍后，依然想不出它具体能帮你解决什么当下的问题。
维度二：知识保鲜期 (Knowledge Shelf Life)
“这个知识的价值能维持多久？”
有的知识能产生复利，有的则是纯粹的沉没成本。
- 长：今天学了，三年后依然有用（如系统思维、架构设计）。
- 短：今天学了，三个月后可能连名字都换了（如某个特定的 API 或套壳产品的具体 UI 操作）。
2. 投资矩阵：取舍策略
我们可以根据上述两个维度，将 AI 信息划分为不同的象限：
🚫 低优先级：排除干扰
特征：离生产力远，且保鲜期短。
这是噪音最密集的象限，也是最容易产生“虚假勤奋”的地方。
- 避坑列表：
- 每月一变、甚至每周一变的模型跑分排名。
- 各种临时性的 AI 创业融资新闻。
- 各种 AI 套壳产品（绝大多数生存期超不过半年）。
✅ 高优先级：深度投入
特征：离生产力近，且保鲜期长。
这里是真正值得投入时间研究、反复实践并建立深度认知的领域。
- 判断标准：
- 你已在日常使用它，但感觉仅挖掘了不到 20% 的潜力。
- 背后有成熟的体系、平台或扎实的工程规律在持续支撑。
3. 开发者实战：如何投资你的精力
对于软件开发者来说，以下领域属于高优先级象限：
软件工程根基 (Software Engineering Essentials)
软件工程本身就是保鲜期最长的知识系统。设计模式、抽象能力、系统思维和代码质量，其价值以十年计。AI 时代反而更需要你具备强大的工程判断力，来决定 AI 生成的代码是否可用、架构是否合理。
上下文工程 (Context Engineering)
这是系统设计能力在 AI 时代的延伸。其核心是管理 AI 执行任务时的整个信息环境（用户画像、对话历史、文档检索、工具链）。这是开发者已有的能力迁移，不需要从零开始，且保鲜期极长。
平台级智能体 (Platform Agents)
如 Claude Code 这类直接作用于核心工作流、且有大型平台（Anthropic）持续投入的产品。值得投入时间去摸透其能力边界，而非仅仅用于补全代码。
总结
深度使用一个核心工具带来的复利效应，远大于浅尝辄止地体验十个工具。
在 AI 浪潮中保持定力的关键，在于将精力收缩到那些能直接转化为生产力且具有跨周期潜质的领域。