当科技博主 Justis Mills 撰文坦白自己帮朋友用大语言模型解决问题时的微妙心态时，他击中了一个迅速蔓延的阶层情绪：替人提问 AI，正在变成一种既得利益者的施舍。请求者得到了答案，而提问者像是维多利亚时代坐在沙发上喊一声管家做饭的贵族，既享受了无所不能的赞誉，又对这份唾手可得的技术特权感到心虚。
表面上看，这种代劳建立在深厚的技术信息差之上。普通人面对生态系统里眼花缭乱的专业黑话往往无所适从，熟练者则懂得如何调高推理预算、限定信源甚至交叉核验。但各方实证数据正在打破这种提示词老手的幻觉：普通人与所谓 AI 精英之间的产出差距微乎其微，而在高级模型协作的表象之下，人类正在陷入效率倒退与能力退化的双重盲区。
20美元月费与认知滤网：为什么朋友不自己去问
普通人之所以无法直接得到理想的回答，最直观的障碍首先落在财务和认知门槛上。正如 Justis Mills 在其早前文章《No, Really, Customizing Chrome Is Easy Now》中所指出的，调用 Claude Code 等前沿工具高度依赖人类常识去纠偏，而高质量的底层能力通常被锁在每月 20 美元的订阅费用之后。绝大多数普通用户使用的依然是免费或降配模型，响应质量本身就与付费层级存在代差。
认知负载则是更深的一道墙。要求普通人理解从基础架构到提示工程的全套术语并不现实。熟练使用者知道如何把模型的努力程度（effort）拉到高档，甚至限定指令要求模型定向抓取 Reddit 子版块去过滤水军；而普通人只会得到标准模式下生成的泛化公关文本。代人提问成了某种社会性防护：替身边的亲友筑起一道隔离技术噪声的滤网，甚至顺便帮他们化解了大模型高耗能所带来的道德焦虑。
熟练使用者据此坚信，自己手里掌握着通往新生产力大门的钥匙，只要懂得如何操纵输入框，就能把这 1% 的提问手艺转化为巨大的杠杆。但开发大模型的机构自身发布的数据，却呈现出截然不同的图景。
4个百分点的微薄护城河：经验优势正在被平铺
如果把提问当成一项需要长期训练的专业手艺，它的实际产出增益小得令人难堪。Anthropic 在 2026 年 3 月 24 日发布的《Economic Index: Learning curves》研究给出了量化对比：注册 Claude 满 6 个月以上的资深用户，相比刚上手的新用户，对话成功率仅仅高出约 5 个百分点；在严格控制了任务类型、使用模型、具体场景以及国家地域变量后，这种老手优势被进一步压缩到约 4 个百分点（相对优势约 10%）。
耗费数月摸索出的提示词技巧，最终换来的净增成功率仅有 4 个百分点。
这意味着所谓懂怎么问的门槛，并未构筑起坚实的技术壁垒。更讽刺的对照来自 Anthropic 同年 1 月 15 日发布的《Economic primitives》报告：在评估大模型对不同复杂度工作的支持时，大专及以上学历任务的完成成功率为 66%，而高中以下学历任务的成功率反而达到 70%。换言之，面对真正复杂的专业智力工作，经验丰富的提问技巧并不能扭转模型能力的边际递减；而在规则清晰的基础任务上，任何人不需要技巧也能拿到可接受的成果。
Anthropic 在 2026 年 2 月 23 日的《AI Fluency Index》分析了 9,830 次多轮交互，发现 85.7% 的对话都包含多轮迭代修正，51.1% 的用户明确了任务目标，41.1% 提供了示例说明。看似大家都在按照教科书式的最佳实践与模型互动，但在产出代码或严肃文档等具体交付物时，用户进行可见事实核查、质疑推理和补充缺失背景的比例却异常低下。用户以为自己在精雕细琢，本质上却陷入了单向接受机器输出的惰性回路。
耗时反增19%与认知空心化：效率幻觉下的代价
比微弱的成功率优势更危险的，是使用者对自身效率的主观误判。非营利研究机构 METR 在 2025 年 7 月 10 日进行了一项严密的随机对照实验，组织 16 名资深开源开发者借助 Cursor Pro（底层接入 Claude 3.5 与 Claude 3.7 Sonnet）解决 246 个真实 issue。
测试结果揭示了极具反差的断层：使用 AI 不仅没有提升速度，反而使任务完成时间增加了 19%。但在测试结束后的问卷中，这些资深工程师却普遍在主观上误以为 AI 帮助自己节省了 20% 的时间。这种主观感觉与客观现实之间近 40 个百分点的裂隙，直接戳破了提示词老手们的生产力神话。
这种认知盲视早已在咨询行业被验证。Dell'Acqua 等人在 2023 年对 758 名 BCG 顾问展开的研究表明，当任务难度超出当前模型的技术边界时，强行使用 AI 的顾问给出正确答案的概率不仅没有增加，反而下降了 19 个百分点。
更深层的危机在于人类基础能力的萎缩。Anthropic 在 2026 年 1 月 29 日针对 52 名初级工程师的随机对照实验显示，习惯依靠 AI 辅助编码的受试组，在随后脱离 AI 独立进行的技能测试中，平均得分仅有 50%，大幅落后于完全不借助 AI 组别的 67%，两组差距达到 17 个百分点。测试细项清晰表明，掉队的关键正是调试与排错能力。
- 风险.把生成工作外包给 AI 的同时，人类正在丧失对执行细节的审查与纠偏直觉，导致底层技术理解严重空心化。
当举手之劳不再昂贵，人际纽带也在被稀释
退回到人情世故的维度，这项技能的廉价化还在重塑人与人之间的协作本质。在过去，朋友向你求助调试一段网页代码或排查马桶故障，你所付出的是切实的个人闲暇与精力。这种不可替代的沉没成本，构成了人际关系中最坚固的信任锚点。
但当解决问题演变成把提示词输入 Claude、甚至让模型替对方写一封感谢信时，互助行为本身的浓度被彻底稀释了。你固然可以用 Claude 帮朋友把废弃的 WordPress 迁移为更轻量的静态网站，但绝不该让大模型替你写逢年过节寄出的明信片。一旦最省力的方法接管了一切，那个坐在沙发上自命不凡的技术贵族，最终丢掉的不仅是解决真实问题的硬核手艺，还有社会联结里不可替代的温度。