别再让我去问大模型

背景

在大语言模型（LLM）迅速普及的当下，一个常见的现象是：人们遇到难题时，越来越多地被建议“去问 Claude”或“去问 ChatGPT”。这种建议看似高效，实则隐含着对个体经验与专业判断的轻视。本文作者通过亲身经历，揭示了这种“模型替代”建议背后的人际沟通困境——当一个人已经穷尽了LLM的潜力，仍然需要的是有血有肉的经验，而非算法生成的通用答案。

核心内容

作者原本更倾向于发邮件或短信而非打电话，但有一个问题他觉得值得直接通话，于是预约了一位资历深厚的高管——那种在董事会上亲眼目睹决策失败、积累了真实“伤疤经验”的人。作者询问他：对于那个没有行业共识的难题，他个人会去哪里寻找答案？不是教科书上的说法。如果五份研究互相矛盾，他会信任哪一份？作者想要的是三十年经验教会他、而搜索引擎无法给到的东西。

对方的回答是：“说实话？去问 Claude。”

这有点刺痛，但作者已不是第一次听到这种回应。上一次是一个数据问题，作者尝试了六种方法，能详细解释每种为何失败。他联系了几个以处理这类问题为生的人——平时经常发短信、互相讨论难题的朋友。除了一个人，其他人都给出了同样的“转向建议”。

每次发生这种情况时，作者其实已经问过 Claude 了。那不是他跳过的步骤。在联系任何人之前，他已经花了好几个小时（有时消耗了大量 token）与大语言模型反复对话，但仍有无法被模型解答的疑问留存下来。

作者年纪大到还记得人们给不会用搜索引擎的人发“LMGTFY”（Let Me Google That For You）链接的时代。但那不一样。现在更像是：当作者向朋友询问餐厅推荐，得到的是一份“前十名榜单”。作者要的不是 Eater（美食网站）认为的最佳安静深夜饮酒场所，也不是朋友曾经住过的城市里最好的咖啡馆。作者要的是朋友自己的想法——因为他们口味相似、有共同经历，因为他知道朋友对那些榜单的错误之处有自己见解。作者信任朋友的经验胜过专家共识。

“去问模型”可能已经变成了“我不知道”或“我没时间处理这个”或“我得想一想”的礼貌版。也许这是一种拒绝回答的简便方式。但作者几乎愿意接受任何其他回应。“我很忙”是一个真实的答案。“我想不到你没试过的东西”也是一个答案。而“去问 Claude”没有给出的是那个具体的人、活生生的经验——那正是难以写下来、更难被搜索到的东西。

作为那个被人求助的人是有真实成本的，不能指望每个人都承担。这需要专注和实际思考，而并非每个人在满日程截止日期和需要扑灭的火灾中都有余力。很多问题确实可以由 LLM 或搜索引擎回答。但当问题本身已经通过了模型的考验，“去问 Claude”并没有节省任何步骤——它只是保留了数十年经验本可以给出的深思熟虑的答案。

关键要点

• 人的经验无可替代：LLM 能提供通用知识，但无法复制个体在特定情境下积累的直觉、判断和“伤疤经验”。
• “去问模型”是新型拒绝：这种回应常常是“我不知道”“我没时间”或“我不愿思考”的委婉说法，对提问者而言比直接拒绝更令人失望。
• 提问者已经做过功课：作者在求助他人之前已经用 LLM 尝试过了，向人求助的意图是获取模型无法给出的东西。
• 关系与信任的价值：人们向特定朋友求助，是因为共享的历史、相似的品味以及对对方判断的信任，这远非模型的能力范围。
• 知识分享的成本存在：提供真正有价值的回答需要时间和精力，不是每个人都有余力承担，但“ask Claude”回避了这种责任。

意义与影响

这篇文章折射出 AI 时代人际知识传递的一个微妙困境：当模型足够好用，人们是否还会愿意分享自己的独特经验？如果“去问 LLM”成为默认应答，那么那些无法被语料库收录的、来自真实决策现场的隐性知识——比如某次失败中得出的直觉、对行业惯例的例外理解——将逐渐失去被传递的机会。长此以往，个体经验的价值可能被系统性低估，而依赖模型输出的同质化答案将削弱专业社群的深度交流。

对于知识工作者而言，这提醒我们：在向他人推荐 AI 工具之前，应先确认对方是否已经尝试过。一个真正有价值的回答，往往不是来自模型参数，而是来自一个愿意花时间思考的人对自己经验的诚实提炼。公司和团队也应当意识到，鼓励同事之间直接分享经验、而非简单指向模型，有助于维系信任、积累集体智慧，并避免“模型短路”导致的信息损失。