当 AI 不断打破技术壁垒，我们应该学到哪里？

01｜一个人，需要掌握多少种专业能力？

AI 让我们有机会参与越来越多原本属于不同专业的工作。软件开发是我熟悉的领域，下面就以它作为观察案例。

你现在担任什么角色？

Software Engineer、Business Analyst、System Analyst，还是 Product Manager？

如果让你独立开发并运营一个软件产品，除了自己熟悉的工作，还需要承担多少不同的角色？

对于 OPC（One Person Company，一人公司）来说，这些工作都需要以某种方式完成。借助 AI、自动化工具和外部服务，一个人已经有机会参与过去需要多人协作的工作。

但一个软件产品背后，究竟涉及多少种专业能力？

看着这张图，你可能会发现：有些领域自己很熟悉，有些只是接触过，还有些完全不了解。

AI 正在降低参与不同专业工作的门槛。

但能够完成一项工作，是否意味着也需要理解它背后的所有知识？

02｜能做到，就需要全部学会吗？

过去六周，我在个人的 RAG 与 GraphRAG 项目上投入了大量时间。

这些技术本来就与我的专业领域密切相关。即使借助 AI，我仍然需要不断学习、实验、理解失败的原因，才能对一些技术选择形成自己的判断。

更让我在意的是：连自己专业范围内的新技术都需要这么多时间，如果进一步跨越其他专业领域呢？

这么多知识，我们真的学得过来吗？又有必要全部学会吗？

当然，也许这个问题的前提就不成立。

如果不同的专业 Agent 能分别负责需求分析、系统设计、开发和测试，为什么一定要自己掌握这些专业知识？

多 Agent 协作已经存在于实际的软件开发工具中。虽然我还没有使用多 Agent 完整开展过一个项目，但它让我开始重新思考学习与执行之间的关系。

也许我们不需要亲自学会所有事情，就能完成过去需要多个专业人员共同完成的工作。

但这又带来了下一个问题。

03｜如果 AI 给出方案，谁来判断？

想象一下，未来每个人都像一个小公司的老板。

需求、开发和测试都可以交给不同的 Agent。它们提供方案、说明选择依据，甚至互相审查，而人负责确定目标并作出决定。

假设 AI 为一个知识检索系统提供了三个方案：

• 向量检索
• 混合检索
• GraphRAG

它可以详细解释每种方案的优缺点，让我们进行比较。

但如果还有更合适的第四种方案呢？

了解相关技术的人，可能很快就会发现遗漏的选择。

那么，不了解这个领域的人，就一定无法作出合理判断吗？

我觉得未必。

即使不知道什么是向量检索，也可以从最基本的问题开始：

它是什么？适合什么场景？混合检索究竟混合了哪些方法？GraphRAG 为什么需要图结构？有没有更简单的实现方式？

通过持续追问、理解解释、寻找证据，必要时再进行实验，一个人也有可能逐渐形成足够可靠的判断。

或许重要的不只是已经掌握多少专业知识，还包括面对陌生问题时，能否抓住核心、质疑前提，并主动探索。

这并非只有个人经验支持。

世界经济论坛在《Future of Jobs Report 2025》中指出，69% 的受访雇主将 Analytical Thinking（分析性思维）视为核心技能。创造性思维、适应能力、好奇心与持续学习同样受到重视。^[1]

Microsoft Research 在一项涉及 319 名知识工作者的研究中发现，生成式 AI 的使用正在改变人们进行批判性思考的方式：部分工作从信息收集和任务执行转向信息验证、结果整合与任务监督。^[2]

研究发现，越相信 AI 能胜任任务的人，越少报告自己会主动检查和质疑 AI 的处理过程与结果。^[2]

这提醒我：AI 让知识更容易获得，并不意味着我们一定会更深入地思考。

那么，基础思维能力是否会比掌握具体技术更加重要？

也不能这么简单地下结论。

长期积累的专业经验，让人更容易识别某些隐蔽风险、判断问题的严重性，以及发现看似合理却不可行的方案。

批判性思维可以帮助我们进入陌生领域，但专业经验可能让我们更快知道，哪些问题真正值得追问。

或许 AI 改变的不是专业经验有没有价值，而是不同能力发挥价值的方式。

04｜今天的 AI 边界，能维持多久？

还有一个更大的不确定性：我们并不知道 AI 接下来能够完成多少工作。

回看 ChatGPT 的发展，从最初的文字对话，到图像理解、语音交互、数据分析和网络搜索，再到 Deep Research、ChatGPT Agent，以及能够跨文件和应用执行任务的 ChatGPT Work，它所能参与的工作范围已经发生了明显变化。

年份代表典型的能力扩展阶段，并非技术首次出现的时间；能力扩展既来自模型训练，也来自外部工具和执行环境。

这些变化并不意味着 AI 已经能够独立完成所有工作，也不代表它会在每次使用工具后自动更新模型参数。

但它提醒我，不能把今天 AI 做不到的事情，当作人类未来永久拥有的专业壁垒。

比如，现在我们可能认为复杂系统的设计审查必须依赖专业人士。但如果未来 Agent 可以可靠地检查设计、比较替代方案，甚至主动发现其他 Agent 遗漏的风险呢？

我们今天认定必须亲自掌握的知识，未来也许会有不同的获取和使用方式。

这并不意味着学习没有意义。

只是如果 AI 的能力边界本身还在变化，我们就很难通过预测它永远做不到什么，来决定自己应该学什么。

05｜基础能力、广度与深度，会怎样改变我们的价值？

我开始倾向于将个人能力分成三个相互联系的部分。

基础思维能力，帮助我们在陌生领域理解问题、拆解假设、提出疑问，并通过探索建立判断。

知识的广度，帮助我们理解不同专业之间的联系，发现更多可行路径，而不只局限于某个熟悉的技术领域。

经验的深度，则帮助我们理解复杂问题、实际约束和失败模式，知道什么情况下需要更谨慎的验证。

三者并不矛盾。

以我对模型供应商中断风险的思考为例：如果供应商中断服务，我是否还能继续使用自己的应用？熟悉部署技术有帮助，但我尚未实际验证多供应商、本地部署或混合方案。

两种选择可能在今天得到同样的结果，却承担着不同的长期风险。但提前准备也有成本，是否值得，取决于具体的风险和业务。

在某些情况下，只要能够提出正确的问题、取得可信的证据，就不需要自己掌握所有底层实现。

但在另一些情况下，如果缺乏专业知识和实际经验，可能连验证结果是否可靠都很困难。

因此，我不认为未来每个人都应该成为掌握所有技术的通才，也不认为只拥有某个领域的深度经验就一定足够。

当 AI 降低基础执行门槛，人与人之间的差异可能转移到能否解决更复杂、更跨领域的问题。

基础能力、知识广度和经验深度，也许会共同决定一个人能够利用 AI 走多远。

但这种变化是否真的会扩大个人之间的能力差距，或者进一步影响长期收入与职业机会，目前仍缺少足够证据。

而且，个人能力并不是企业生产效率的全部。

06｜当团队里有了更多 AI 员工

即使一个人有能力借助 AI 承担多种专业职责，也不意味着所有工作都应该交给一个人。

企业仍然需要考虑交付速度、质量、成本，以及谁对结果负责。

2025 年发表的一项实验研究，在宝洁公司的产品创新任务中发现，使用 AI 的个人，在这些特定任务上的表现能够达到未使用 AI 的双人团队水平。^[3]

这说明 AI 确实可能改变传统协作的收益，但不能据此认为一个人就能替代完整的软件交付团队。

Microsoft 在《Work Trend Index 2025》中提出了 Human-Agent Teams 和 Work Chart 的概念：围绕工作成果，将人和 Agent 组织成更加灵活的协作关系，而不只是按照固定职位划分任务。^[4]

未来的软件团队，也许会出现更多承担专业职责的“AI 员工”。

AI 让个人能够承担更多专业工作，却不代表分工会消失。

一个人可以协调多个 Agent，多人团队也可以借助 Agent 并行执行、专业互补。不同项目需要的配置，可能完全不同。

未来改变的，也许不是分工本身，而是人与人、人与 AI 之间如何重新分配工作。

而对于我们个人，问题又回到了最初：

当 AI 不断降低专业壁垒，我们需要的也许不是学会所有事情，而是知道什么值得自己掌握，什么可以交给 AI，以及如何与他人共同完成。

这些变化最终会怎样影响职业价值与团队规模，我还没有答案。

这篇文章只是目前的阶段性思考。关于多 Agent 协作、工程审查，以及 AI 能力如何影响个人判断，我还希望通过之后的实践继续验证。