其实，对于普通人，我不建议现在花很多时间去系统学习 prompt、harness（脚手架）、agentic loop（自主循环） 这些东西。

你了解这些概念和基本原理就行了。

不是因为它们不重要，而是因为在模型飞速进步的情况下，很多具体做法会很快被模型自己接管。

这些方法，即使训练数据里没有，模型也可以自行检索最佳实践，并且在相当多场景下自主搭建。

未来真正稀缺的人类工作其实是三点：1理解模型工作的原理和今天的最佳实践，知道要提出怎样的要求。（你不知道 loop，肯定无法要求模型建立 loop 的最佳实践）

2把模型能力对齐到现实世界的需求。（模型不知道你到底要干什么，不知道你的背景、目标、约束条件、风险偏好和真实场景。这些信息必须由人补进去。）

3搭建安全护栏，并且监督。（包括权限边界、验证机制、失败回滚、人工复核等。第 2 点是让模型知道什么叫成功；第 3 点是让模型即使失败，也不要造成不可控的损失。）

所以，你真正需要的能力，不再是传统意义上那种“先记忆、再理解、再反复实践”的能力（这就是传统意义上的 Learning）

是的，Learning 已经是过时的能力了。

在 AI 时代，人类需要的是一种基于长期高纬度的抽象理解，针对问题高速 prefill 的能力。

也就是：当一个新问题出现时，你能快速理解，识别关键，要求最高效的方法，然后把控结果质量和预防未知风险的能力。

我把它叫做： just-in-time learning。

需要的时候，高质量快速地学习最新的最佳实践。解决完了之后，抽象出某些高纬稳定的认知，方案稳定为自动化流程，其他忘掉。

而这种能力，其实 IT 行业早就发现了。。。他们有两个对传统程序员的要求，其实今天一样适用，甚至更加应景：

1 锤子理论：不要带了三年锤子，看什么都是钉子。（但今天模型有能力为任何具体问题发明专用的高效方案。射钉枪、冲锋枪，甚至一套自动化流水线的成本都很低。所以不要执着于“我会什么工具”，永远寻找更优的最佳实践）

2 轮子理论：不要重新发明轮子。（如果已有最佳实践，就让模型去找、去学、去复用。人的价值不是重复造轮子，而是判断：现在到底该用哪个轮子，轮子要装到哪里，装上以后会不会出事，以及能不能把这件事以后彻底自动化）

这就是 JIT Learning 。

可能也是在 AI 时代学校甚至职场真正该教会给所有人的能力。