别再说‘去问大语言模型’了

作者讲述了一次经历：她为一个没有行业共识的难题寻求建议，特意打电话给一位资深人士，希望获得教科书之外的、由三十年经验淬炼出的判断。对方的回答是：“老实说，去问Claude。”这并非孤立事件。她在多个场合被同样的话打发，而每次联系真人之前，她已花了两小时与LLM来回沟通，消耗了大量token。

这个悖论戳中了知识求助中的新痛点：当人类专家将LLM视为终极答案时，他们忽略了提问者已经越过了LLM的边界。问题之所以被带到人类面前，正是因为模型未能提供满意的答案。

作者将这种新现象与早期的“LMGTFY（让我帮你用谷歌搜索）”相提并论，但认为二者有本质区别。LMGTFY针对的是懒惰的提问者，而“Ask Claude”瞄准的是那些已做足功课的人。更精确的类比是：你向朋友寻求深夜餐厅推荐，朋友却甩来一份大众点评前十榜单——你明明想要基于共同品味和过往经验的个人化建议。

换句话说，“去问模型”可能已成为“我不知道”、“我没空”或“懒得想”的礼貌外壳。作者承认，被他人求助确实有成本，但与其用LLM搪塞，不如直接说“我正忙”或“我想不出你还未尝试的东西”——这些才是真实的回答，至少维护了诚实。

作者特别强调她寻求的是“伤疤”：那种只有在董事会上目睹决策出错才能获得的真实体验。这种经验不能通过搜索或LLM的统计模式获得。它包含个人视角、历史脉络和直觉判断——是模型即便训练于海量数据也无法生成的。

当“问Claude”成为标准答案，我们实际上切断了这种独特知识的传递通道。提问者失去的是更深刻的理解，而回答者回避了真正的思考。长期来看，这可能会侵蚀人际关系中的信任，让知识共享退化为算法交互。

作者并非反对使用LLM。她承认很多问题确实可以靠模型或搜索引擎解决。但她指出，当问题超出了这些工具的覆盖范围，“问Claude”并未节省任何步骤——它只是扣留了本该由经验给予的深思熟虑的回答。

诚实的成本确实高昂：需要时间、专注和真实思考。不是每个人都有余力在繁忙中承担。但用LLM来回避，不仅没能减少提问者的工作，反而增加了对方的失望。更健康的做法是承认自己的局限，或给出哪怕简短的、属于个人的看法。毕竟，真正的稀缺资源并非模型能提供的答案，而是活生生的、带有判断力的经验。