AI工具使用之道：甩开效率陷阱，用成长心态拓宽你的能力边界

随着AI能力不断进化，普通人对待AI工具的心态大致分成了两种：

Image

  • 效率心态：我本来就会做A，用AI让我做A更快 → 产出量增加； 用AI做自己擅长的事，收益是线性的。比如原本一天能写3份方案，靠AI写到了6份，产出翻倍了，但能力的边界没有改变。

  • 成长心态：我不会做B，借助AI让我能够做B → 能力边界向外扩张； 用AI补上短板，带来的收益是结构性的，它直接击穿了原有能力的上限，让你有机会跨进以前完全不了解的领域。

更准确地讲，前者扮演的是工具，后者则更像一个杠杆。

Part 01 为什么很多人困在“效率心态”里?

为什么大多数人会不假思索地选择效率心态？

Image

1.认知盲区

一部分人对AI的想象还停留在“更聪明的搜索引擎”上，拿它来写材料、查资料、生成内容。至于让AI领着自己进入一个陌生领域，从零搭建判断力，这种可能性从未出现在他们的认知地图里。

2.心理安全感与掌控感

人在自己熟悉的领域用AI，手里有判断力，能分辨AI说得对不对，心理上会更有安全感，也更容易获得掌控感。

3.对陌生领域的“双重无知”

也有人尝试过用AI探索不熟悉的领域，却不知道该怎么提问。很多人尝试一两次就放弃，并不是因为AI不好用，而是他们在陌生领域里根本不知道要问什么。在自己擅长的领域，人天生带有问题意识，知道哪里有坑，什么值得深挖。可一旦进入短板领域，连“我不知道什么”这件事都不知道。这便是双重无知：你不知道，而且你不知道自己不知道。

这自然容易问出一些宽泛的问题，得到的答案也浮在表面，和AI的交互质量很差，于是顺理成章地觉得这条路走不通。

4.难以克服的“延迟满足”

还有一点：看不到短期回报，反馈来得太慢。提高效率的收益是即时的，今天用，今天就见效，做完任务有成就感。而拓宽能力的收益是滞后的，今天学了一个陌生领域的概念，说不准什么时候才用得上，更不知道自己到底有没有真正理解，甚至不确定这件事值不值得继续投入。

人类大脑天然就偏向即时奖励。当一件事迟迟看不到短期收益，大多数人会在第三次尝试之后自然而然地放弃，甚至给自己找个合理化的理由：最近太忙了，等有空再说吧。

建立“判断力”

于是你会注意到一个现象：用AI越久的人，未必真的越会用，他们只是在自己熟悉的路径上越来越熟练。以为自己正在用AI补短板、提能力，实际上做的只是把问题暂时交给了AI。比如不懂合同，就让AI审核；用完关掉，下次照旧。在这个过程中，AI成了一个随手可得的工具，帮你迈过了眼前的这一步，可你并没有真正学会什么。这种用法本身没有问题，但带来的提升非常有限，因为你对这个领域的理解没有增加，判断力也没有变强。

真正靠AI成长起来的人，做法会更深一层。同样是面对合同问题，他会继续追问：这个条款为什么有风险？同类合同里这个位置通常会写什么？如果对方不肯改，我还有哪些谈判空间？几次下来，他慢慢就有了基本的合同语感，知道哪里需要警惕，也知道什么时候必须找律师。

这里的区别在于，有没有在和AI交互的过程中逐步建立起判断力。判断力就是下次再碰到类似问题时，你能大略知道什么是对的、什么不太对，能提出正确的问题，不会被一条明显的错误答案糊弄过去。有了判断力，才谈得上驾驭AI；否则，你只不过是在依赖它。更高阶的用法，是借助AI加速自己内化，建立判断力，拓宽视野，提升对自己的认知。

Part 02 如何用AI突破能力边界？

那具体该怎么做呢？其实不需要一上来就把AI用得很高阶。

你只需要挑一个自己的短板，最好是近三个月里反复撞上、每次都让你觉得麻烦、而且总是靠直觉应付过去的问题。可能是合同、财务，可能是写方案的方法，也可能是某个你一直想学却始终没学会的领域。下一次再碰到它的时候，别只让AI给你一个答案。让它解释概念，给你举例子，讲清楚边界，提供反例，陪你一步步拆解。你不需要一次就掌握，只要先开始建立判断力就够了。因为判断力的起点，就是知道什么是对的，什么不太对；什么能信，什么需要核实；什么是结论，什么只是表面说法。

Part 03：AI工具也需要挑选

前面聊的都是怎么用AI，但还有一个关键问题——你用的是哪一款AI，用在合适的场景上了吗？

Image

龙虾（OpenClaw）、Claude（Claude Code）、Codex（OpenAI Codex / computer-use）这三款主流工具的能力结构各有侧重，交叉使用往往事半功倍。

1. 龙虾（OpenClaw）——开源桌面级AI Agent框架

这是一款本地运行的个人AI助手，属于“真正能做事”的类型（清理收件箱、发送邮件、管理日历、操控浏览器、读写文件、执行shell命令）。通过微信、飞书等聊天工具进行交互，支持多渠道、多Agent协作、持久记忆以及Skills（技能插件）扩展。还可以接入Claude、OpenAI/Codex、本地模型作为后端大脑。

  • “动手”能力最强：能实现完整的端到端自动化（浏览器、文件系统、应用控制），可以24/7待命，支持cron定时任务和多Agent团队协作。
  • 高度开放与生态：拥有3200多个社区Skills，开源免费，可完全自定义（AI自己写Skill）。注重隐私本地化，也支持云端部署（如AWS）。

短板：

  • 成本与稳定性易失控：重度任务消耗大量Token；幻觉或配置出错可能导致误操作，安全风险高，需要人工监督。
  • 学习曲线：初期有一定上手门槛，新手的第一步是学会“养龙虾”。

适合：自动化需求高、喜欢自定义多Agent系统的人，跨App自动化、个人或团队助手等场景。

2. Claude Code ——顶级Agentic Coding工具

Agentic coding环境，能读取代码库、编辑文件、运行命令、集成IDE（VS Code/Cursor）。支持计划审查、@mention 文件、多会话，强调安全、对齐和复杂推理。

  • 推理与结构化能力最强：代码审查、复杂规划、文档规范方面表现极为出色，长上下文处理也很优秀。近期新增了Channels（聊天工具直连）、Agent Teams等功能，已经越来越“龙虾化”。
  • 编程体验顶尖：交互时主动进行端到端测试，遇到报错会自行处理，在深度代码重构、Code Review和跨文件复杂推理上持续优于Codex。适合需要严格遵守项目规范、有复杂治理需求的团队。

短板：

  • 自主执行能力初期较弱：早期版本需要用户驱动，虽有computer-use方向的进化，但框架化程度依然不如OpenClaw开箱即用。
  • 执行速度较慢（尤其是复杂任务），容易触发上下文压缩，耗时较长。
  • 创意上偏向保守：部分创新性任务不如OpenAI激进。

最适合：大型项目重构、Code Review，以及需要高度可控和强规范执行的场景。

3. OpenAI Codex ——编码+桌面操作Agent

可读取/编辑/运行代码；computer-use支持查看屏幕、截图、点击/输入/操作UI（macOS优先），后台多Agent并行，可扩展到全电脑应用。

  • 代码生成速度快、算法创意突出：快速原型、巧妙解法能力强；computer-use已成熟，可直接操作桌面应用。
  • 生态集成好、迭代迅速：与ChatGPT账号无缝衔接，后台任务、图像生成、偏好记忆功能优秀。
  • 轻度场景下性价比更高：响应快，适合实验性任务。

短板：

  • 结构化维护性稍弱：大项目里容易忽略整体架构，需要人工校正（Claude在这方面更稳妥）。
  • 安全与精确度：在环境配置和debug环节时常需要手动介入。
  • 架构优势：在并行后台任务委托、多线程工作规划、批量研究执行上，Codex的云端沙盒架构更具优势。

最适合：需求明确的小任务、快速原型开发、并行委托多个独立任务，以及预算有限的独立开发者。

实用组合建议：

  • 省心直接用：Claude Code（+ Channels）或Codex，在许多场景下已经超过了早期龙虾的表现，而且可以通过账号登录，重度用户比单独调用API更划算。
  • 极致自动化：使用龙虾框架搭配Claude/Codex双后端（让Claude负责思考，Codex负责代码），实现多Agent并行。