“AI 技巧会过期”，不等于不必练习使用工具

Charles Miller 用早年 C++ 的微优化习惯作比：一些程序员曾把特定写法当成必修技巧，编译器进步后，记住这些细节的价值却大幅减少。他认为，今天不少号称必须立刻掌握的 AI 技巧也在经历类似过程——模型与产品迅速补上缺陷，几周能学会的操作可能几个月后就不再重要。

他的矛头主要指向“现在不学就永远落后”的焦虑叙事，并没有劝人停止学习工作中当下需要的工具。区别在于，解决眼前问题的临时办法可以有用，却未必值得包装成长期竞争优势。标题中的 skills 指使用技巧，也不应被误读为所有 Agent 技能文件都没有价值。

评论者 joshstrange 赞同不必追逐每个新词，却不同意把有效使用模型看得太容易。他说自己持续测试模型原先做不好的事，在公司也看到使用熟练度差别；受到追问后，他明确这是亲身观察。两者的分歧落在学习什么：背住某一代模型的窍门，还是积累判断何时尝试、如何描述问题、怎样检查结果的经验。

可信度 65 · 重要性 80 · 新颖度 72

技术与主题

回应 Miller 原文；追问后说明熟练度差别来自本人在公司的观察。

忠实转述（非原句）：他赞同不必沉迷每一个新概念，但认为了解工具边界、反复尝试仍是一项需要练习的能力。六个月前做不好的任务可能已经改变，只有再试才知道。他的反对不是要求背更多提示，而是认为长期实践不能被一概归入即将过期的小技巧。

这篇短文最有用的提醒，是把学习的回报期说清楚。一个临时写法能为今天的任务省下时间，就可能值得学；但如果课程把它描述为多年有效的门槛，便需要解释为什么基础模型或产品不会很快吸收它。技巧的即时价值与长期稀缺性并不相同。

joshstrange 的反驳则补上了另一边：不追热点也不意味着仅看一遍教程就能知道工具边界。把任务拆清楚、发现输出哪里不可靠、隔一段时间重试以前失败的事，都需要实践。这些能力可能比特定提示格式更持久，不过评论中的熟练度差别仍是个人观察，不能当成严格生产率研究。

可迁移的学习方式，是给常用技巧附上它解决的具体失败：当初为什么需要这条限制，怎样知道模型已不再需要它。模型升级后重试原任务，便能区分应当保留的经验与已经过期的补丁。这个做法也把“持续学习”从不断追新名词，变成持续校正自己的能力地图。