一次自驾游，让我彻底清醒：AI 时代，思维方式比技术背景更重要。

事情经过

我们要去一个知名景区。同行的有一个两岁的孩子，有老人，还要推婴儿车。能不能玩、怎么玩，很难确定。

我的做法

这个时候我很自然就转向了 AI。

我把所有条件一次性给了 AI：“带一个两岁的孩子，不太听话，可能会乱跑，还有老人，还要推婴儿车，这个景点适合吗？”

AI 在查找各种官方资料和用户评论之后，给出了一个很长的方案。

我仔细看了一遍，查看了对应的来源出处，花了十几分钟，最后得出的结论是：可以去，具体怎么走看情况，可能会有点麻烦。

老婆的做法

当我把我的结论告诉老婆的时候，她鄙视地看了我一眼，然后拿过手机，开始对着 AI 说话：

“这个景区适不适合带孩子和老人去？”

AI 给出结果后，她没有停下，而是继续一句一句补充：

“孩子太小，可能会到处乱跑。”

“我们还得推着婴儿车，有的时候孩子会坐，有的时候还要带东西。”

“还有一位老人，腿脚没什么问题，但是体力不太好。”

“总结以上问题，整理一下。”

她不像我，一开始只稍微说明了情况，AI 给出的答案她只是大概扫一眼就过，然后继续补充。

5 分钟之后，AI 给出了一篇非常细致的攻略，路线具体到在哪里转弯、在哪里存放童车、哪里不好走建议放弃等等；还贴心地给我们指出要带多少水，要不要带防晒，如果累了可以在哪里休息等细节。

比我得到结论用的时间更短，看起来更实用。

验证

当然我是不服气了。

我研究 AI 也有一段时间了，AI 经常有幻觉和错误，这么随便地用一用，肯定出问题。

于是我们决定去实地验证一下。条件不变，人员不变，就看哪个攻略更好。

结果是——我完败。

在很多路口，我还在研究路标的时候，老婆已经带着其它人走出好远了；我研究半天，最后还是走了一样的路线。

幸好有按照 AI 的建议带水，天气很热，里面的水要20块一瓶，就是那种外面卖3块的……

更不要说好几次，我准备搬婴儿车爬楼梯的时候，老婆已经找到另外一条不用爬楼梯的路绕了上去。

虽然老婆没明说，但那眼神中，“你到底研究了点什么”的意思，那是相当明显了。

复盘：两种完全相反的 AI 使用逻辑

我：一次性输入全部条件 -> 等待 AI 给出最优解 -> 人工筛选检查。

老婆：先出一个版本 -> 追加约束条件 -> 持续迭代 -> 收敛到最佳方案。

事实证明，我的方式不仅更慢、更耗精力，最终效果也全面落后。

如果调用 AI 要花钱，那我的做法可能会节省 Token；但现在用的是免费 AI 服务，我连这点优势都没有。

根源：理科思维与文科思维

这其实是两种思维模式的碰撞，我暂且把它称为理科思维和文科思维。

理科思维倾向于把每一步的问题都搞清楚：比如在解物理题，先确认场景，分析原理，一步一步解析，每一步都要清晰准确，直到最终得出答案。

文科思维则不纠结于初始的完美，而是通过重复和迭代来逼近合格的结果：比如背诵文章，并不要求第一次看就完全记住，而是先背个大概，然后经过不断的重复和加强，最终实现倒背如流。

这两种思维模式，在不同的领域，作用是不一样的。

比如科研、学习、考试等一些对结果要求很精确、过程又能够完全掌握的场景下，理科思维占优。

但绝大多数场景，文科思维更能发挥作用。

因为结果没有标准答案，工作也很少需要一步到位做到 perfect。

交付一个可用的版本（无论是代码、工具、方案、计划还是 PPT），然后持续优化，远比追求一步到位的极致准确更有价值。

反常识的事实

很多我们以为应该用理科思维来解决的问题，也是迭代式的文科思维更有优势。

比如在编程中，大家常开玩笑说“能跑就不要动它”，虽然只是调侃，但这其实也是有一定道理的。

比如数据库的优化，只要优化到客户满意的程度即可，不要过度优化。

系统只要能满足压力需求和并发限制，就不要预留过多的容量。一方面是为了节省成本，另一方面也是为了节约开发时间。

这其实都是文科思维在发挥作用。

甚至现在软件开发中的“敏捷开发”，最小可交付版本的持续迭代，也是“文科思维”的一种体现。

AI 放大了文科思维的优势

现在很流行的“不懂代码也能做产品”的 Vibe Coding 潮流，其实就是一种文科思维的逻辑：

把 AI 生成的代码当成一个黑盒工具，只关注最终效果和功能。

现阶段这么做还有很多问题，但是随着 AI 越来越成熟，最终这种开发方式将大概率会变成主流。

就像我们现在已经不会再关心底层的机器码是如何变成屏幕上的点和线一样。

附：普通人直接能抄的迭代技巧

我提炼出3个低成本、零门槛的实用方法，下次你用 AI 做旅行规划、带娃安排、工作任务时可以直接套：

1. 起步极简原则

第一句只问核心需求，不要一次性扔所有条件。

示例： “我要去XX景区，适合带两岁孩子和老人吗？”

2. 边看边补约束

AI每回答一次，只看结果是否贴近，缺什么就立刻补一句。

示例补充顺序：

“孩子两岁，会乱跑。”

“要推婴儿车，有时坐人有时装东西。”

“老人体力一般，腿脚还行。”

3. 收尾确认闭环

最后加一句：“根据以上所有信息，给我一份最终可执行的详细攻略，包括路线、注意事项和备选方案。” （这一步能让AI自动把前面所有迭代收敛成一份完整清单）

不用学复杂的Prompt Engineering，不需要写结构化的文本，只需要像和人聊天一样说话。

免费AI就够用，效果远超一次性完美提问。

我的反思

1. 思维方式需要转变

作为软件工程师，我最讨厌需求不明确和需求变更。

用 AI 时也一样，我总想一次给全约束条件，并且直接得到最优解。

但更高效的方式应该是让 AI 自己不停地去尝试和迭代。

如果可能，开多个 Agent 同时写代码，一个问题写 10 个甚至 100 个方案出来，只要有一个能成功就 OK 了。

2. 角色需要转换

作为软件工程师，我往往是“乙方”，习惯了被甲方指挥和挑刺；但是现在 AI 是乙方，我要成为“甲方”。

AI 重新生成或者修改方案的成本低，又没有情绪，对它指手划脚不会有心理负担。

这简直是我等社恐又想做事情的人的福音。

3. 一人公司的创业逻辑

尽快把第一个不完善的MVP做出来先上线。

如果有需要，自然会有外部力量逼着你不停地迭代和优化。

否则，这个需求可能只是一个伪需求，把它做得再精致也没有意义。

结语

在AI面前，知识和技术背景不再是护城河，思维方式才是。

别再试图一次性“算对”，要学会不断“迭代”。

以前我被甲方反复“折磨”，现在，我要把所有经历过的，都对AI做一遍。