总能听到这么一种说法："AI 发展得这么快，只要你学得足够慢，很多东西就不用学了。"这话乍一听还蛮有道理的。

对普通人来说，最无力的地方不是不愿意学，而是总觉得自己追不上。刚收藏完一套教程，工具就更新了；刚摸清一个模型，又出现了更强的新模型。于是有人开始怀疑：花时间研究的技巧，可能还没真正用熟就被取代，现在学还有意义吗？

但我自己的感受恰恰相反。

第一次用 AI 做图，我感到的是兴奋

第一次用 AI 做图时，只是把脑海中的画面描述出来，没过多久就出现了一张有构图、有氛围的图。那一刻感到的不是害怕，而是兴奋——一段存在于脑海中的想法，竟然可以这么快变成看得见的图。

后来图像模型不断迭代。从 Midjourney 到 Nano Banana 等新一代模型，图片生成越来越接近"描述什么就生成什么"。于是有人说：幸好当时没有学，之前研究的那些现在不是都没用了吗？

表面看确实如此。很多参数不再重要，复杂的提示词模板也失去了价值。但那些长期使用过图像模型的人，在接触新工具时往往依然更快上手——因为他们知道一张图可以从哪些方面控制，能分辨构图、视角、光线、材质、色彩和画面情绪的差异。

具体的操作会消失，使用过程中形成的判断却会留下。

Prompt 没有消失，只是换了一种形式

我也曾经直接把想法交给 AI 做图，结果什么都有，却不是脑海中那张图。问题不在模型，而在表达——我以为说清楚了，实际上只是说出了一种模糊的感觉。

后来换了一种方法：先用自己的 Skill 把模糊需求"翻译"一遍——画面主题是什么、主体放在哪里、采用什么构图和视角、需要怎样的光线材质与情绪。经过这一步再交给 AI，结果明显更接近设想。

后来看到 Anthropic 对 Context Engineering 的解释才更清楚地理解这种变化：过去更关注一句指令应该怎么写，现在更重要的问题是——为了让 AI 理解并完成任务，应该给它提供哪些信息。

以前大家热衷于寻找一句效果惊人的"咒语"，现在固定格式没那么重要了。真正值得积累的是：如何把需求表达得足够清楚，同时形成一套能够迁移到不同模型中的判断框架。

模型能力越强，一个模糊需求可能产生的结果就越多。此时真正决定结果的，是使用者能不能说清楚要解决的问题，能不能判断什么结果值得保留，以及能不能把一次偶然的好结果沉淀成可以重复使用的流程。

我们真正需要学习的，不是背下多少关键词，而是如何定义目标、表达需求、拆解任务、判断结果，并最终形成自己的工作流。

学 AI，不是追赶每一次更新

学得慢就不用学吗？我不太认同。普通人确实追不上 AI 的每一次更新，也没有必要每天研究所有新产品。真正值得做的，是选择与自己有关的场景，持续使用、观察和沉淀。

与其追逐每一个 AI 热点，不如从自己的真实需求出发：我正在解决什么问题，AI 能在哪个环节提供帮助，又有哪些方法值得沉淀下来。

具体工具会变，按钮的位置会变，流行的提示词也会变。但如何把问题说清楚、如何判断结果、如何让 AI 进入自己的工作流——这些能力会留下来。

等待 AI 彻底稳定之后再开始，可能永远都等不到那个时刻。学得慢并不可怕，我们不必跑在最前面，但要尽量保持在场。最终拉开差距的，可能就是谁在变化中持续积累了与 AI 协作的能力。