LLM 奖励专业知识：为什么同样的模型，专家用得比你好

原文来源：Sean Goedecke — 领域专业知识是使用 LLM 最重要的技能：专家能从同一个模型里榨出远超新手的价值，因为难点在于"向模型说清楚你到底要什么"。

2010 年代，如果你有技术短板（比如写不好 CSS），要么依赖某个擅长的同事，要么祈祷互联网上恰好有现成答案。今天，任何人都可以把任务扔给 LLM，得到"勉强能用的 CSS"。LLM 把每个人都变成了通才。

正因如此，很多人觉得跟 LLM 打交道不存在什么技巧——大家都在跟同一个模型对话，"会写提示词的人"和第一次碰 LLM 的人拿到的东西应该差不多。

Sean Goedecke 在 HN 上获得 1282 赞的这篇文章，旗帜鲜明地反对这种看法：提示最重要的技能，是你所提示领域的专业知识。

陶哲轩的 ChatGPT 不是你的 ChatGPT

文章最有力的例证是数学家陶哲轩用 ChatGPT 讨论 Jacobian 猜想反例的对话。这是同一个模型——但显然不是我们平时对话的那个 ChatGPT。Goedecke 说，就算给他无限 token，他也到不了陶哲轩的高度。

从那段对话里能观察到几个细节：

• 陶哲轩的消息非常短，直击要点。他不逐点回应模型，只回应核心。
• 模型输出也比普通人得到的简洁得多——通过展示专业信号，陶哲轩把模型切换到了"跟数学家对话"模式，而不是"给外行解释"模式。
• 模型回答看起来不对时，他推回去，但不直接反驳，而是说"这看起来比我预期的更复杂"。
• 他几乎从不采纳模型"下一步该往哪走"的建议，而是自己做出跳跃和推测。

但这些技巧没法直接模仿。关键在于他真的懂数学：能从 ChatGPT 的多段式回复里抽出相关想法，提出替代方案或重新表述，识别出"哪里看起来不对劲"。

领域知识让你能"推"模型

Goedecke 自己的经历验证了同一逻辑：如果你对自己代码库有好的理解（theory of your codebase），就能把 LLM 推得比完全陌生时狠得多。因为你心里有"好方案应该长什么样"的感觉，你可以说"不，我觉得这里可以更简单"，或者"我们不是已经做过 X 了吗"，或者"能不能用我们熟悉的术语来表达这个问题"。

反过来，没有领域知识的人只能抓住 LLM 至少得到点什么——这也不错，但如果你有领域知识，你能通过强力引导，从同一个 LLM 里榨出多得多的价值。大多数人是两种方式的混合：有些领域有知识，有些没有。

为什么这会持续成立

这个观点指向一个反直觉的结论：模型越强，人类专家的价值可能越不是被稀释，而是被放大。

困难的部分在于向模型精确传达"你想要什么样的解决方案"——信息其实"已经在模型里了"，但需要非常聪明的人才能把它拉出来。很多任务上，人类才是瓶颈，不是模型。

Goedecke 自己也承认这个观点有安慰成分——它让你觉得自己依然有价值——而 HN 评论区的怀疑者恰好指出了这一点。但一个有力的反证是：OpenAI 的数学发现（比如用 GPT 系列辅助的数学突破）背后有一支专家数学家团队，负责检查和过滤模型提出的发现——这个环节目前无法跳过。

对普通开发者的三个可操作建议

把文章观点落到日常工作中，至少有三件事值得做：

第一，深耕一个你真正拥有的领域。 泛泛地"会用 AI"很快会碰到天花板；在某个领域（你的代码库、你的行业、你研究的问题）建立真正的理解，AI 在你手里的产出会指数级提升。这正好呼应"系统设计问题由具体细节主导"——熟悉代码库比通晓软件工程的一般原理更有用。

第二，学会问"这个看起来对吗"。 陶哲轩最重要的行为不是提示技巧，而是判断力：他能识别出模型回复里"看起来奇怪"的地方。这种能力只能来自专业知识，无法通过任何提示词模板获得。

第三，把 AI 当磨刀石而不是替代品。 如果你用 LLM 只做自己完全不懂的事，你得到的是平均值；如果你用 LLM 做自己懂的事，你得到的是被放大的专业判断。选择后者，等于让 AI 成为你专业能力的杠杆——而不是让你退化成通用型"会用 AI 的人"。

这篇文章之所以在 HN 上引发热烈讨论，正因为它戳中了一个让很多人既焦虑又安心的事实：AI 没有让专业知识贬值，反而让"知道自己要什么"这件事变得前所未有的值钱。当模型的能力继续增长，那个瓶颈——人类能否说清楚自己到底想要什么——只会越来越突出。