换句话说，”用 AI 会不会让人变笨”这个问题，暂时还没有盖棺定论的答案，但风险信号已经出现。Ghosh 的做法不是弃用工具，而是针对研究者归纳出的认知风险机制，设计了三套提示词，把被动接受答案的用法，改造成主动参与思考的用法。

一、把它当家教，而不是自动答题机

最常见的退化路径，是让 AI 直接替人写代码、写文章。Ghosh 的建议是反过来——让它帮人成为更好的程序员或写作者。遇到卡壳的概念时，明确告诉模型自己卡在哪一步，要求它给出有研究依据或成熟实践支撑的针对性指导。

他用自己的经历举例。在不懂原理的情况下，让 AI 一路”氛围编程”（vibe coding）生成脚本和小工具，让他很不踏实。这就像收到一封 AI 代写的邮件，看都不看就点发送——尤其是对没有编程背景的人来说，风险更明显。于是他决定真正学会写代码，把模型变成自己的私人导师。

具体做法是围绕个人的学习方式来搭建流程：他属于”做中学”而非”读中学”的类型，于是告诉模型想学什么，由模型生成一套以项目为核心的课程表、布置作业并全程担任导师。他完成练习、发送进度截图、卡住时提问。最关键的一条配置是：禁止模型直接给出答案，只能不断提示方向，直到他自己想明白为止。掌握一个概念后，再进入下一个。

二、定期审计自己”外包”了哪些思考

现在的主流大模型大多能够回溯此前的对话记录。Ghosh 由此想到一个反向用法：让模型充当审计员，把用户历次把思考外包给它的具体场景全部翻出来。审计结果相当于一张地图，清楚标出哪些”心智肌肉”已经停止锻炼——之后再有意识地决定，哪些值得保留。

他本人并不认为所有外包都是坏事，关键在于优先级。作为写作者，他日常工作包含大量流程性环节：重命名图片、添加标签、插入内链、调整排版。这些任务谈不上创造性，交出去并不心疼，何况相关规则本身就在频繁变动，学了也要反复重学。

但创造性工作不同。找到读者真正关心的话题、为一篇报道确定切入角度、搭建论证结构、打磨文字——这些能力他不愿意丢，因此即便对着空白文档写不出字，也拒绝让 AI 代劳。

以下是他用于追踪外包情况的提示词：

> 回顾我最近与你的对话，找出所有我把认知工作外包给你的情况： > – 我本可以自己读完却让你总结的内容 > – 我本可以自己写却让你写的内容 > – 我本可以自己推理却让你决定的事情 > – 我本可以自己形成却让你给出的观点 > > 把这些整理成一张三列表格：任务、该任务锻炼的底层能力、我委托给你的频率。 > 然后标出哪些能力在持续外包下可能会退化。 > 不要为了照顾我的情绪而弱化结论——我要的是诚实的审计，不是安慰。 > 最后反问我：这些能力里，哪些是我希望继续自己锻炼的，好让我们据此约定哪些事不该再交给你。

三、让它站到你的对立面

多数模型默认带有讨好倾向，而且随着记忆和上下文的积累，它们越来越擅长说用户爱听的话。就有争议的话题去问 ChatGPT 或 Claude，得到的回答往往与提问者本人的立场高度接近。

这会把人困在回音室里，也剥夺了用一个强有力的反方观点来检验自身信念的机会——而后者恰恰是磨砺思维最有效的方式之一。辩赢了，信念更牢固；辩输了，说明原本的立场经不起推敲。两种结果都是收获，唯独一台只会附和的答题机什么都给不了。

Ghosh 认为这个问题反而最好解决：探讨某个想法时，不要问 AI 怎么看，而是先亮出自己的观点，再指派它去扮演反方。聊天机器人本身极擅长角色扮演，能够真正代入持相反立场者的视角，展开一场只针对观点、不涉及人身攻击的理性辩论。

在他看来，这可能是 AI 最好的用途之一。现实生活中大多数人很难获得这种体验：与亲友避免争执，或者因为自认了解不够而选择沉默——却忘了每个人都是从知道得更少开始的。面对 AI，这些社交压力基本消失，提出外行问题、挑战自身假设都变得容易得多。

他使用的辩论提示词如下：

> 我想通过结构化辩论来探讨一个话题。 > 我的立场是：［填入你的立场］。 > 你的任务是为对立观点构建最强有力的论证——要用最强版本的反方论证，不要偷换成稻草人。 > 请使用该立场真正的支持者会用的最佳论据、证据与推理。 > 全程保持理性专业，但不要为了迎合我而软化论证，也不要因为我反驳就轻易让步。 > 如果我的反驳确有漏洞，请直接指出。每交锋几个回合后，简要总结双方目前的立场，以及哪些争点仍未解决。 > 任何时候都不要跳出角色来肯定我的立场。

Ghosh 特别提醒：应当把这段提示词保存为一个专门的自定义助手（例如 Claude 的项目、ChatGPT 的自定义 GPT 或 Gemini 的 Gem），取名”辩手”。不要在日常对话里直接粘贴，否则模型会误以为用户长期偏好这种风格，在需要协作的场景下也开始处处抬杠。

工具本身没有好坏

Ghosh 想强调的核心观点是：AI 既不是好东西也不是坏东西，它只是一件工具，而且是极其强大的一件。用得随意，它会缓慢侵蚀既有能力；用得刻意，它可以帮人建立新的能力。

他在原文末尾列出了九项支撑其判断的研究，涵盖生成式 AI 对高中数学学习的影响、结肠镜检查中医生因接触 AI 而产生的技能退化风险、大语言模型与网络搜索在学习深度上的对照实验、中学生阅读理解与记忆的随机实验、知识工作者自评认知投入下降的调查，以及生成式 AI 提升个体创造力却降低群体内容多样性等方向。

需要说明的是，这些研究观察到的多为短期效应或相关性，尚不足以对长期认知影响下定论。真正可靠的结论，恐怕还要等这批工具再运行若干年才能得出。

来源：How-To Geek，作者 Dibakar Ghosh，2026 年 8 月 1 日