前言
「中等收入陷阱」原本是一个发展经济学领域的专有名词。它的含义是，一个国家经济发展到中等收入水平后，原有的增长方式逐渐失效，经济增长长期放缓，难以继续迈向高收入国家。
在从低收入阶段到中等收入阶段跃升的过程中，民众的工资上涨，但随之而来的是用工成本的增加，原来所依赖的低端制造和能资源优势不复存在了。而想要到达高收入阶段，则需要依靠技术创新、产业升级，代替原有的劳动力集体，实现转型。如果一个国家在中等收入阶段无法完成转型，则可能陷入所谓的中等收入陷阱。
AI Agent 的发展过程，或许也能对照这三个阶段来进行类比。在发展的初期阶段，人们发现，使用 AI Agent 可以让他们实现原先难以完成的任务，迅速获得过去所没有的生产力。然而，AI 已经成为工作流的基础设施，Agent 在拓展能力边界的同时，同等智能的模型价格下降；随着 WorkBuddy 等办公类 Agent 的普及，信息差逐渐消失，会用 AI 不再是稀缺的能力。
请你问自己一个问题：假如现在所有人都会用 Agent，且所有的 SOTA 模型全部免费用，你有信心从其他使用者中脱颖而出吗？
这个问题看似仅仅是个思想实验，但可以预期的是，我们正在加速朝着这个现状来演进。
我问了问我自己。坦诚说，没有多少信心。但好在我们还有机会趁这段信息差带来的红利期，尝试构建起那些在未来能让我们脱颖而出的能力。
AI 的追赶效应
2023 那年，我完成了高考。进入大学后，出于兴趣选择了计算机专业。现在看来，还是很难判断是否是个「正确」的决定。ChatGPT 在 22 年底就上线了，而在 23 年秋季学期时，我在学习高级程序语言设计（C++）时，GitHub Copilot 出现了，那种在行内按 Tab 不断补全的方式，直接让我这方面的经验变得贬值了。我亲眼看到自己花费精力学习的 C++ 语言，而同学直接无脑用 Tab 也能敲出一段评测正确的代码。
当时我在心里，我还在笑那些偷懒用 AI 交作业的同学没有学到真本领。当然现在我肯定笑不出来了，因为我发现，在 24 年投入大量精力学习的 ICPC 程序设计竞赛，苦练各类面向竞赛的技巧，在 25 年能被 Claude 轻松手撕；在 24 年还在用模板手搓 PPT，26 年甚至可以直接让文生图模型来「一键出片」；在 24 年还用 Cursor 完成的需要我盯着、指导的任务，在 26 年则轻松被普通用户用「一句话」让 Agent 自主实现，并完成多维度的测试，接近直接上线运营的水平。
假如一个外行在该领域的了解程度是 5 分（满分 100），那么 AI 现在可能已经能不加指导地达到 60 分的水准，并且这个分数可能下个月就变成 65 分、70 分，而人类个体在这些分数的进步，可能需要数年的实际经验来积累。普通人的能力下限，正在被 Agent 快速抬升。
如果一个人只会这样的技术性技能，完全没有胜算。在未来随便一个人，用最朴实、最直白、最外行的话语，AI 也能做得很好。大部分技术性技能会随着 Agent 能力的普遍提升而不断贬值。
同时，从模型侧来说，同等智能的模型在未来会不断贬值，因此未来达到我们想要的需求将会越来越廉价。从产业的角度来说，现在很多事情仍然用人而非用 AI 来做，其实是成本上的账算不过来；而一旦 Agent 的使用成本继续下探到临界点，仍然依赖人力完成的环节就会被动暴露在被替代的风险之下。
更危险的可能是，我们甚至还没意识到这一点，错把我们驱动 Agent 能做的事情，当作我们实际的能力。
AI 的中等收入陷阱
现在很多人每个月花几十上百刀订阅各种 AI 会员，做了一些自娱自乐的产品。结果问他实际有多少用户、赚了多少钱，才发现可能是个零蛋（没错，是我了）。不客气地说，这样的行为和 23、24 年去买 AI 使用付费课程、付费社区等没有太大差别。
没错，你现在用各种 Agent，已经能够一句话做出一个像模像样的小玩具，或者已经能够在自己的工作流中提效。但花钱订阅使用 AI，并不是获得能力提升的充分条件，反而会让自己形成一种自己已经领先于很多人，借助 AI 提效的幻觉。的确，我们获得了当下的效率和产出提升，但也要考虑，在 Agent 能力增长、价格下降、信息差消失的大趋势下，怎么样在未来赢得这场长跑。
你可能会说，我学习了各类提示词技巧，懂得给 Agent 安装多少个热门 Skill，对主流 LLM 的优缺点、说话风格了如指掌，这些难道不算能力吗？当然算。但我更倾向于把「会用 AI」拆成两类不同的能力。
一类是工具绑定型技巧。例如某一代模型偏好什么提示词写法、某个 Agent 应该装什么 Skill、某套 Harness 需要怎样调教。这些能力的确能在当下带来优势，但它们很大程度上依赖工具本身还不够成熟，以及使用者之间仍然存在信息差。
只要一类工具足够有用，就会有人前仆后继地把它变得更简单：基础模型厂商会让模型更容易正确理解意图，Harness 会把复杂的配置、技术细节封装起来，自媒体、社区甚至卖课的人也会持续传播最佳实践。他们在追逐各自利益的同时，也渐渐让昨天需要高手掌握的技巧，变成明天普通用户开箱即用的默认能力。
另一类则更接近认知与判断型能力。你是否知道真正的问题是什么，哪些上下文必须交给 Agent，什么样的结果才算好，以及什么时候应该相信或推翻它的答案。这些能力表面上同样表现为「会用 AI」，但它们并不主要依赖某一代 Agent。相反，Agent 越强，这些判断越可能被进一步放大。
因此，如果我们的优势主要来自对工具本身比别人更熟练，那么随着模型、Harness 和大众使用经验一起进步，这种优势天然存在持续贬值的压力。我们需要逐渐把竞争力从「怎样把 AI 用得更好」转向「知道怎么做决断」和「知道什么是好的」。
我们还能做些什么
AI 的能力是租来的。真正值得我们积累的，是那些不随模型降价而一起贬值的资本。
资本可存在于外部世界，即「外部资本」；也可积淀于我们自身，即「内在资本」。外部资本较好理解，它在 Agent 出现之前就已存在。它可以是一批真正理解、使用、愿意反馈的核心用户，可以是一个粉丝数较高的社媒账号；也可以是一套可以持续迭代的工作流。
复利性是资本的重要特征。过去的积累，会不断降低下一次增长的成本。当执行能力越来越廉价，更重要的是你过去「积累了什么」，而不仅仅是你这次「能做出什么」。
两个人都能让 Agent 在一天内做出一个新产品。一个人做完以后还要重新寻找用户；另一个人已经有一批用户、一个长期经营的账号和过去产品积累下来的品牌认知。AI 把两人的「制作能力」拉近了，却没有抹平这些过去积累形成的差距。
Apple 最近发布 iPhone Duo 后，那套随折叠动作发生的屏幕过渡效果，很快就被开发者移植到了 MacBook 等设备上。短时间内，社区已经能做出视觉上相近的产品，但「做出来」并不等于「有人用」。Apple 可以借助全球设备用户、操作系统、分发渠道和品牌认知，把一项新体验直接送到大量用户面前；独立开发者即使实现了相似效果，通常也只能先触达自己够得着的少数用户。两者之间真正难以被 AI 抹平的，恰恰是这种外部资本的鸿沟。
外部资本固然重要，但它更多回答的是「你在世界版图上占据什么位置」。还有一类资本藏在我们自身，决定了我们能在外部资本的杠杆上撬起多大的结果。
人的稀缺性何在
前文主要探讨了外部资本。长远来看，我们不得不回答另一个问题：在人与 Agent 协作的过程中，我们的稀缺性在哪？
除了外部资本，还有一类更容易在使用 Agent 时被忽略的资本：内在资本。随着 Agent 的迭代，只有人类能做或做得更好的事情，将越来越少。在未来，大多数人类的生产力能力相比之下都会贬值，但仍有一些能力是不易贬值的：
- 对世界产生真实影响的判断力（Judgement）。Agent 当然可以帮你做判断，但可惜的是，它不能帮你为判断负责，存在权责不对等。假如 Agent 把事情搞砸了，它除了诚挚地向你道歉，给你一些心理上的慰藉，啥也做不了。
- 服务于人的品味（Taste）。例如，做一个最终使用对象是真实人类的产品，Agent 虽然可以根据积累的经验来尽可能符合人的品味，但最终做的好不好，还是由人说了算。一个普通用户可能可以根据经验来大致说出一个设计是好是坏，但难以剖析设计上存在不足的原因，也不一定能给出针对性的改进建议。
如何提升品味和判断力
品味可以理解为「什么是好的」，而判断力更接近于「在特定情境下如何做决断」。这两者虽然经常一起出现，但培养方式却不尽相同。判断力更依赖真实决策、结果反馈与反复校准；品味则更接近一种长期形成的内部评价标准，需要通过大量接触和比较不同的对象，逐渐建立起对「什么更好」的感知。
以长期主义的复利眼光来看，我们应该追求在与 Agent 的协作过程中，持续培养、更新自己的品味与判断力的方法。
判断力
认知科学研究表明，大脑会利用实际结果与原先预期之间的差异作为重要的学习信号，而在形成预测后再获得反馈，也更有利于发现并修正原有判断中的偏差。因此，可以把判断力的养成粗略理解为一个不断循环的过程：预测 → 实际结果 → 预测误差 → 解释误差 → 更新模型。更新后的模型会进入下一圈的预测，不必再单列「新的预测」。这种「预测—误差—更新」的结构，在强化学习等机器学习方法中也能看到相似形式。
日常使用中常见这么一类状态：你遇到一个不好判断的问题，直接无脑交给 Agent，让他给出一个答案，然后你直接接受这么一个看似合理的答案。你好像学到了点什么，但在这种循环中，并不存在「异常值」，也就无法持续更新你的判断力。这其实就是前文所述的「中等收入陷阱」的典型情况。你支付了高额的订阅费，让最聪明的 Agent 给你工作，也得到了 Agent 应该发挥出来的水平。
交钱、办事，你确实没亏。但你浪费了培养自己的判断力的机会，也就是说，过了几个月，Agent 的能力已经突飞猛进，你用它确实能做更多事情了，但你的判断力并没有多少进步，你会更加依赖 Agent 来做事情。更要命的是，那些使用时长原本比你短的人，因为前文所述的原因，和你的差距越来越小。如同温水煮青蛙一般，你的不可替代性正在逐渐消亡。
那我们要如何提升自己的判断力呢？老实说，我现在还没有太多实际的经验，也正在温水里面泡着澡。下面是我打算下一阶段尝试的方向：
- 补充预测环节。在询问 Agent 意见前，给出自己哪怕不成熟的判断，并通过和 Agent 的讨论或是实际结果来进行验证，这样才能让闭环跑起来。
- 刻意寻找能否定已有判断的证据。在和 Agent 讨论的时候，双方都不一定正确，我们应该优先寻找来自现实、可验证的反馈，并且尽可能将其归因到当前判断，从而验证自己的判断是否有效。
- 把「我错了」变成「我为什么会错」。对于判断力这种需要迁移到新情境的能力，仅仅记住「这一次正确答案是什么」是不够的。更重要的是理解自己为什么错，并把这次「异常值」归纳成能够迁移到未来判断中的模型或原则。
品味
和判断力培养有所不同，品味的培养更侧重于「比较」。
跳出 Vibe Coder 的视角，我去参考了产品设计师、艺术创作者的观点。
产品设计师 Iglika 认为，品味往往不来自某些死板的教程，而来自长期亲自接触大量好产品，直到「develop an eye for it（形成直觉）」。Fey 的联合创始人、设计师 Thiago Costa 则表示，他会大量从艺术、建筑、电影、游戏等跨领域中吸收优秀的设计，而不仅仅是只盯着本领域的其他作品。
只有当我们承认设计存在优劣之分后，才能自然地开始深入研究一个好的设计好在哪里。
另一个共识是，光看和比较也不够，还需要实际去创作。而我们作为 Vibe Coder，用我们熟悉的工具就可以利用 Agent 时代的红利，以低成本大量制作对照组。
下一次在考虑某个设计时，可以不再问 Agent「哪个最好」，而是让它往不同方向设计多个候选项，并让自己以用户的视角来比较分析。除此之外，也可以和其他产品的设计进行比较。在此过程中，我们不仅脱离了 Agent「给什么是什么」的设计，避免反过来怪 Agent「不会设计」，同时又在过程中培养和锻炼了自己的品味。
少即是多
人的注意力资源是有限的。我们不可能在工作和生活的每个领域都同时拉高品味与判断力，必须做出取舍，把有限的注意力分配到长期边际收益最高的地方。
有舍才能有得。怎样判断哪些内在资本是值得追求的，哪些是可以适当放弃的？我认为，可以从下面几个维度出发综合考量：
- 重要性。判断力与品味和你关心领域的关联程度，尤其注意是否是当前的「瓶颈」。
- 长期投入回报。考虑 Agent 在该领域的当前水准与进步速度，以及同行的掌握程度。
- 可迁移性。投资的内在资本，是否可以在不同领域的任务中得到训练，并反复放大价值。
对于第二点，我们需要注意一个基本结论：Agent 在一个领域的进步能力，是远超单个个体的。因此，对于 Agent 已经做的比你好的领域，例如，它生成图像的平均水平比你强，那么我们可以考虑主动「退化」，接受 Agent 能做到的平均水平，把有限的注意力分配给其他更重要的能力。
AI 时代真正需要避免的，未必是能力退化，而是没有选择地退化。有些能力退化完全没问题。以前自己查 API、调 CSS、手搓 PPT，现在交给 Agent，本身就是技术进步带来的红利。但如果对品味和判断力这类内在资本的培养，也在不知不觉中一并放弃，才是真正值得警惕的事情。
结语
Agent 时代的到来，毫无疑问正在重塑我们的工作流。我猛然发觉，Agent 的「中等收入陷阱」正让我陷入平庸的沼泽，并让我更加依赖它们。
意识到这一点后，该如何对抗呢？我不是一个能「坚持」的人。对我来说，更好的方式是设计一套机制，这套机制可以让我的人性服从于它，并把我导向到正确的道路上。
正如《反脆弱》一书中传达的理念，一套好的机制，甚至可以帮我反过来利用 Agent 时代带来的红利。通过重塑自己和 Agent 交互的模式，主动创造自己的判断、「异常值」、比较对象，让自己在更能掌握项目状态、获得更优结果的基础上，不断积累自己的品味与判断力，或许更有机会在长跑中胜出。
受限于篇幅，本文还有一些关联思考未能整理，后续也会单独成文，敬请期待。
AI 辅助创作声明
本文的核心观点、文章结构及正文初稿均由作者独立完成。在后续编辑过程中，仅使用ChatGPT对部分文字进行润色和表达优化。文中部分配图使用GPT Image 2根据作者提供的构图、内容和视觉风格要求生成，并由作者进行筛选和调整。
