别再只说“去问LLM”了

在技术交流中，我们是否曾遇到这样的情况：当你带着一个棘手的问题，经过数小时的资料查阅和反复思考，甚至已经与大型语言模型（LLM）进行了多轮对话，却依然找不到满意的答案时，你向一位经验丰富的同行求助，对方却轻描淡写地告诉你：“去问问Claude吧。”

这种经历正变得越来越普遍。一位技术写作者在个人博客中分享了她的亲身遭遇。她为了一个没有行业共识的难题，特意预约了一位资历深厚的高管进行电话沟通。她想要的不是教科书式的标准答案，而是对方在三十年的职业生涯中，通过无数次决策失误和成功所积累下来的、搜索引擎无法提供的“实战智慧”。然而，对方的回答却是“老实说？去问Claude”。

这并非孤例。作者回忆，此前她曾为一个数据问题困扰多日，尝试了六种不同的方法，并详细记录了所有失败的路径。当她向几位从事相关工作的朋友求助时，几乎所有人都给出了同样的建议——去问LLM。而事实上，在她向任何人求助之前，她早已花费数小时与LLM反复沟通，消耗了大量Token，问题本身已经“幸存”于模型的回答范围之外。

这种现象与过去的“LMGTFY”（Let Me Google That For You）有着本质区别。后者针对的是那些不愿自己动手搜索、期望他人无偿代劳的懒惰提问者。而现在的“去问LLM”，则更像是一个朋友向你询问餐厅推荐，你却直接甩给他一份大众点评Top 10榜单。提问者真正需要的，是基于共同品味、共同经历和信任基础的个人见解——比如“我知道那家店虽然评分高，但环境太吵，不适合你想要的安静聊天”。这种由经验和关系网络构成的独特视角，是任何算法和数据库都无法替代的。

作者推测，“去问模型”可能已经演变成一种礼貌的推辞。它可能意味着“我不知道”、“我没时间仔细想”，或者“我懒得动脑筋”。相比直接说“我很忙”或“我也想不出你还没试过的办法”，这种重导向虽然听起来更“专业”，却实实在在地剥夺了对方最宝贵的资源——一个人的、具体的、有血有肉的亲身经历。这种经历难以被文字记录，更难以被搜索引擎索引，却往往是解决那些“非标”问题的关键。

当然，作者也理解，成为那个“被求助的人”需要付出巨大的精力。在忙碌的工作日里，不是每个人都有余力去进行深度思考和认真回应。很多问题也确实可以通过LLM或搜索引擎轻松解决。但当一个问题已经“超越”了模型的能力范围，一句“去问Claude”并不能节省任何人的时间，它只是将求助者本应获得的、来自数十年经验的深思熟虑的答案，悄悄地扣留了下来。

在AI工具日益强大的今天，我们不应忘记：最珍贵的知识，往往藏在那些经历过失败、拥有“伤疤”的人脑中。下一次，当有人带着一个真诚的问题向你走来时，或许我们可以先放下“推荐模型”的冲动，试着分享一点自己的故事。