“Ask Claude” 重定向：技术指导中实践经验的侵蚀

“Ask Claude” 重定向作为专家知识的障碍

当专业人士在面对一个复杂问题——尤其是缺乏行业共识或需要细致判断的问题——时，惯性的回应 “Ask Claude”（或其他 LLM）往往充当了障碍，而不是通往解决方案的桥梁。对提问者而言，这种重定向令人沮丧并不是因为他们在回避工具，而是因为问题已经超出了 LLM 的能力范围。资深专家的价值不在于他们能够综合已有文档，而在于他们的 “疤痕组织”：亲眼目睹决策实时失败的实践经验，以及对共识错误之处的洞察。

共识与经验之间的差距

共识知识： 这指的是教科书、文档以及大多数在线讨论中出现的内容。LLM 在提供 “前十名列表” 或基于训练数据的最可能答案方面表现出色。
实践经验： 这包括数十年实践中获得的具体、非显而易见的洞见——例如在五种冲突的研究中知道该信任哪一个，或识别出与标准手册相矛盾的模式。

正如原文所述，向导师询问他们的具体意见，就像向朋友请求基于共同口味的餐饮推荐，而不是索要一份城市中最佳餐厅的精选列表。目标是获取一种难以书写、更加难以搜索的视角。

为什么会出现 “Ask Claude” 的回应

对话分析表明，资深专业人士默认使用 LLM 重定向的原因有以下几种：

1. “工作证明”问题

许多专家对来自未尝试自行导向或使用基本搜索工具的初级人员的 “低投入”提问感到疲惫。在这种情况下， “Ask Claude” 是一种鼓励自给自足的合法方式。正如一位贡献者所指出的，提供对已尝试方案的详细拆解（例如 “我尝试了 A、B、C；A 更可取但 C 更快”）通常可以避免 LLM 重定向，因为这展示了 “工作证明”。

2. “我不知道”的礼貌代理

将请求转向 AI 可能是一种社会上可接受的拒绝方式。它可以作为以下礼貌表达的替代：

“我现在没有时间处理这个。”
“我不知道答案。”
“我已经忘记了你所寻找的具体细节。”

3. 对工具优越性的真实信念

一些有经验的专业人士相信，LLM 现在能够比他们手动回忆更准确或更快速地综合信息。从这个角度看，LLM 是专业工作流的 “下一步”，将他人指向它被视为获得正确答案的最高效路径。

对 AI 过度依赖的技术成长风险

虽然 LLM 能提供即时答案，社区仍指出与 “Ask Claude” 文化相关的若干系统性风险：

学习萎缩： 当开发者使用 AI 完成本应手动学习的任务时，他们可能无法培养验证 AI 输出是否正确的基础技能。这可能导致一种情形：工作 “看起来不错，但关键细节却是垃圾”。
机构知识流失： 随着公司依赖 AI 并通过裁员或退休计划逐步淘汰资深角色， “机构知识”——即 为什么 某些事物以特定方式构建的背景——会随之消失。LLM 无法恢复从未在线记录的知识。
知识崩溃： 人们担心，随着 AI 生成内容充斥互联网，原本由人类驱动的专业知识池将缩小，导致出现 “巨大的知识崩溃”，即 AI 代理仅仅复述其他 AI 代理的内容，而缺乏新的人工洞见。

改善技术询问的策略

为避免 “Ask Claude” 重定向并获取高价值的人类洞见，建议采用以下沟通策略：

以研究为先： 明确说明已经咨询过 LLM，并解释其答案为何不足。
定义差距： 清晰区分对信息（LLM 能提供）的请求与对判断（需要人类）的请求。
提供上下文： 与其问 “做 X 的最佳方式是什么？” 不如问 “我在 X 与 Y 之间做选择；基于您在 [具体项目] 的经验，哪种权衡更危险？”