AI 能写文章，但写不出能力
AI 写得挺好，为什么还要自己写？
AI 给个主题就能生成结构清晰、逻辑通顺的文章。那自己写图什么？
要看你写博客是为了什么。
如果目标是内容生产：传播、曝光、SEO、涨粉，那 AI 确实能帮你干完大部分活。你出方向，它负责生成和优化。
但如果写博客是为了提升能力和决策质量，那就不一样了。
AI 生成的文章看上去很好，但你可能只是"完成了一篇文章"，没有"形成能力"。读懂了，不代表真实场景里用得上。记住了，不代表压力下能做对。
AI 可以替你产内容，很难替你长能力。
能力是用出来的，不是读出来的
就像代码和文档的区别。AI 能写文档告诉你"函数怎么用"，但写文档这件事本身不会让你学会写代码。你可以读懂文档，但没写过代码，你还是不会写。
写作也一样。AI 生成一篇"如何做决策"的文章，步骤、原则都有。但如果你自己没推理过、没找过反例、没做过取舍，真实场景里你用不上这些东西。
能力形成有三层：
- 文本模型（AI/文章）：写在纸上的结构，能读懂
- 概念模型（复述/质疑）：用自己的话讲一遍，找反例，质疑边界
- 行为模型（真实调用）：压力下自动调用，做对
AI 擅长生成文本模型，但从文本到行为的跨越它帮不了你。这段路只能自己走：推理、找反例、应用、犯错、修正。
这篇文章在说什么，不在说什么
我讨论的是一种特定写作目标：把经验压成可复用的决策模型。
适用场景：你写作是为了能力提升、决策质量提升、积累复利型认知资产。最终想留下 checklist、decision tree、runbook 这类东西。
纯记录型（生活日记）、纯传播型（资讯搬运）、纯共鸣型（情绪叙事）、纯教学型（面向新手 step-by-step），不在讨论范围。这些有各自的价值，只是如果你追求"可复用的决策能力"，衡量标准不一样。
举个例子：通用教程的边际价值越来越低，但"踩坑后的反直觉决策型教程"仍然值钱。区别在于：有没有把经验压成模型，还是只把步骤复述了一遍。
人做什么，AI 做什么
既然 AI 产内容行、长能力不行，那怎么分工？
我用 A/B 类错误来区分。
A 类错误：会改变行动选择的错误（做错事、做了不该做的事）。立场、因果、边界、证据、最终结论，必须人来把关。
B 类错误：不改变行动选择的错误（只影响阅读体验）。结构、措辞、例子、标题、润色，交给 AI 没问题。
灰区判定：一个"表达/结构"如果导致边界条件被省略，让读者行动变了，就按 A 类处理。
| 错误类型 | 定义 | 影响 | 责任归属 |
|---|---|---|---|
| A类 | 会改变行动选择 | 做错事/误用 | 必须人负责 |
| B类 | 不改变行动选择 | 只影响阅读体验 | 可交给AI |
| 灰区 | 表达导致边界条件省略 | 让读者行动改变 | 视为A类 |
判定标准只有一个：行动是否改变。不是"理解是否改变"，因为最终都要落到行动上。
比如：把一个 tradeoff 写成"总是更好"，边界被抹掉，读者会误用，行动改变了，这就是 A 类。把段落润色得更顺更短，结论没变，读者行动不会改变，这是 B 类。
思考幻觉：完成感不等于拥有
最大的风险是思考幻觉。
AI 生成的文章容易让你产生"我已经想过了"的错觉。读懂了，记住了，甚至能复述了。但没经历过推理、反例、取舍的过程，压力下你调用不出来。
怎么识别？两周后回到真实场景，你能用上吗？用不上的话，那只是"完成了一篇文章"。
内化有三个层次：
- Level 1：需要提示才能想起。有价值，适合短期或低频知识
- Level 2：能复述核心机制。适合中频复用
- Level 3：真实情境中自动调用并做对。这是你想攒的复利资产
停留在 Level 1 或 2，大概率只是"完成了文章"。
AI 生成不是没用，但对能力形成的贡献取决于你有没有参与推理和取舍。一个结论如果没经历过推理、反例、取舍，它很难在压力下被调用。
和 AI 怎么协作
AI 有价值，但不能替你长能力。协作的前提是：AI 输出默认不可信，只当候选用，过了校验才能进正文。
AI 擅长四件事：发散生成（提供候选）、对抗审计（帮你攻击自己的论点）、结构压缩（建模）、表达优化（省时间）。
但每一项都有失败模式：
| AI 能力 | 可能出错的地方 | 人该怎么把关 |
|---|---|---|
| 发散 | 噪音多 | 按目标函数筛选 |
| 攻击 | 浅层挑刺 | 追问到因果链 |
| 压缩 | 丢边界 | 边界回填检查 |
| 建模 | 自信胡编 | 最小反例验证 |
最终模型的所有权必须在人手上。AI 生成文本模型，人负责把文本模型训练成行为模型。
能力形成就是慢的
内容生产可以快、可以批量、可以外包。能力形成必须慢、必须亲自来、必须长期积累。
AI 加速的是信息处理（生成候选、攻击、压缩），加速不了内化过程（推理、反例、应用）。从文本模型到行为模型的跨越需要时间，这个过程只能靠实践完成。
怎么落地
怎么把文章转成可复用的决策模型？一个最小可用模板：
- 情境/触发条件：什么场景下适用
- 结论/动作：该做什么
- 约束/不做什么：边界条件
- 风险与可逆性：错了代价多大，能不能回滚
- 更新信号：出现什么迹象就该修正
两周后回来看一眼：这个模型在真实场景里用上了吗？效果怎么样？有新情况的话，更新对应维度就行。
关键是把文章转成可执行的资产（checklist、decision tree、runbook），别只留下一篇文章。
收尾
我现在写博客的方式就是这套逻辑：AI 帮我产候选、做压力测试，但推理和取舍我自己来。写完之后压成决策模型，两周后看能不能在真实场景里调用。能调用的才算能力，调用不了的就只是一篇文章。