是 Idea，不是 Code

Gary Yang2026 年 4 月

上周，Andrej Karpathy 分享了一个工作习惯：用 AI 为自己的研究兴趣构建个人知识库。

在 AI 代理时代，分享具体代码的意义正在变小。你只要分享想法，对方的 AI 代理就会根据自己的需求定制并构建它。

他把这种"想法"称为 idea file：一份描述"你想做什么"的文档，刻意保持抽象，不写具体实现步骤。

Andrej Karpathy 之前是特斯拉 AI 总监，也是 OpenAI 的创始成员之一，现在仍是这个行业最有影响力的技术思想者之一。这个主题对我有很强的吸引力。我翻看了这个主题下精彩的回复，一直看下去，因为直到今天，人们的回复和应用实例还在持续增加。

前段时间，我开发了一个工具，叫 MIPOC，是一套专为"向上汇报、需要决策"场景设计的人与 AI 协同指南。

MIPOC 的核心逻辑是：AI 先读你的项目材料，再站在决策者的位置提出一组关键问题。这些问题既是汇报者的思考提示，也是汇报逻辑结构的直接参考。

这个东西很有价值。但读完 Karpathy 的推文后，我意识到：MIPOC 里其实有两层不同的东西，我自己还没有分清楚。

MIPOC 的操作手册，也就是学员可以直接复制粘贴的 Prompt 模板——是"代码"，是具体的执行。

而 MIPOC 背后的思想前提——汇报的本质是说服而非解释；仅凭项目材料，AI 无法读出决策者的思维习惯；情境要素（Context）是让汇报从通用变成专属的核心变量——这些，才是 Karpathy 说的那个 idea file。

我把两者混在一起做成了一个工具，但学员拿到手里的，更多是"怎么用"，而不是"为什么这样想"。他们能操作 MIPOC，却不一定理解 MIPOC——一旦遇到工具没有覆盖的场景，就会卡住。

现在，我需要改进 MIPOC。

Karpathy 的判断指向一个更大的问题：

当执行成本趋近于零，什么东西变得更贵了？

答案是：洞见本身，也就是：怎么想这个问题。

这不是 AI 时代的新发现。但 AI 的到来让它的分量急剧上升，因为执行层的差距正在被快速抹平。以前你靠勤奋和经验积累的那些"实用技能"，现在 AI 能在几秒钟内完成一个可用版本。

剩下来的，是你能不能在动手之前，先把正确的问题想清楚。

教授汇报课程已经十五年了，我一直在说一件事：

汇报最大的障碍，不是表达技术的问题，而是思考的起点错了。大多数汇报者的第一个动作是打开材料——我有什么数据，我做了什么分析，我知道什么结论。这是一种以自我为中心的解释行为。走到底，产出的是自我工作的说明书，而不是对话；离构成说服还差得很远，基本不会推动任何事情。结果也差不多就是——汇报凉了。

这个思考的起点如果没做好，AI 的到来只会加重问题。

因为 AI 确实能帮你生成一份看起来结构完整、逻辑清楚的汇报材料。但请你自问：你给 AI 提供的那个起点，质量怎么样？

你有没有在开动 AI 之前，先想清楚这次汇报的听众是谁？他为什么要来听你的汇报？他听完之后要做什么决定？他的决策习惯是什么？他现在最担心的问题是什么？这个项目在他脑子里处于什么位置？

这些问题，省不了对人际情境的思考；而 AI 正等着你输入这些关键的 Context。没有这些 Context，它怎么帮你？你觉得它能靠"世界知识"把这份汇报做成专属版本吗？

考察目标听众这件事，AI 出现之前就是"最被忽略的重要之事"；AI 来临之后，仍然是"都以为不是问题，而恰恰是个问题"。有人的工作方式，是冷落了 Prompts，转而去追 Agents——好像跳过"想清楚问题"这一步，让 AI 代理直接跑起来，事情就能解决。这只是同一个错误的升级版。

人们朝着答案狂奔，却忘了问：提问者何人？

AI 这么厉害，还有人需要上培训课吗？

这个问题的答案，这两年越来越清晰：

如果一门课教的是"给你一个模板，教你用一个工具"，那确实危险。因为模板本身的价值在下降，AI 也正在变成通用工具。

但如果一门课教的是——在高利害的沟通场景里，如何在开口之前把正确的问题想清楚——这种能力的价值反而在上升，因为 AI 恰恰在这里最需要人。

Karpathy 的表述是：分享 idea，不分享 code。代理来执行。

对我来说，这句话可以翻译成：我应该交付的，是帮学员建立"人际情境问题"的思考能力，而不只是给他们一个模板和一把锤子。

这两件事不是非此即彼——锤子当然有用。只是锤子可以被取代，而对人际情境的思考却很难。

一个问题留给正在读这篇文章的你：

你现在的工作，核心交付的是"工具"，还是"思考方式"？如果 AI 把你的工具做得比你更好，你还剩下什么？

这个问题，我每隔一段时间都会问自己。