上周一篇在掘金热传的帖子提到一个细节：有人一周装了二三十个 AI 插件，等到真正要干活时，脑子里一个都想不起来用。帖子的判断是，知道自己装了什么是入门第一关，知道自己手头的活儿卡在哪才是真正入了门——玩 AI 玩到最后，练的是诊断能力，不是工具知识。

这是什么

帖子给了五道测试题。不用翻书，凭第一反应答是或否：过去一个月有没有一件活儿是整个交给 AI、它把结果交回来的；"一周做三遍"的活儿有没有一件已经交给一个固定流程；派活时你会不会补一句"读者是谁、要什么格式、别写什么"；它给你的答案里有没有被你核出不对；它卡住时你能不能说出缺的是材料、视角、还是工具。答"是"0-1 个还在用老办法；2-3 个能用但每件都得重新交代；4-5 个已经不在意工具数量，只在意活儿卡在哪步。

帖子把 AI 的短板归成三类：缺上下文（不知道你的业务长什么样）、缺视角（答案像正确的废话）、缺工具（够不着数据）。Skills（按模板帮 AI 干某种活的插件）、角色专家、MCP（让 AI 直接读你公司内部数据的协议）这些词，认得就好，不必死背。恒定值钱的是追问本身——它到底缺什么。

行业怎么看

这个判断在工具教育圈里有共鸣。反对意见也有：有人觉得帖子低估了新工具本身的颠覆力。两年前没人能想象 AI 直接读你的工单系统数据库，明天的新工具可能让今天所谓"诊断能力"变成多余的基本功。也有更现实的批评：诊断能力听起来对，但对没接触过业务建模的普通员工来说几乎没法教，等于告诉一个新人"要有判断力"却没说怎么练。我们这边的看法是，方向对，但缺一环：诊断需要先有一份"我手头哪些是重复劳动"的清单，这恰恰是大多数人懒得写的部分。

对普通人的影响

对企业 IT：真正该投钱的方向，从"全员工具培训"转向"帮业务人员把卡点写清楚"，IT 部门的培训内容得重新设计。

对个人职场：列一遍你这一周做的事，找重复度最高的那一件，看是上下文补不齐、视角不准，还是数据够不着，再决定要不要让 AI 上。

对消费市场：AI 工具的卖点从堆功能转向"帮你想清楚问题"，能设计出好 onboarding 问答的产品，会比功能表漂亮的产品更有粘性。