结论先行！！！

这两天，我做了一件很有意思的实验。

事情其实很简单。

我想把一首古诗排版成一张漂亮的图片。

按理说，这应该是 AI 最擅长的事情之一。

于是，我开始不断和 AI 对话。

我换提示词。

换模型。

换描述方式。

甚至让 AI 自己分析为什么失败，再重新尝试。

结果，还是失败了。

后来我发现了一个细节。

如果古诗里面没有笔画特别复杂的汉字，AI 很容易成功；一旦出现笔画稠密的字，排版就开始出现各种问题：错字、漏字、变形、位置错乱……

我一开始觉得，这是模型能力的问题。

后来，我把同样的需求交给了另一个 AI。

它没有继续尝试生图。

而是写了一段 HTML，调用浏览器完成排版，再导出成图片。

整个过程，一次成功。

那一刻，我突然意识到：

真正完成任务的，不是某一种 AI 能力，而是 AI 选择能力的能力。

我们一直在要求 AI 做一件它并不擅长的事

回过头来看，我之前一直在让 AI 用「生图」解决「排版」。

这就像让一个画家去当印刷厂。

画家可以画得很好。

但排版，本质上不是绘画。

它要求的是精确布局、字体渲染、像素对齐。

这些恰恰是浏览器、排版引擎、PDF 工具几十年积累下来的能力。

AI 没有必要重新发明一套。

它真正应该做的是：

知道什么时候画，

什么时候排，

什么时候写代码，

什么时候调用工具。

也就是说：

AI 的价值，不只是自己做，而是知道谁最适合做。

更让我意外的是，我自己也掉进了同样的陷阱

后来我开始反思。

为什么我一直没有想到换一种方式？

答案其实有点扎心。

因为我的脑子里，已经默认把这个任务定义成了一个「生图任务」。

于是，我所有的提示词，都围绕着如何让模型画得更好。

我一直在优化提示词。

AI 也一直在优化提示词。

但没有一个人跳出来问一句：

这个任务，真的应该用生图来完成吗？

现在回头看，这才是真正限制 AI 的地方。

很多时候，限制 AI 发挥的，不是模型能力。

而是我们对任务的定义。

我们一开始就把问题框死了。

AI 也就在这个框里面不断努力。

AI 其实也有类似的问题

我发现，大模型在工具调用上，也存在类似的局限。

它已经会调用很多工具。

会写代码。

会生成图片。

会搜索。

会运行脚本。

甚至还能调用浏览器。

但是，当面对一个新任务时，它并不总能快速判断：

到底应该调用哪一种能力。

它经常会在一个方向上不断尝试。

失败。

继续尝试。

再失败。

而不是重新定义问题。

如果把整个过程画出来，会发现很多 AI 的思考路径是这样的：

任务来了。

先想到一个熟悉的方法。

如果失败，就继续优化这个方法。

而不是重新判断任务属于什么类型。

这和很多人的思维方式，其实非常像。

我越来越觉得，真正重要的是「任务路由」

经过这次实验，我开始形成一个新的习惯。

以后接到任何任务，我不会马上想着怎么做。

而是先问自己几个问题。

这个任务属于哪一种表达系统？

它最终输出的是文字、图片、代码、表格，还是架构图？

它由哪些基本元素组成？

真正需要执行的操作是什么？

需要处理到什么颗粒度？

最后，才去选择最合适的能力链。

工具，只是能力链上的一个节点。

它不是起点。

真正的起点，是理解任务。

AI 时代，也许真正需要升级的是我们的思维

以前，我们总觉得 AI 不够聪明。

现在我越来越怀疑：

很多时候，不是 AI 不够聪明。

而是我们的思维方式，还停留在「拿着锤子找钉子」。

一旦脑子里先有了工具，问题就会自动变成工具能够解决的样子。

于是，我们会不断优化提示词。

不断换模型。

不断等待下一代 AI。

却很少重新定义任务本身。

未来，AI 的能力一定会越来越强。

工具调用也会越来越智能。

但在那之前，也许我们自己应该先学会一件更重要的事：

不要急着解决问题，先理解问题属于什么问题。

真正限制 AI 发挥能力的，有时候不是 AI。

而是人对问题的理解方式。

当人能够跳出自己的思维框架时，AI 的能力边界，也会随之扩大。