陆游这两句诗，用在学习 AI 上也很贴切。许多人一开始接触 AI，容易把它当成一部无所不知的百科全书：问一句，它答一句；答得流畅，就默认可信。可真正用久了才会发现，AI 的本事并不神秘，它的强处和短处都有迹可循。
它有时像读书破万卷的助手，能迅速解释生活常识、历史典故、科学概念；有时又像翻着旧书找答案的学生，对最新消息、小众事实、专业细节把握不稳。要用好 AI，第一步不是急着学习提示词模板，而是先弄清楚：它的知识从哪里来，什么时候会过时，什么时候需要搜索，什么时候值得做更深入的研究。
这一篇先从“知己知彼”开始。只有知道 AI 何以聪明、何以糊涂，我们后面谈上下文、提示词、写作和多模态应用，才不会变成空中楼阁。
一、问渠那得清如许：AI 到底“读过”什么
AI 的“源头活水”，首先来自预训练。所谓预训练，可以粗略理解为：模型在正式与你对话之前，已经读过海量文本，包括互联网网页、百科、书籍、新闻、论文、论坛、问答社区和各类公开语料。它正是在这些材料中学习语言如何组织、概念如何关联、问题通常如何被回答。
这也是为什么 AI 常常显得“什么都懂”。你问它手机进水怎么办，它大概率会提醒你立刻断电、擦干、不要开机、尽快送修；你问某个广为人知的科学或历史常识，它也能很快组织出答案。这些问题之所以容易回答，并不是因为 AI 正在现场观察世界，而是因为类似信息在公开文本中出现得足够多。
所以，理解 AI 的第一条原则是：它的可靠性与训练数据的分布密切相关。常见主题、稳定知识、反复被讨论的问题，通常更容易得到靠谱回答。比如烹饪、电影、科学概念、历史人物，AI 往往能给出结构清楚、细节也还过得去的解释。
反过来，如果一个问题在公开语料中很少出现，或者只存在于很小的圈子里，AI 就容易不稳。冷门概念、小众活动、公司内部制度、私人合同条款，都不该默认它知道。你问“某个小众山地活动的由来”，它可能需要搜索；你问“我们公司今年的报销规则”，如果没有提供制度文件，它只能猜；你问一份租房合同里某个特殊条款如何理解，最好的做法是把合同原文交给它，而不是让它凭常识发挥。
语言分布也会影响答案质量。像 ChatGPT 这类大模型读过的英文资料通常更多，因此在英文世界里被充分讨论过的问题，知识覆盖往往更厚；而对于一些中文地方性表达、方言、小语种材料或本土行业细节，模型可能会更依赖有限材料。它不是不能回答，而是回答时更需要你提供背景、原文和判断标准。
因此，不要把 AI 的流畅回答误认为真实世界本身。更准确的理解是：AI 像一个读过很多公开资料的助手，擅长在常见知识和语言模式中快速组织答案；但它没有天然通向私有信息、冷门事实和最新变化的神通。遇到常见、稳定、低风险的问题，可以直接问；遇到冷门、隐私或会变化的问题，就要准备更多上下文，或者进入下一步：让它搜索和验证。
二、及时当勉励：知识截止与信息过期
及时当勉励，岁月不待人。知识也是如此。
预训练让 AI 拥有一套广泛的基础知识，但这套知识并不会自动随着现实世界每一天的变化而更新。模型训练在某个时间点结束，它对世界的“记忆”也会在那个时间点附近冻结。之后发生的新事件、新政策，模型默认并不知道。
这就像家里有一套很厚的百科全书。它内容丰富，解释经典概念没有问题；但你不能指望它告诉你今天哪家餐厅还在营业、某款手机此刻的最低价、或者最近网上流行的梗到底从哪来。不是书不好，而是问题本身要求“现在”的信息。
判断一个问题是否可能“过期”，可以看它是否带有时间、地点和状态变化。比如“附近哪家餐厅评分高”“今天适不适合去公园露营”，这些问题都不适合只靠模型记忆。评分会变，天气会变，事情也会变。
相反，一些稳定知识通常可以直接问。比如“为什么水烧开会沸腾”、“简历里项目经历应该怎么写得更清楚”，这些问题不依赖实时状态。即使没有搜索，AI 也能基于已有知识给出有用答案。
所以，使用 AI 时可以先在心里问一句：**这个答案会不会随着时间变化？**如果不会，直接问通常足够；如果会，就要提醒 AI 搜索最新资料，或者自己提供最新文件和链接。知识截止并不可怕，可怕的是把会变化的问题当成不会变化的问题来问。
不过，搜索并不等于万无一失。它能让 AI 临时翻阅现实世界的新材料，却也会带来另一个问题：新材料本身是否可靠？这就进入下一节。
三、尽信书不如无书：Web 搜索也要辨来源
尽信书，则不如无书。
Web 搜索能弥补知识截止，让 AI 接触到更新的信息，但它并不能保证搜到的每一页都可靠。互联网不是一座只收藏经典的图书馆，它更像一条热闹的街市：有官方公告，有学术论文，也有论坛闲聊、灌水软文。
因此，搜索让 AI “看见当下世界”的同时，也会把当下世界的杂质一起带进来。比如你问某种保健品、药物是否安全，如果 AI 随手抓到的主要是商家页面和用户评论，答案就可能有失偏颇，甚至包含错误信息。它可能总结了很多人的说法，却没有真正回答“这些说法有没有证据”。
还有一种更隐蔽的问题：AI 的搜索过程并不总是等同于人完整阅读原网页。很多时候，它会先由搜索系统找到网页，再提取摘要，最后让对话模型基于摘要组织答案。这个流程效率很高，但也可能带来偏差：网页本身没错，摘要可能漏掉限定条件；引用来源存在，解释却被说歪了。于是你会看到一种危险的答案：链接看起来正规，结论却未必严谨。
解决办法不是不用搜索，而是学会约束搜索。凡是涉及健康、药品、法律、金融、政策等高风险问题，都不要只说“帮我查一下”。更好的问法是直接指定来源质量：
请进行网页搜索，但优先参考官方机构、权威组织、同行评议论文或原始法规文件。
请区分事实、来源观点和你的推断。
如果来源之间有冲突，请列出冲突点，不要直接给单一结论。
这类提示的作用，是把 AI 从“谁声音大就总结谁”拉回到“谁证据强就参考谁”。例如判断药品安全性，可以要求优先参考监管机构、医院系统、医学论文，而不是销售页面；了解签证或税务政策，可以要求优先查看官方政府网站，而不是旅行博客；比较产品价格，可以要求说明搜索时间和来源平台，而不是只给一个孤零零的数字。
最后还有个保底的办法：重要信息自己点开原文看一眼。AI 很适合替你收集线索、整理差异、提炼重点，但它不应该替你承担所有判断责任。搜索解决的是“有没有新资料”的问题，辨别来源解决的才是“这些资料值不值得信”的问题。
这里也能看出 AI 和传统搜索引擎的分工。你要找某个官网、下载页面、商品链接，搜索引擎通常更直接；你要比较几份资料、归纳不同观点、形成一份带取舍的说明，AI 更有优势。前者擅长定位原始信息，后者擅长整合与解释。真正稳妥的做法，是让 AI 帮你整理线索，再在关键处回到原始来源核查。
四、操千曲而后晓声：复杂问题需要深度研究
操千曲而后晓声，观千剑而后识器。有些问题，不是查到一两个网页就能回答的。它们需要比较多个来源，拆分多个维度，识别相互冲突的信息，再把证据、限制和取舍合在一起看。这个时候，普通 Web 搜索就显得太薄，深度研究才更合适。
普通搜索擅长回答单点问题。比如“这周天气如何”、“店铺今天是否营业”，核心是找到较新的事实。深度研究面对的则是另一类问题：天气、预算、同行人的年龄、交通方式、节假日人流、酒店位置，会如何共同影响一次旅行安排？这就不是“查一个答案”，而是 “做一轮分析”。
深度研究的工作方式更像研究助理。它通常会先把问题拆开，判断需要哪些信息；再围绕不同方向多轮搜索，筛选来源，补充缺口；最后把材料整理成结构化报告。比较好的深度研究，不是上来就写结论，而是先给出研究计划，让你有机会检查方向是否跑偏。这个过程会更慢，可能需要几十秒到几分钟，但换来的是更完整的视野。
生活里适合深度研究的场景很多。比如你要给一家人规划假期旅行，普通搜索能告诉你某地天气和机票价格，深度研究则可以进一步比较路线、预算、老人孩子体力、交通方式和备选方案。再比如你想判断“每天走一万步是否真的有必要”，普通搜索可能给你几篇健康文章，深度研究则应该比较医学研究、年龄差异、运动强度、伤病风险和长期坚持的现实难度。
但深度研究也不是越多越好。它适合复杂、重要、需要权衡的问题，不适合替代所有查询。问“明天会不会下雨”，不必动用深度研究；问“今年暑假带父母和孩子去哪里更合适”，就值得让 AI 多花些时间。关键不在于把工具用得多复杂，而在于问题本身是否值得这么处理。
可以用一个简单标准判断：如果答案只需要一个事实，用搜索；如果答案需要多项事实之间的关系，用深度研究。前者解决 “是什么”，后者解决 “如何看、怎么选、为什么这样选”。
五、知其先后，则近道矣：三层工具选择法
《大学》：“物有本末，事有终始，知所先后，则近道矣。”用 AI 也是如此。很多回答质量不高，并不是因为提示词不够花哨，而是从一开始就选错了信息路径：该凭常识时大动干戈，该查资料时闭门造车，该深入研究时又贪图秒回。
可以把 AI 的信息能力分成三层。
第一层，是预训练知识。它适合常识、稳定知识和低风险问题，速度最快。比如解释一个概念、整理一段文字、给出常见故障的处理思路，通常可以直接问。这里要利用的是 AI 已经“读过很多书”的优势。
第二层，是Web 搜索。它适合最新、本地、动态变化的信息，比如天气、价格、政策、营业时间、评分和新闻。这里要利用的是 AI 临时查资料的能力，同时记得约束来源，别让论坛闲聊和商业软文替你做判断。
第三层，是深度研究。它适合复杂分析、重大决策和多来源整合，比如旅行规划、职业选择、行业调研。这里要利用的是 AI 拆问题、找资料、做权衡的能力，但也要接受它需要更长时间。
下次提问前，可以先问自己三个问题：
- 这个问题是不是稳定常识？如果是，直接问。
- 这个问题会不会随时间、地点、价格、政策而变化？如果会，要求搜索。
- 这个问题是不是需要比较多个因素并做取舍？如果是，用深度研究。
这就是“知其先后”。会用 AI 的第一步，不是写出漂亮提示词，而是先判断问题属于哪一类。问题分清了，后面的上下文、提示词和工具选择才有着力点。否则，再长的提示词也可能只是把错误方向说得更详细。
