回想我第一次用AI写代码的场景，至今仍觉得好笑。那是一个Python脚本，我复制了一段GPT生成的内容，甚至没读完就粘贴到了生产环境——没检查，没测试，没思考。那一刻，AI的每一个字都像刻在石板上的神谕，不容置疑。结果？一个诡异的空指针异常，花了我整整两小时才定位到原因。更讽刺的是，回过头去看那段代码，逻辑漏洞一眼就能发现——只是当时我根本没打算发现什么。

那是"蜜月期"，天真而危险。不止我一个人经历过这个阶段——周围几乎所有刚开始接触AI的朋友都走过同样的弯路。AI说什么，我们就信什么，像极了小时候抄作业时那份"别人的答案一定是对的"的笃定。

转折来得并不突然，而是一点一点累积的。某天我让AI帮忙写一个复杂的分页查询SQL，它自信满满地吐出了一段看起来完美无缺的代码。语法正确、注释到位、变量命名优雅——但直觉告诉我哪里不对劲。多看了两眼才发现，它引用了一个根本不存在的表名。幻觉，伴随一脸无辜的自信，差点就蒙混过关了。从那以后，我开始系统性地注意到更多盲点：长对话中上下文悄悄"漂移"、数字被随意编造、因果关系的链条经常断裂……AI擅长制造"看起来对"的东西，但"看起来对"和"实际上对"之间，横亘着一道不可忽视的鸿沟。

现在我对自己和AI的关系有了更清醒的认识。我把这种模式叫作"批判性协作"——不是退回全人工时代，也不是盲目信任，而是像一位资深工程师在评审初级开发者的代码：你不会全盘否定每一行，但你会带着审视的目光逐段阅读。该表扬的地方不吝啬赞美，该指正的地方果断标记。重点永远落在"协作"二字上——我让AI做它最擅长的事：大规模文本生成、快速迭代试错、模式识别与归纳。而我把精力集中在它不擅长的领域：判断什么方向是对的、什么优先级更高、哪里有隐藏的陷阱。

真正的成长不在于学会多么精妙的提示词技巧。我见过太多人沉迷于"Prompt Engineering"，仿佛掌握了某种魔法咒语就能召唤完美输出。但走过这段路之后，我越来越确信最宝贵的技能其实是——知道自己不知道什么，然后用AI系统性地填补那些空白。你知道自己的盲区在哪里，你才知道该让AI搜证什么、该质疑AI的什么输出。元认知能力，才是驾驭AI的真正引擎。

回到日常写稿这件事上，这个认知变得更加具体。AI帮我把文章框架搭好、把素材组织整齐、把初稿跑出来——80%的粗活它干得非常漂亮，效率碾压人工。但最后那20%——风格微调、情感落点、对读者心理的拿捏——必须由我来掌控。这20%不是修补，是定调。没有它，前80%只是一堆漂亮的废话。学会"怀疑"AI，不是在否定它的价值，恰恰是在尊重它的能力。因为真正的信任，从来不需要盲从。