有人花了4亿token，只为了做一个象棋网页应用。这个数字来自Brian Lui在社交平台上分享的一个例子——他认识的一位开发者，在完全不懂编程的情况下，用AI硬生生堆出了一个象棋网页。

4亿token是什么概念？按主流模型的定价粗略估算，这笔开销足够让一个专业团队从头写好几个完整项目。但这位开发者选择了一条更"笨"的路：反复迭代，不断试错，直到AI终于猜对他想要什么。

问题不在模型，在表达

Agent范式下有一个让人不太舒服的真相：真正的瓶颈不是agent能力，也不是模型能力，而是人的理解。

常见的失败模式是这样的——当人们在自己专业领域之外做事时，根本不知道该怎么把prompt和计划写得精确。结果只能靠大量轮次"模糊地反复迭代"，既费时间又费token。那位花掉4亿token的开发者，大概率就卡在这个循环里。

这不是非程序员才会遇到的问题。Agent降低了门槛，几乎每个人迟早都会在自己专业之外操作。一个后端工程师想做个设计工具，一个产品经理想搭个数据管道，都会撞上同一堵墙：你不知道自己不知道什么，所以也没法告诉AI你到底要什么。

解法比想象中简单

既然瓶颈是理解，那解法就很直接：先让模型教你不懂的东西。

不要一上来就让AI写代码。先问它这个领域的基本概念是什么、常见的坑在哪里、一个合理的方案应该包含哪些部分。等你对要解决的问题有了基本认知，再动手写prompt，精度会完全不一样。

盲目迭代和先补课再动手，效率差距可能是数量级的。前者是在黑暗中扔飞镖，后者是先开灯再瞄准。

领域知识决定了表达的精度。缺知识的时候，让模型补课的成本，远低于让它反复猜你心思的成本。

AGI之后，瓶颈还是人

这个结论可以推得更远：agent时代，甚至实现AGI之后，人本身的理解会一直是瓶颈。

模型能力在涨，agent能力在涨，但人把需求翻译成精确指令的能力，涨得没那么快。工具越强，这个落差反而越明显——因为你能做的事变多了，但你说不清楚自己想做什么。

4亿token的象棋网页，与其说是个笑话，不如说是个提醒：在抱怨模型不够聪明之前，先想想自己有没有把问题说清楚。