在AI时代，你的护城河不是会用AI，而是你懂的比别人深。LLM不是来拉平地面的，它是来把山顶抬得更高的。
事件回顾
本周，Sean Goedecke 的一篇博客文章《LLMs reward expertise》在 Hacker News 上引爆了讨论——1090 points、454条评论，冲上了 HN 首页第一。
文章的核心论点出人意料却又击中要害：使用LLM最重要的技能，不是"提示词工程"，而是你在那个领域的专业深度。
他举了一个让人无法反驳的例子：数学家陶哲轩（Terence Tao）与 ChatGPT 关于 Jacobian 猜想的对话。同样的模型，陶哲轩能用它探索前沿数学问题、发现反例——而你我用同一个 ChatGPT，连聊天记录的第一页都撑不过去。
不是模型不同。是人不同。
为什么领域专家碾压"提示词工程师"
Goedecke 分析陶哲轩的对话，提炼出几个关键差异：
-
陶哲轩的消息极短，从不逐条回复模型的每个观点。他传递的是"我是数学家"的信号，模型自动进入"和数学家对话"模式，而非"给外行解释"模式。
-
陶哲轩一直在引领方向。他说"这个看起来比我预期的复杂"、"但我们不是已经做了X吗"、"能不能用这些熟悉的术语表达"。他不是依赖模型的建议——他在指挥模型。
-
陶哲轩从不把模型的建议当真理。他在推动模型给更好的答案，而不是让模型替他思考。
Goedecke 自己也验证了这一点。作为 GitHub 的高级工程师，他说："如果我对自己的代码库有深刻理解，我能把 LLM 推出远超'新手水平'的结果。因为我知道什么方案是好的，我能说'不，这里可以更简单'，'我们能不能换个方式表达'。"
人类才是瓶颈，模型不是。 困难不在于模型有没有这个能力——能力已经在模型里了。困难在于人类是否有足够的知识把能力拉出来。
这对 AI 创业者意味着什么
HN 评论区有一条高赞回复说得特别直白：
"这听起来像是在安慰我们'人类还有价值'，可能有点自我欺骗。但说实话——在模型强到能自动理解'你到底想要什么'之前，领域知识就是护城河。"
另一条更尖锐：
"如果你是一个'AI提示词专家'但没有任何垂直领域的深度知识，你的职业寿命可能不超过 18 个月。但如果你是一个懂金融的 AI 使用者，或者懂医疗的 AI 使用者，你的价值会指数级增长。"
这对于我们 AI 创业者，尤其是正在做AI Agent 工具赛道的人来说，有三个关键启示：
1. 抛弃"通用 AI 运营"的幻想
很多人以为学会了用 ChatGPT、Claude Code、Cursor，就能做一个"AI一人公司"。但 2026 年上半年的大量失败案例告诉我们：AI 解决的是"制作"，解决不了"卖给谁"。
虎嗅 2026 年 7 月的深度报道《第一批"一人公司"老板已经退场》揭示了一个残酷现实：AI 让供给端无限膨胀——人人都能用 AI 做帆布包、做短剧、做设计。但需求端纹丝不动。同质化是 AI 时代的头号杀手。
2. 垂直深耕 > 横向拓展
回到我们「AI创业内参」自己的赛道——AI Agent 工具。如果你只是泛泛地说"我会用 Hermes Agent 和 OpenClaw"，你和另外 10 万个会用的开发者有什么区别？
但如果你深耕一个具体场景——比如"用 Hermes Agent 做跨境电商的自动化客服体系"，或者"用 OpenClaw + MCP 协议做医疗行业的病历结构化处理"——你的不可替代性立刻上升几个数量级。
3. 把 AI 当作放大器，而不是替代品
Terence Tao 用 ChatGPT，不是让 ChatGPT 替他做数学。他是用 ChatGPT 来放大他已经有的数学直觉。这和我们用 Claude Code 写代码是一个道理——你不懂代码架构，Claude Code 只会给你生成能跑但迟早要炸的屎山；你懂代码架构，Claude Code 是 10 倍效率的加速器。
行动建议
- 深耕一个细分领域，至少投入 3-6 个月积累真正的行业知识，不要满足于"AI + 一切"的泛化标签
- 把自己的领域知识显性化：写成 Skill、写成 Prompt 模板、写成 SOP 流程。这就是你的"数字资产"，AI 无法复制
- 用 AI 做你本来就会做的事，而不是让 AI 做你完全不懂的事。先用人类知识建立框架，再用 AI 加速执行
- 关注"Harnes Engineering"这个新趋势：Lilian Weng（OpenAI 前安全负责人）最新文章指出，Agent = Model + Harness，决定 Agent 天花板的是 Harness 非模型本身。这篇文章解释了为什么 Hermes Agent 的"自我学习闭环"（Skills 系统）如此重要