会用 LLM，不等于只会写 Prompt
Sean Goedecke 认为，和 LLM 协作时最重要的能力仍是领域知识：它让人能判断答案、提出替代路径并约束任务。HN 的热烈讨论也提醒我们，这是一篇经验文章，不是已经定论的研究结果。
领域知识更像地图和罗盘：它不能代替模型生成候选方案，却决定人怎样选择方向和验收结果。
2026 年 7 月 24 日，开发者 Sean Goedecke 写了一篇短文：LLMs reward expertise。截至 8 月 9 日抓取，Hacker News 上的讨论已有 1,409 分和 571 条评论。这个数字说明它碰到了不少人的真实体验，却不等于文中的观点已经被验证。
文章反驳的是一种常见想象：既然每个人都能调用同样的模型，提示词技巧就会把经验差距抹平。Goedecke 的看法恰好相反——模型确实让更多人可以完成过去需要专门技能的零散任务，但决定结果上限的，仍是你是否理解正在处理的领域。
专业知识改变的不是措辞，而是判断
作者用 Terence Tao 与 ChatGPT 讨论数学问题的对话作例子。Tao 的提问不长，也不逐句回应模型；他会在答案看起来不对劲时调整方向，并不断提出自己的猜想。Goedecke 认为，表面上可模仿的是“简短、直接、会追问”的写法，真正不可照抄的是背后的数学判断。
放到软件工程里，这个区别更容易看见。熟悉代码库的人不一定能写出更花哨的提示词，但通常能问出不同的问题：
- 这个接口不是已经有一条兼容路径了吗？
- 这个修复会不会破坏某个边界条件？
- 如果把约束换成现有领域术语，方案还能成立吗？
- 这个改动为什么需要这么复杂，是否有更小的实现？
这些问题不是固定模板。它们依赖对历史决策、数据模型、运行约束和失败模式的了解。模型可以给出多个候选实现，但不能替人决定哪一条与当前系统相容；当人连“不对劲”具体在哪里都说不出来时，也很难有效地要求模型修正。
Goedecke 把这种能力称为对代码库的 theory：知道系统大致怎样工作、哪些词在这个项目里有特殊含义、什么样的答案看似合理却会制造问题。模型越强，这种判断未必越不重要，因为更强的模型也会更快地产出更多看似完整的选择。
这张图是本文的工程归纳，不是原文声称已经验证的生产流程。
“人是瓶颈”并不等于模型没有价值
原文有一句很值得保留的限定：缺少领域知识时，依靠 LLM 得到一个“至少能跑”的结果并不坏。问题在于，同一个模型面对两种人时，能获得的信息不同。熟悉领域的人可以提供局部事实、排除错误方向，并判断输出是否满足目标；陌生的人往往只能把模型的解释当作下一个提示词的来源。
这也是为什么“模型知识已经足够，为什么还做不出来”常常问错了方向。困难可能不在模型能否列出选项，而在于人是否能把想要的结果、不能接受的后果和已有条件讲清楚。
把领域信息留在项目里能减轻一部分问题。比如在开始实现前，先记录实体定义、不可改变的规则和曾经的取舍；模型有了这些内容，至少不会每次从模糊的自然语言猜起。上一篇《别急着让 AI 写代码，先把项目里的词讲清楚》讨论的正是这类做法。不过，文档只是把已知信息变得可查，不会替代对新情况作出判断的人。
HN 评论中的反例同样重要
HN 讨论没有形成整齐一致的结论。有人讲述缺少软件经验的朋友与模型长时间停留在功能讨论，连让模型产出可保存的网页文件都很难开口；也有人讲述没有编程背景的家人借助免费模型、文档和不断试错，最终做出了自己日常在用的机器人。
这些都只是个人经历，不能证明“初学者必然不行”或“专业人士必然更高效”。但它们指出了几个会改变结果的条件：任务是否足够具体、工具是否适合新手、用户是否愿意学习术语和排错、是否有人在部署与安全环节把关。把所有差异归结为会不会写 prompt，显然太粗糙了。
作者在更新中也承认，认为“专业人士仍然很重要”的观点可能让专业人士感到安心，因此应当保持怀疑；他还认为，等到有足够研究时，工具环境可能已经变了。这个自我限定很重要：文章提供了可检验的工作假设，不是职业价值的证明。
怎样把经验变成可用的协作方式
对已经熟悉业务或代码库的人，重点不是再收集一套万能提示词，而是把判断过程显式化：
- 先写出这次改动必须保留什么、要解决什么，以及哪些结果不能接受；
- 要求模型说明它依据了哪些现有模块、假设了哪些条件，再接受实现建议；
- 遇到看似复杂的方案，要求它给出更小的替代方案和各自代价；
- 把确认过的术语、边界与决策写回仓库，让下一次对话可以从这些事实开始；
- 对生成的代码、命令和外部操作保留人工验证，特别是权限、数据迁移和生产变更。
对刚进入一个领域的人，起点也不必是“假装自己已经是专家”。可以让模型先列出完成任务需要认识的概念、列出当前还未知的条件，并用小范围、可验证的任务逐步补上知识。模型能降低进入成本，但学习到能判断答案是否可靠的程度，仍然需要人自己完成。
LLM 并没有让专业知识失去意义；更准确地说，它让专业知识更容易在一次对话里发挥出来，也让没有判断依据时的盲点更快暴露。把模型当作能给出候选方案的协作者，比把它当作自动替你知道业务的专家，更接近这篇文章和 HN 讨论共同呈现的现实。
**来源与核验范围：**本文主要整理自 Sean Goedecke，LLMs reward expertise，2026-07-24；作者署名 Sean Goedecke。HN 条目 #49161518 在 2026-08-09 抓取时为 1,409 分、571 条评论。文中的工程做法与结论性段落是编辑归纳；HN 评论与原文均为经验材料，不构成关于 LLM 或专业知识效果的对照研究。