技能是杠杆，不是替代

技能是杠杆，不是替代

> 作者：李笑来 · 2026年4月20日 · [原文链接](https://lixiaolai.com/articles/2026-04-20/skills-are-leverage-not-substitute)

给这个季度装了三个技能、还交付了让自己满意作品的人：这篇文章不是来告诉我们，做错了。

Claude Code 技能生态在 2025 年 10 月到 2026 年第一季度之间迅速成熟。Anthropic 于 2025 年 10 月发布 Agent Skills；到 12 月，一个开放标准 —— SKILL.md format —— 已经成为 Claude Code、Cursor 和 Agent SDK 之间的跨平台惯例。¹ 第三方索引现在列出的技能超过 85,000 个。Hacker News 上那条 “Claude Skills are awesome, maybe a bigger deal than MCP” 讨论，在滑出首页之前拿到 738 points and 370 comments。¹ 那些读者一边点头，一边安装看起来有用的技能，做的正是这个生态被设计出来要促成的事 —— 并且在多数情况下，它确实奏效。

这篇文章不是在论证技能有害。也不是在论证谁都该少用 AI，或下载专业能力天然就是欺诈，或那套已经第四次上演的 junior-developer deskilling panic 适用于这里。它不适用。那类文章大多谈学习，恐惧也大多指向那些还没打下根基就伸手拿工具的初级开发者。那是真问题。但不是本文的问题。

适用范围要先说清。低风险、快反馈领域，确实是技能发挥作用的地方，根基薄的使用者也包括在内。如果技能产出坏结果，反馈回路很快抓住。失败看得见。专业能力的普及化正是这样发生的，也确实有效。本文关心的是它的互补面：高风险、慢反馈领域。失败要等到代价高昂时才显形，而使用者在技能所作用的那个具体领域里的评估能力，可能低于他们的信心所暗示的水平。

本文谈的是长尾场景 —— 技能在什么条件下不再放大我们的判断力，而开始放大别的东西 —— 也谈为什么一项近期发现，细读之下，表明这个长尾比多数人以为的更宽。

AI 辅助软件工作的正面论据，比多数怀疑论文章承认的更强；对我接下来要提出的论点来说，也强得让我并不舒服。

在 Anthropic 主导的一项 RCT（随机对照试验）中，研究者观察开发者如何借助 AI 学习一个新库。AI 辅助参与者里，有一个子组把工具用于概念探询，理解测验得分约为 86%。² 另一个采用混合代码解释方式的组，得分约为 80%。² 两个结果都达到或超过了手写代码对照组约 70.9% 的成绩。² 这不是托辞。这是论文自己的数据，按产生结果的行为拆开之后呈现出来的：AI 辅助若作为思考工具运作，而不是代码生成器，它带来的理解结果好过独自工作。

走出实验室，Anthropic 自己的企业案例也报告了足以支撑乐观解读的压缩效果。Thomson Reuters 把法律研究从数小时压缩到数分钟。eSentire 把威胁分析从 5 小时压缩到 7 分钟，输出与资深专家判断的一致性，初期测得为 95%，在持续生产中也确认高于 90%。³ 这些不是玩具任务。它们是在真实利害关系下运行的生产工作流。所谓普及化叙事 —— 在资深判断稀缺的领域，可下载的专业能力可以替代这类稀缺判断 —— 在这些案例里有实证支撑。

脚手架这个框架也站得住。当 AI 辅助以探询方式使用 —— 使用者追问、深挖解释、建立模型，而不是接受结果 —— 它就像学习研究者所说的更有知识者 (MKO)：一种延展使用者最近发展区、而不是绕过最近发展区的资源。风险不是这样出现的。风险出现在另一种模式里。

同一项研究，既产生了那些 86% 的理解分数，也产生了本文真正转向的那项发现。

2025 年 7 月到 2026 年 2 月之间发表的三项发现，单独看都不惊人，放在一起却指向同一个方向：AI 辅助开发者产出的东西，和他们以为自己产出的东西之间，存在一道缝。

第一项来自 Fernandes 等，2026 年 2 月发表于 *Computers in Human Behavior*。⁴ 两项研究，N=246 和 N=452，参与者可使用 ChatGPT-4o 解 LSAT 逻辑推理题。使用 AI 让任务表现比基线提高约三分。它也让自估表现提高四分。净结果是：即使扣除真实提升，仍然出现系统性的信心盈余。表现提高了；对表现的感觉提高得更快。这个差距在两项研究中都复现了。⁴

这项发现与长期退化的可能性一致，但不足以证明。Fernandes 采用的是单次实验设计 —— 一组题，立即自我评估，没有后续追踪。作者自己也在局限性部分明确写道，他们的设计 “cannot address whether overconfidence impairs learning over time。” LSAT 语境也限制了跨领域推断的范围。这项研究所确立的 —— 并且通过复现确立的 —— 是单次任务里的元认知缺口真实存在，而且可测量。⁴

第二项发现同样来自 Fernandes，对本文读者尤其刺眼：在两项研究中，参与者的 SNAIL AI literacy scale 得分与元认知偏差正相关。⁵ 技术上最懂 AI 的使用者，自我评估误差最大。相关性不大 —— r = 0.21，约解释 4% 的方差 —— 但在两项研究中都达到统计显著。⁵ 这不是戏剧性的发现，而是方向上反直觉的信号。不妨把它看成一个试探性问题，而不是已成定律：*如果我们在一次 LSAT 实验中看到的模式，只是某种会复利增长的东西的尖端呢？*

第三个数据点是 METR 2025 年 7 月的 RCT。⁶ 16 位有经验的开源开发者，在自己的代码库上完成 246 个真实任务，条件随机分配为可用 AI 或禁用 AI。使用 AI 的开发者 —— Cursor Pro 搭配 Claude 3.5 和 3.7 Sonnet —— 完成任务反而多花了 19% 的时间。他们却以为自己快了 20%。研究开始前，他们预期会加速 24%。⁶

限定条件必须写清楚，因为成熟读者已经知道：N=16 很薄。代码库设定 —— 开发者在自己的百万行级仓库上工作 —— 最大化了 AI 的情境劣势。工具也是 2025 年早期水平。METR 自己在 2026 年 2 月的后续说明中明确说，新的实验设计 “只能给出当前生产力效应的不可靠信号”，并补充说 “仅构成对这一提升幅度的非常微弱的证据”。⁶ METR 没有撤回 2025 年 7 月的数字，但他们收回了对这些数字能说明当前 AI 工具什么问题的信心。请把这个数据点当作汇聚模式中的一个信号，而不是决定性案例。

不过，模式仍然汇聚。Stack Overflow 的 2025 Developer Survey —— 最大规模的年度开发者调查，受访者超过 60,000 人 —— 发现 84% 的开发者正在使用或计划使用 AI 工具。⁷ 排名第一的挫折，由 66% 的开发者提到，是 “AI solutions that are almost right, but not quite。”⁷ 这就是元认知缺口的自陈形式：工具产出了足够像样的东西，于是 “almost right” 和 “right” 之间的差距，成了日常摩擦 —— 而不是对不存在 API 的幻觉。

这三项研究单独都没有解释的是：这个缺口在*哪些*使用者身上最大 —— 答案来自那篇人人都扫过、却没细看的研究。

多数人记得的 Anthropic 数字 —— AI 辅助组理解测验 55.6 percent，手写组 70.9，差 17 points —— 是真的，但分析单位错了。

这个数字遮住了什么？Shen 与 Tamkin 分析了 26 名 AI 条件参与者中 25 人的屏幕录像（一份录像不可用），识别出六种不同使用模式。作者明确把这标记为 “探索性数据分析（非预注册）” —— 这些是事后类别，来自对屏幕录像的定性分析，每格样本数在 2 到 7 之间。小样本格、方向性发现、没有在子组层面得到统计验证。请把这些限制放在眼前。²

六种模式分成两档，彼此没有重叠：

**高分模式（测验分数 65-86%，达到或高于 70.9% 的手写对照组）：**

- Conceptual Inquiry —— n=7，约 86%：参与者 “only asked conceptual questions and relied on their improved understanding to complete the task”²
- Hybrid Code-Explanation —— n=3，约 80%：在生成代码的同时要求解释
- Generation-Then-Comprehension —— n=2，约 75%：先生成代码，再追问

**低分模式（测验分数 24-39%）：**

- AI Delegation —— n=4，约 24%：“wholly relied on AI to write code and complete the task; this group completed the task the fastest and encountered few or no errors in the process”²
- Progressive AI Reliance —— n=4，约 28%：逐步转向完全委派
- Iterative AI Debugging —— n=4，约 39%：依赖 AI 解决错误，而不是澄清理解

*图：按 AI 使用模式划分的理解测验分数 —— Shen 与 Tamkin（Anthropic），arXiv：2601.20245。*

*横线表示手写代码对照组得分（70.9%）。*

论文自己的表述是：“High-scoring patterns generally involve more cognitive effort and less AI reliance.”²

那 17-point 的组级缺口，完全是低分档的属性。高分档不是比对照组低 17 points。它收在低分档上限之上约 15 points，并且达到或高于对照组。把委派子组抽出来，组级发现就反转了。

再次强调，这仍是探索性的、事后的。每格 n 值 —— 每格二到七名参与者 —— 小到点估计并不精确。模式描述是定性的。没有预注册分析验证类别边界。严谨读者应据此加权。

但即便如此：分裂方向宽达 30 到 45 percentage points，而且每一档内的每个格子方向一致；它也契合每个实际工作的开发者对 AI 助手两种用法的直觉。可以让它解释一个概念，直到我们理解。也可以让它写代码，然后把输出交付。

AI 辅助组并没有低于对照组。AI 辅助组的一半低于对照组 30 到 45 points。另一半追平或超过对照组。真正区分它们的变量不是工具，而是模式。

下一步是本文推断性最强的一步，所以要明说，不能把它偷渡给读者。

Anthropic 研究测量的是技能*形成*：参与者从未用过 Trio 库，花 35 分钟接触它，然后做理解测验。未被测量的情形是：一个已经懂自己领域的从业者，为生产用途安装 Claude Skill，会发生什么。论文作者自己指出，这是 “an important question this study does not resolve。”² 从养成阶段迁移到生产阶段的过程没有被测量；把 Shen 与 Tamkin 的课堂连接到读者工作仓库的论证，是我的，不是他们的。

这个论证靠的是机制：从业者在一个相邻于核心专业能力的领域使用技能时，对那个领域而言，仍处在持续形成理解的阶段，哪怕他在别处已经是资深专家。只要使用者对技能领域的理解正在实时建立，Anthropic 研究中的形成阶段发现就适用 —— 而这正是相邻领域专家这个案例所描述的情境。

SKILL.md format 的设计，是把 Claude 先前没有的能力交给它，以从业者安装并运行的结构化指令来交付。¹ Anthropic 自己的文档说，Skills 能让 Claude 代表用户 “invoke tools or execute code”。⁸ 标准安装流程 —— 找技能、装技能、用技能 —— 没有任何摩擦点会问使用者：*我现在处在探询模式，还是委派模式？* 格式本身没有要求执行前先进行概念参与，生态经济也不会补上这一点：技能的营销和排序依据是压缩 —— “hours to minutes,” “5 hours to 7 minutes” —— 不是支持理解的可供性。³ 这个制品针对委派默认值优化，因为安装时的奖励函数是速度，不是理解。它最终把用户带入探询模式还是委派模式，完全取决于用户 —— 而用户并不会被提示去选择。

*图：两条反馈回路。探询模式（左）保留理解摩擦 —— 使用者的评估能力在每轮迭代中都会介入。委派模式（右）移除了这种摩擦 —— 任务完成了，但理解从未被检验。Anthropic 子组发现（第 3 节）就是哪条回路产生哪种结果的经验记录。*

是的，这些正是我前面用来证明主线有效的数字。要点正在这里：生态里最显眼的成功，也是生态里最清晰的激励 —— 被奖励的是压缩，不是让压缩变得安全的理解脚手架。

一个限定。Anthropic 的探询模式子组，并没有任何技能文件摩擦在场也达到了探询 —— 他们用的是普通聊天界面，并且选择了概念参与。因此，本文的主张比 “技能导致委派” 更窄。它说的是：在自由聊天语境中本就强弱不一的、通向探询的默认摩擦，在技能包装的语境里会更低；而生态的奖励函数不会把这种摩擦重新引入。其机制是激励，而非决定论。

这就是 Shen 与 Tamkin 的课堂和今天早上打开的仓库之间的连接 —— 并且说清楚，这是我在论证的连接，不是他们测量出的连接。

保证金追缴不是警告，也不是自由裁量。

在 FINRA Rule 4210 和 SEC Regulation T 下，保证金账户受强制性的 25% 维持保证金要求约束。⁹ 当亏损使账户权益跌破这个阈值，经纪商有权在不事先通知的情况下对持仓进行强制平仓。投资者不能决定止损是否触发。经纪商可以自行执行清算，不受投资者对该头寸看法的影响。止损是结构性的、法律强制的，并且不能由持有杠杆头寸的人推翻。⁹

*图：当账户权益跌破监管阈值（FINRA Rule 4210）时，金融杠杆会触发强制止损。技能杠杆没有等价机制。在技能领域缺乏评估能力的从业者无法发现错误 —— 而这正是该技能起初显得有用的同一个条件。*

保证金追缴不是金融审慎的隐喻。它是基础设施。金融杠杆危险，于是金融系统把这种危险写进架构：一个熔断机制，在亏损超过杠杆方事先同意的阈值时启动。

技能杠杆危险，理由相似 —— 它会放大从业者已经持有的头寸，不管正确还是错误 —— 但这里没有相似的基础设施。没有阈值触发。没有外部方监控从业者判断力的权益，也不会在它跌破维持保证金要求时强制平仓。从业者可以继续以工具速度持有一个自信但错误的头寸，按技能所允许的速度产出貌似合理的结果，没有自动停止。

金融系统的熔断机制有效，是因为相关变量 —— 账户权益 —— 可以实时测量。技能系统中对应的变量 —— 从业者在技能所作用的具体领域中的判断准确性 —— 无法实时测量，而这恰恰是从业者安装技能的原因。Polanyi（波兰尼）在这里说得很准：“我们所知的，多于我们所能言说的。”¹⁰ 专家表现依赖默会知识 —— 模式识别、情境判断、知道何时不该套用规则 —— 这些无法编码进一个结构化 markdown 文件，不管写得多好。技能继承的是专家作者的显性步骤。它没有继承作者的犹豫 —— 资深安全工程师看到某种认证模式、放慢速度检查威胁模型的那个瞬间。它没有继承让优秀从业者在错误语境中停顿的领域特定不确定性。技能是截肢的专家：有招式，没有本能。

这就是 Anthropic 子组发现所描述的机制。探询模式使用者达到或高于手写对照组，因为探询模式*就是*止损 —— 它是让从业者评估能力保持介入的摩擦，迫使理解先于执行。委派模式使用者得分 24-39%，因为委派模式彻底移除了这种摩擦。任务完成了。输出看起来正确。理解从未形成。

Shen 与 Tamkin 的探询模式，是技能生态里最接近保证金追缴的东西；而它恰恰是一个设计良好的技能文件被构造出来要移除的摩擦。

本节要谈技能的具体主张，但在此之前，先承认一个明显的点 —— 软件依赖中的单一生态风险，已经是一个解决得足够多的问题，多数人对 Dependabot PRs 都有自己的看法。

Log4j、left-pad、XZ。软件供应链攻击已有记录、已有研究，也已有部分缓解手段。这个领域有 Software Bills of Materials（US Executive Order 14028）、SLSA 供应链证明、Snyk 的漏洞数据库，以及签名提交。SBOM 要求之所以存在，是因为行业早已明白：一个广泛使用的组件，会携带广泛分布的风险。技能注册表就是一个依赖生态。单一生态风险并非范畴上全新。

有两个属性，把技能依赖风险同现有依赖风险文献处理过的一切区分开来。

第一：软件依赖里有 bug，影响的是代码行为。技能里有错误假设，影响的是从业者的思考。输出不只是错误代码；它还意味着一个从业者被训练 —— 跨会话、大规模地训练 —— 去根据有缺陷的模型推理。一个安全审查技能若把某类漏洞视为不在范围内，它不只是在一次审查里漏掉这类漏洞；它会训练从业者不再去找它。依赖污染制品；技能污染评估制品的认知过程。

第二：发现有 bug 的依赖，需要运行代码并观察失败。发现有缺陷的技能，需要技能所作用的具体领域里的领域专业能力。有这种能力的人，很可能不需要这个技能。没有这种能力的人，面对自信但错误的输出，无法把它同正确输出区分开来。检测机制需要的，正是安装技能的用户所没有的东西。

这两个属性合在一起意味着，技能供应链的失败模式不是普通依赖问题。它是一种失败发生在认知层面、会自我强化、且对最可能受影响的人不可见的依赖问题。

测量已经存在，而且很具体。Snyk 的安全研究团队截至 2026 年 2 月审计了来自 ClawHub 和 skills.sh 的 3,984 个技能，方法结合八项专门安全策略与 human-in-the-loop 验证。¹¹ 结果是：534 个技能 —— 占全部审计对象的 13.4% —— 至少包含一个 critical-level 安全问题。已确认恶意技能中，91% 同时采用提示注入技术和传统恶意软件代码。¹¹ 三个主要攻击向量：外部恶意软件载荷、通过捕获 AWS keys 等凭证的混淆命令进行数据外泄，以及禁用安全机制。发布时，仍有八个恶意技能公开可在 clawhub.ai 获取。¹¹

一篇针对 agentic coding assistants 的提示注入攻击、覆盖 78 个 primary sources 的结构化综述 —— 涵盖 Claude Code、GitHub Copilot、Cursor 及相关平台 —— 发现，已识别攻击中有 85% or more 能成功攻破至少一个主要 agentic coding platform，自适应攻击还能绕过 more than 90% of published defenses。¹² 这些数字来自对具名基准的综合，不是独立复现；85% 和 90%+ 来自包括 MCPSecBench 在内的底层研究。应把它们视作方向性而非定论。¹²

十年前，在一个相似生态里，Fraunhofer AISEC 的一个团队分析了 Google Play 上的 130 万个 Android 应用，发现 15.4% 含有可追溯到 Stack Overflow 答案的安全相关代码片段。¹³ 在这些应用中，97.9% 至少包含一个不安全片段。¹³ 机制相同：开发者从一个足够可信的来源复制看起来能工作的代码，而所在领域恰好是他们缺乏评估能力的领域。Fischer 等在 2017 年把这作为警告发表。警告没有阻止这个模式；工具链后来才追上。

刚安装的技能有 1-in-8 的概率包含 critical flaw，这不是理论风险；这是 Snyk 对本季度技能市场上可用制品的计数。¹¹

合起来读，第 2 节的三项发现会预测出一种具体的高风险使用者形态。文献中尚无研究直接检验这个预测。

它不是纯新手。纯新手会怀疑自己的输出。他们会问更多问题。他们更可能处在探询模式，因为他们清楚地知道，自己不知道。

被预测的高风险形态，是相邻领域的专家：在主领域里确有资深经验，AI 素养很高，并在相邻于核心专业能力的领域安装和使用技能 —— 安全、法律、监管、医疗。推断链来自已测量的发现：更高的 AI literacy 与更低的元认知准确性相关（Fernandes，r=0.21）。⁵ 有经验的从业者会高估自己的 AI 辅助表现（METR）。⁶ 委派模式会以很高的任务完成速度产生自信但错误的输出（Anthropic）。² 符合这个画像的从业者 —— 主领域资深、AI-literate、在相邻领域使用技能 —— 按这三项发现所描述的模式，会有足够信心安装并采纳一个安全审计技能，有足够技术 sophistication 把输出理解为似乎合理，同时又有足够领域缺口，抓不住安全专家会抓住的错误。这个组合就是预测中的失败模式 —— 不是已测量，而是从汇聚模式中预测出来。

GPS 萎缩发现，是文献中最接近直接测量工具替代性萎缩的证据 —— 在相近领域，不是同一领域。Dahmani 与 Bohbot（2020）发现，终身 GPS 使用越多，空间记忆表现越差；在约 3.2 年的纵向跟踪中，GPS 使用越多，与海马体相关空间记忆下降越陡，最强纵向相关达到 r=−0.68。¹⁴ 要准确说明这项证据是什么、不是什么：它测量的是 GPS 替代下海马体空间记忆的萎缩；它没有测量 AI skill use 下的领域专业能力。我们是在跨领域外推，而非跨现象外推。该研究是观察性的，纵向样本很小（N=13），效应方向是论证出来的，不是最终确立的。但机制很具体：替代某种能力的工具，可以让它所替代的能力萎缩，时间尺度则是常规替代持续运行的时间。¹⁴ 把安全审查委派给技能的从业者，不只是今天拿到了一个错误答案；他们还可能在该领域的每一次技能运行中，逐步收窄 “我知道什么” 和 “我以为我知道什么” 之间的差距。

这幅素描若像某个熟悉的人，诚实的问题是：那个人有多经常就是我们自己。

我不会在结尾假装已经解决了缺失的保证金追缴 —— 处方比诊断更难，凡是告诉你他有答案的人，不过是在向你兜售一项技能罢了。

Anthropic 自己的安全文档已经点名了风险类别：“We strongly recommend using Skills only from trusted sources: those you created yourself or obtained from Anthropic. Skills provide Claude with new capabilities through instructions and code, and while this makes them powerful, it also means a malicious Skill can direct Claude to invoke tools or execute code in ways that don't match the Skill's stated purpose。”⁸ 平台所有者正在警告用户注意平台自身生态的风险。设计议程由此展开：技能应明确声明自己的适用条件；技能应提示探询模式参与，而不是静默执行；技能应暴露不确定性，而不是把作者的信心投射到用户语境中。“Verify before acting” 不是技能设计 —— 它是在转嫁责任。

这些是设计问题，不是答案。它们要求技能知道何时该说：*I am not the right tool for this context*。这又要求技能拥有它们目前并不具备的情境模型。金融保证金追缴之所以可行，是因为账户权益可测。技能类比项要测量的东西，要难得多。

在设计工作完成之前，有一个测试可用，就是 Shen 与 Tamkin 意外发表出来的那个：*我是在向这个技能追问为什么，还是在接受它给出的东西？* 每次运行技能时，答案都在那里。

1. Anthropic. "Equipping Agents for the Real World with Agent Skills." Engineering blog, 2025 年 10 月. — AND — Anthropic. Agent Skills platform documentation. platform.claude.com/docs/en/agents-and-tools/agent-skills/overview, fetched 2026-04-17. — AND — Hacker News thread 45619537, 2025 年 10 月. ↩ ↩ ↩
2. Shen, J.H. & Tamkin, A. (Anthropic). "How AI Assistance Impacts the Formation of Coding Skills." arXiv:2601.20245, 2026 年 1 月 28 日. Published at anthropic.com/research/AI-assistance-coding-skills. 子组发现：Section 6 and Figure 11；事后状态由作者标记为 "exploratory data analysis (not pre-registered)." ↩ ↩ ↩ ↩ ↩ ↩ ↩ ↩ ↩
3. Anthropic, "Customer Story: Thomson Reuters," *claude.com/customers/thomson-reuters*, fetched 2026-04-17. — AND — Anthropic, "Customer Story: eSentire," *claude.com/customers/esentire*, fetched 2026-04-17. — AND — eSentire, "How eSentire Runs Expert-level Threat Investigations at Scale with Claude," *esentire.com/blog/how-esentire-runs-expert-level-threat-investigations-at-scale-with-claude*, 2026. 当前生产指标：6-minute average investigation，与资深 SOC 专家在 500+ 个已裁定结果上的一致性 above 90%。早期部署数字（VentureBeat, 2025 年 11 月）："5 hours to 7 minutes" 和 "95% alignment"，来自最初的 1,000-investigation validation study；当前主页面将 "6-minute" 和 "above 90%" 报告为持续生产下限。 ↩ ↩
4. Fernandes, S., et al. "AI Makes You Smarter, But None the Wiser: The Disconnect between Performance and Metacognition." *Computers in Human Behavior*, Vol. 175, 2026 年 2 月, Article 108779. DOI: 10.1016/j.chb.2025.108779. arXiv: 2409.16708. ↩ ↩ ↩
5. Fernandes, S., et al. "AI Makes You Smarter, But None the Wiser." *Computers in Human Behavior*, Vol. 175, 2026 年 2 月, Article 108779. 具体测量：r = 0.21（Table 2，SNAIL Technical Understanding × metacognitive bias ΔEP）。arXiv: 2409.16708. ↩ ↩ ↩
6. METR. "Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity." metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/, 2025 年 7 月 10 日. — AND — METR. "We Are Changing Our Developer Productivity Experiment Design." metr.org/blog/2026-02-24-uplift-update/, 2026 年 2 月 24 日. ↩ ↩ ↩ ↩
7. Stack Overflow. "2025 Developer Survey — AI." survey.stackoverflow.co/2025/ai, published 2025 年 12 月. ↩ ↩
8. Anthropic. "Agent Skills — Security Considerations." platform.claude.com/docs/en/agents-and-tools/agent-skills/overview, fetched 2026-04-17. ↩ ↩
9. SEC Office of Investor Education and Advocacy. "Investor Bulletin: Understanding Margin Accounts." investor.gov. — AND — FINRA Rule 4210, finra.org. Referenced 2026-04-17. ↩ ↩
10. Polanyi, M. *The Tacit Dimension*(《默会维度》). University of Chicago Press, 1966（2009 年再版）. 开篇章："Tacit Knowing." ↩
11. Snyk Security Research. "ToxicSkills: Malicious AI Agent Skills on ClawHub." snyk.io/blog/toxicskills-malicious-ai-agent-skills-clawhub/, published 2026 年 2 月 5 日. ↩ ↩ ↩ ↩
12. Maloyan, N. & Namiot, D. "Prompt Injection Attacks on Agentic Coding Assistants: A Systematic Analysis of Vulnerabilities in Skills, Tools, and Protocol Ecosystems." arXiv:2601.17548v1, 2026 年 1 月 24 日. ↩ ↩
13. Fischer, F., Bottinger, K., Xiao, H., Stransky, C., Acar, Y., Backes, M., & Fahl, S. "Stack Overflow Considered Harmful? The Impact of Copy&Paste on Android Application Security." *2017 IEEE Symposium on Security and Privacy*, pp. 121-136. arXiv:1710.03135. DOI: 10.1109/SP.2017.31. ↩ ↩
14. Dahmani, L. & Bohbot, V.D. "Habitual use of GPS negatively impacts spatial memory during self-guided navigation." *Scientific Reports*, Vol. 10, Article 6310, 2020 年 4 月 14 日. DOI: 10.1038/s41598-020-62877-0. ↩ ↩

- Kruger, J. & Dunning, D. “Unskilled and Unaware of It: How Difficulties in Recognizing One's Own Incompetence Lead to Inflated Self-Assessments.” *Journal of Personality and Social Psychology*, 77(6), 1999, pp. 1121-1134. — Dunning-Kruger 原论文；就本文的具体目的而言，已被 Fernandes 2026 取代，因为后者在 AI 辅助任务语境中测量了同一种元认知缺口；不过这项根基研究仍是相关背景。
- Hembree, R. & Dessart, D.J. “Effects of Hand-Held Calculators in Precollege Mathematics Education: A Meta-Analysis.” *Journal for Research in Mathematics Education*, Vol. 17, No. 2， 1986 年 3 月， pp。 83-99. ERIC: EJ336469。 —— 储备证据（E10）：一项 79-study meta-analysis 发现，在 Grade 4 foundation-formation stage 使用计算器，会阻碍普通学生的技能发展，但在其他年级有帮助。它是认知形成期 AI 技能替代的历史平行案例；因篇幅预算未放入正文。
- Faros.ai. “Lab vs. Reality: What METR's AI Productivity Study Actually Found.” faros.ai/blog/lab-vs-reality-ai-productivity-study-findings, 2026。 —— 对 METR study's ecological validity 的外部批评；有助于理解为什么 N=16 caveats 重要。
- The Experimentalist. “Critiquing the METR Productivity Study.” substack.the-experimentalist.com, 2025-2026。 —— 对 METR RCT 的独立方法论批评，涵盖 self-selection bias、codebase context effects 和 tool vintage issues；影响了第 2 节对 METR 限定条件的写法。
- Maloyan, N. & Namiot, D. “Prompt Injection Attacks on Agentic Coding Assistants: A Systematic Analysis.” arXiv:2601.17548v1， 2026 年 1 月 24 日。 — E14 引文背后的完整预印本；一项覆盖 78 个来源的结构化综述，讨论针对 Claude Code、GitHub Copilot、Cursor 及相关平台的攻击成功率；与单一生态和供应链风险两节直接相关。

版权声明：© 超限思维 · LookMinds。本页为己方整理的亲口亲笔原稿处理稿/编者新译，非原文替代；原文版权归原作者/平台。本人原作请回原链。