立正观察一位被称为鸭哥的高手，指出两个本质不同：一是他总在想能为 AI 做什么，长期下来他的 AI 越来越好用；二是大小事都交给 AI，甚至开车兜一圈就顺手完成十个任务⁠1。他进一步解释，这背后是“脚手架”——上下文、工具、偏好、做事标准都被组织起来，所以同样一句 prompt，高手的 AI 能路由到自己的工具和资料库，调动很多东西⁠1。这与他在别处说的“拉开差距的其实是 context”一致：工具和模型大家一样，差别在积累和提炼上下文⁠2。

立正把差距落在“名词与动词”上：学 RAG 这类概念，真正值钱的是上下文管理、切分、判断、评估、诊断、编排这些动作，而不是背名词⁠3。他概括为：初学者关心学哪个工具、怎么写更好的 prompt、哪个模型最强；高手关心任务如何组织、需要什么样的上下文结构⁠3。他也说 skill 不该只是风格项，而应跟流程、工具和标准有关⁠2。另一篇署名文章把“高手”用在商业思考上：菜鸟看到结果就贴一个合理解释，高手先问结果反常在哪、增长来自哪里、扣掉成本后还剩什么⁠4。这是同一思路在商业问题上的延伸，不是对 AI 使用者的直接观察。

如果你想把上面的描述用在自己身上，可以先做两件低门槛的事，再观察反馈。第一，选一个你反复做的任务，把相关背景、偏好和判断标准写成 AI 能读到的文档，而不是每次重新交代；这是立正所说“积累上下文”的起点，他也提醒积累和提炼是两个步骤⁠2。第二，把一件原本只用来聊天的事搬到一个能调用工具、产出能留下来的 agent 工具里做，看它是否能减少重复交代和手动搬运；立正认为聊天式用法在这三点上没有复利⁠1。这两步是否有效，取决于你的任务是否有可复用的背景和流程，不能保证每个人都得到同样结果。