与 LLM 对话如何改善思考能力
一、新闻概述
1. 标题
与 LLM 对话如何改善思考能力：将隐性知识转化为显性表达
2. 发布时间
2026 年 1 月 22 日
3. 来源
Vallified 博客（Philip O'Toole）
二、核心内容
1. 事件摘要
A. 主要内容
作者 Philip O'Toole 探讨了使用大语言模型的一个意外收益：LLM 能够将人们长期理解但无法清晰表达的想法转化为明确的文字。
B. 核心亮点
- LLM 能将隐性知识（tacit knowledge）转化为显性语言
- 这种体验更像是「识别」而非「学习」
- 对话过程改善了作者的思考方式和语言表达能力
- 形成了正向反馈循环，提升了内在独白的质量
2. 关键信息
A. 文章主题
认知增强与 LLM 作为思维工具的探讨
B. 核心观点
- 程序员和开发者积累了大量无法显式化的理解
- LLM 擅长将模糊的结构转化为清晰的语言
- 将想法用语言表达会改变思考本身
- 持续练习能够提升自我觉察能力
C. 涉及领域
人工智能、认知科学、软件工程
3. 背景介绍
A. 作者背景
Philip O'Toole 是一名程序员和开发者，文章从技术从业者的角度探讨了 LLM 对思维方式的影响。
B. 相关上下文
当前关于 LLM 的讨论多集中在信息检索、代码生成等工具性功能，较少关注其对思维过程的深层影响。
三、详细报道
1. 主要内容
A. 隐性知识的存在
文章指出，作为程序员和开发者，我们积累了大量理解，但从未完全显式化：
- 在能说明原因之前，就知道某个设计是错误的
- 在能够重现之前，就能感知到某个 bug 的存在
- 能够立即识别糟糕的抽象，即使向别人解释问题需要一个小时
B. 大脑的工作机制
这不是失败，而是经验运作的方式。大脑将经验压缩为高效行动的模式，而非高效表达的模式。这些模式是真实的，但并非以句子形式存储。
问题在于：反思、规划和教学都需要语言。如果无法表达一个想法，就难以审视它，也难以分享它。
C. LLM 的独特价值
大语言模型恰好擅长做这件事——将模糊的结构转化为文字。
当作者询问关于某件半显性的事情（某件他相信为真但不确定原因的事情）时，模型会给出一个表述。它会逐步说明这件事为什么可能为真的每一个理由。模型提出的每个观点都与前一个正交，允许作者权衡、交换和重新排列这些论点。
D. 语言表达改变思考
一旦 LLM 将想法写下来，作者就可以在心中把玩它。
模糊的直觉变成了有名称的区分，隐含的假设变得可见。此时可以测试它们、丢弃它们或改进它们。
这并不是全新的。写作一直以来都对作者有这样的作用。不同的是速度。可以快速探索未成型的想法，丢弃糟糕的描述，然后再次尝试。这鼓励了一种原本可能会跳过的思考方式。
2. 技术细节
A. 思维与语言的关系
graph LR
A[隐性知识] -->|LLM 转化| B[显性语言]
B -->|测试与验证| C[改进理解]
C -->|持续练习| D[内在独白提升]
D -->|反馈循环| A
B. 认知增强机制
文章揭示了一个重要的认知增强机制：
- 隐性知识存储：大脑将经验压缩为行动导向的模式
- 语言显式化：LLM 帮助将模糊模式转化为清晰表达
- 思维操作：显式化的想法可以被审视、测试和改进
- 能力内化：持续练习形成更好的内在独白习惯
C. 反馈循环的形成
作者发现，随着时间的推移，现在即使手边没有 LLM，也会自发地进行这种思考：
「我现在能否用精确的语言表述我在思考、感受、相信的是什么以及为什么？」
从这个意义上说，模型并不是直接改善作者的思考。它是在改善作者使用语言的方式，改善内在独白的有效性。由于推理很大程度上取决于一个人能够显式表示的内容，这种改进感觉像是清晰度的真正提升。
3. 深层分析
A. 从工具到伙伴
文章展示了一个重要的视角转变：LLM 不仅是信息检索或内容生成工具，更是思维伙伴。
- 传统观点：LLM 是回答问题的工具
- 新视角：LLM 是帮助组织和表达思考的对话伙伴
B. 认知的外化与内化
这个过程描述了一个完整的认知循环：
- 外化：将内在的模糊想法通过 LLM 对话外化为清晰语言
- 操作：在语言层面审视、测试和改进这些想法
- 内化：将改进后的理解重新内化为更好的思维模式
C. 元认知能力的提升
文章实质上讨论了元认知能力（对思考的思考）的提升：
- 自我觉察：能够更清楚地意识到自己在想什么
- 精确表达：能够用精确的语言表述想法
- 原因追溯：能够解释为什么相信某件事
四、影响分析
1. 行业影响
A. AI 应用的新方向
文章揭示了一个被忽视的 AI 应用方向：认知增强而非信息获取。
这可能催生新的产品形态：
- 思维组织工具
- 知识显式化助手
- 元认知训练系统
B. 技术趋势
从「AI 替代人类」到「AI 增强人类」的讨论需要更加细致。认知增强是比简单替代更有价值的方向。
2. 用户影响
A. 对技术从业者
程序员、设计师、创作者等从业者可以：
- 更好地组织和表达专业直觉
- 将经验教训转化为可传授的知识
- 提升与团队沟通的效率
B. 对学习者
学习者可以通过与 LLM 对话：
- 加速从隐性理解到显性掌握的转化
- 培养更好的思维习惯
- 提升自我表达能力
C. 对写作与思考
文章强调了写作与思考的深层联系。LLM 加速了这个循环，使人们能够更快地迭代想法。
3. 技术趋势
A. 人机协作的新范式
这篇文章为人机协作提供了一个新的范式：对话式思维增强。
这与传统的「提问-回答」模式不同，更接近「苏格拉底式对话」或「心理治疗对话」的模式。
B. 知识管理的启示
对知识管理系统（KMS）和第二大脑（Second Brain）工具有重要启示：
- 知识管理的核心难点是隐性知识的显式化
- LLM 可能是解决这个难题的关键技术
- 个人知识库的价值在于促进思考，而不仅仅是存储信息
五、各方反应
1. 文章观点
作者的核心观点是：
- LLM 的价值不仅在于提供新信息，更在于帮助组织和表达已有理解
- 这种能力形成了一个正向反馈循环，持续改善思考能力
- 速度的提升鼓励了更深层次的思考
2. 业内启示
A. 认知科学视角
这篇文章从认知科学的角度探讨了 LLM 的价值，与以下领域相关：
- 隐性知识（Tacit Knowledge）理论
- 语言与思维的关系
- 元认知（Metacognition）能力
B. 教育领域
对教育领域有重要启示：
- 学习的深层目标是将隐性知识转化为显性知识
- 对话和表达是学习过程中的关键环节
- AI 辅助学习的重点应该是促进思考，而非简单提供答案
3. 实践建议
基于文章内容，可以提出以下实践建议：
A. 与 LLM 对话的策略
- 不要只问事实性问题，也要问关于自己理解的问题
- 让 LLM 帮助表述你已经知道但说不清楚的事情
- 将 LLM 的回答作为起点，进一步打磨和改进
B. 日常思维练习
即使在不用 LLM 时，也可以练习：
- 「我现在能否精确表述我在想什么？」
- 「我为什么相信这件事？」
- 「这个直觉背后的假设是什么？」
六、相关链接
1. 原文链接
- Why talking to LLMs has improved my thinking
2. 相关主题
- 隐性知识与显性知识
- 语言与思维的关系
- 元认知与自我觉察