大模型工具从去年到今年，讨论最热的能力是什么？Prompt 工程、提问的艺术、如何让 AI 写出好文案。社区共识把”如何跟 AI 说话”当成了核心技能。
这个共识在单线程模式下没问题。一个对话框，一来一回，你写得好，它答得好，效率闭环。
但模式在变。从第一个 AI 助手上线的那天起，智能体就不再只是一个对话框。我现在的日常工作状态是同时开着好几个智能体 session——一个在整理文献，一个在写代码，一个在帮我核数据。它们各自跑着，每隔几分钟甩过来一坨输出，等你确认。
这时候瓶颈就暴露了：不是你写指令的速度，是你读结果的速度。
三个 session 同时出活，每个几百上千字。你需要在很短时间内做三件事——扫完，知道它干了什么；判断，对不对、有没有跑偏；给下一步指令。这三步全是阅读驱动的。你读得慢，判断就慢，指令就慢，智能体就在那空转等你。并行变成了串行。
这跟传统意义上”要多读书”没什么关系。我聊过一个观点——读书的标尺是”你有没有被这本书改变”，那是深阅读，是慢功夫。而这里需要的是一种完全不同的工作性阅读——快速定位关键信息、跳过安全文本、抓住需要你做决定的那几行。用临床的话说，像看监护仪：你不会把每条波形从头到尾读完，你盯的是异常值。
还有一层容易忽略的：语言。智能体的输出有大量英文——代码、报错信息、技术文档、甚至它引用的文献原文。如果你的英语阅读还没到”像读中文一样”的流利度，那每次切到英文段落都是一次减速带。并行 session 越多，这个减速带被碾过的次数就越多，累积起来的时间损耗相当可观。
勿庸讳言，智能体端也在进化——结构化输出越来越好，摘要越来越精准，需要你逐字看的内容确实在减少。但必须看到，真正复杂的确认——这个方案的取舍对不对、这段逻辑有没有暗坑、这个数据有没有被断章取义——仍然只能靠人的阅读判断。而人这一端的速度上限，就是你的阅读理解能力。
所以在智能体并行的时代，真正拉开效率差距的，可能是谁确认得更快。快速阅读、快速判断、快速放行或纠偏——这个循环的转速，决定了你能同时驾驭多少个 session。
写 prompt 的能力有天花板，练到一定程度边际收益递减。阅读判断的速度几乎没有上限，而且越用越快——你对智能体输出的模式越熟悉，能跳过的安全文本就越多，真正需要细看的部分就越集中。这是一个自我强化的循环。
说到底，prompt 是发球，阅读是接球。发球技术再好，接不住回球，回合就打不起来。