AI时代，00后求职面临的第一道坎是什么？

把求职想成闯关游戏：过去，新人先刷“简单任务”攒经验，再挑战更高难度。AI登场后，第一关的怪被它清屏了——而门却没自动为你打开。 00后在AI时代的第一道坎，是“入场门槛被重塑”：新人练手机会被AI优先替代，企业选择“减少新增招聘而不是裁员”，导致一个残酷的悖论——没有工作就没有经验，没有经验就更难得到工作。数据已经给出信号：在AI暴露度高的职业里，22—25岁群体的入职率较2022年下降约14%，就业率层面也出现约6%的回落；受AI与大模型影响最大的行业，招聘岗位数量缩减约38%；针对工作经验一年以内的新发岗位量同比下降近四成。与此同时，35—49岁人群的就业却小幅上扬，资深者“稳住了”，新人“更难进”。为什么会这样？因为AI最擅长替代的是“可编码的书本知识”和标准化流程，而这正是入门岗位的主要工作。程序员日常约七成以上的任务已能被大模型胜任，客服、数据录入等同样如此；哪怕AI的企业实际使用仍远低于理论上限，在“计算机与数学”类任务里现实覆盖也到了三分之一——足以吞掉大量曾属于新人的基础活儿。相反，资深员工的“默会知识”、跨团队协作、判断与责任边界，短期内难以被模型复制，于是企业更愿意保留他们。别误解：高暴露不等于“工作消失”。来自职业可视化与评分的经验是，高暴露岗位更多被重塑而非灭绝——比如软件开发被评分为“高度暴露”，但需求可能因生产率提升而扩张。真正变化的是“入门逻辑”：雇主不再只看“会不会”，而是看“你能否与AI把事做成”。由此，第一道坎还有第二重含义——从“会做题”切换到“会协同”：AI素养、真实项目、行业理解与沟通，正在替代单纯的教材技能成为新人门票。这道坎并非不可越。证据表明，使用生成式AI辅助求职的毕业生，落实就业的概率会显著提升；市场也涌现出不少更看重实践而非纯编程的岗位——AI产品/运营、数据训练师、行业解决方案专家、低代码的AI应用开发等，且对作品集与实战更买单。把AI当你的第一位同事：用它扩大量产与投递，搭建公开作品仓库，把课程作业升级成可演示的真实原型，主动贴近那些“AI+行业场景”的具体问题。这些做法，能让你在“无经验”的起点，照样提交“可验证的价值”。技术每一次进步，都是一面镜子。它照出我们擅长的，也放大我们回避的。AI并不是把门关上，而是把门的位置挪了——从会不会一个工具，转到能不能把人机合力编排成结果。越过这道坎，你会发现：真正的“第一份工作”，不再只是公司发给你的录用函，而是你与AI一起，亲手交出的第一个解决方案。

十年后，你的AI同事会是帮手还是对手？

想象这样一个清晨：你打开电脑，AI 同事已经把昨晚的会议转录成要点，起草了两版方案，顺手做了份对手分析，还在日历上给你留了一句——“这一段我不确定，等你判断。”它像一个永不疲倦的搭档，也像一面镜子，映出你专业判断的价值所在。十年后，它会是帮手还是对手？答案不在科幻，而在数据与选择。真实世界里，AI 对工作的冲击既不是海啸式的全盘替代，也不是温柔无害的贴心助手，而是一股有方向、有结构的缓慢潮汐。面向自动化的“观测暴露度”衡量显示，受影响最深的并非体力劳动，而是高学历、高收入、以信息处理和文书为主的白领职业，其中女性占比较高的事务与分析岗位暴露更明显。冲击的节奏也更像“招聘踩刹车”而非“裁员急刹车”：近年高暴露岗位在职失业并未显著上升，但年轻人进入这些岗位的成功率下降，职业入口被抬高了门槛。别急着得出悲观结论。理论能力与实际落地之间仍有距离：以程序员为例，模型在理论上能接管大约九成任务，但在真实工作场景中，目前只覆盖到三分之一左右。更宏观地看，现阶段能以较低成本实现自动化的工作，只触及美国约十分之一劳动力承担的任务。这意味着“可替代”与“会替代”之间，还隔着流程重构、治理规范、用户需求与文化接受度。长期趋势也并非“净失业”。多份权威预测指向一个更复杂的再分配图景：到本十年末，被替代的岗位与新增岗位将并存，净增的可能性不小。许多职业将被重塑而非消失——软件开发因AI而得分“高暴露”，却可能因生产率提升而带动需求扩张。行业间的差异同样清晰：提供信息、写作、教学、咨询等任务密集的岗位更“适配”AI；医疗护理、部分一线服务与体力工种短期内更具韧性。与此同时，休闲与酒店业等面对面服务在一些经济体中仍在扩张，创造了大量就业空间。企业端正在给出“帮手”的实证：把AI嵌入邮件、文档、表格与会议系统，文档产出效率翻倍、会议整理时间下降七成、客服响应更快、研究时间缩短三成、数据分析辅助决策更敏捷。越来越多管理者预期，在未来几年里，AI 助手将成为知识工作流程的“默认配件”。当组织把它从“工具”升级为“同事”，关键不是酷炫功能，而是三件事：流程重设计、知识库融合、权限与合规到位。那它何时会像“对手”？当你把判断力外包，任由偏见、隐私与安全风险失控；当团队把AI当作裁员的捷径而非价值再分配的杠杆；当教育与培训跟不上入门岗位被压缩的节奏，年轻人失去踏板。好消息是，我们并非无能为力。更有效的就业监测要看“增量指标”如新岗位与招聘强度；针对高暴露群体与应届生的精准技能支持与职业引导，可以把“入口受阻”变成“阶梯升级”。在规则层面，围绕透明、可解释、可追溯与人类可控的伦理与治理框架，正在为“安全的人机协作”铺路。落到个人，最吃香的不是“万能AI专家”，而是“懂AI的行业专家”。把AI当作一位聪明但不完美的初级同事：交给它检索、梳理、起草、对比与复盘，把你的时间投向问题定义、跨域整合、关键决策与同理沟通。练好几项“耐替代”的底层能力——批判性思维与复杂问题解决、创造与创新、情感智能与共情、以及AI素养与提示词工程。你需要学会三件事：哪些任务该交给AI、何时必须人工介入、如何评估与修订AI的输出。十年后，AI 同事更像一台“放大器”。它放大你的洞察、也会放大你的疏忽；放大组织的远见、也会放大治理的缺陷。它究竟是帮手还是对手，取决于我们是否愿意用流程设计去驯服风险，用教育培训去拓宽入口，用专业与品格去定义价值。技术从不替人作答，它只把问题推到我们面前。与其问AI会不会夺走你的工作，不如问：当效率被交给机器，人性中那些不可替代的部分，你准备放大到多亮？

AI来袭，为什么高薪白领反而更危险？

为什么越“坐在电脑前”的人，越先被AI盯上？因为AI最擅长的，正是对数字世界的重写。它像一台高速的“认知引擎”，以文本、代码与表格为燃料，沿着流程化、可度量、可复制的任务高速推进。恰好，高薪白领的很多工作——分析、写作、汇报、风控、合规、运营与“中层协调”——几乎都长在这条数字管线上。看数据会更清醒。新的“观测暴露度”指标把模型的理论能力与企业的真实使用结合起来，直接对职业的AI冲击进行量化：收入与学历越高，暴露度越高。高暴露人群的平均时薪显著更高，研究生占比接近低暴露群体的四倍，女性比例也更高，因为大量事务性、分析性与文书类岗位集中在这一区间。基于任务的评估里，计算机程序员的可自动化覆盖度超过七成，客户服务、数据录入、医疗记录等紧随其后；相反，厨师、调酒师、维修工等职业的任务覆盖度为零或接近零。另一组独立评估显示，年薪超10万美元的职业平均风险评分约为6.7，而低于3.5万美元的仅为3.4——风险几乎翻倍。 “危险”并不等于“消失”。现实部署远落后于理论上限：在一些看似高度可替代的工种里，AI当下真正覆盖的任务份额只有三分之一左右。总体估算，AI已能胜任约11.7%的美国工作任务，但它更多以“助理”而非“替身”的方式出现。这也是为什么宏观层面并未出现失业海啸：部分月份里被归因于AI的裁员占比只有一位数，全年公告口径也不过数万人。然而，冲击在另一端更清晰——招聘口。22—25岁年轻人在高暴露岗位的入职成功率相较疫情后高点下滑超过一成，企业提高了“经验门槛”，要求5年经验的职位占比上升，入门级岗位被压缩，“用AI替掉新人、保留少数资深者”的倾向在扩散。为什么偏偏是高薪白领更危险？底层机制很朴素： - 任务可被清晰拆分、用数据驱动、以文本或代码表达，模型就能快速学习与复制；而高薪白领的大量价值，恰恰以此为形。 - 中层管理的“编纂—汇总—通报—对齐”是AI的甜点区，周报、备忘录、状态报告、会议纪要等天然可自动化，规模经济明显。 - 风险与责任可被制度化分担的领域（如部分金融、法务、合规、客服后台），企业更敢先用AI“试刀”。 - 数字化基础越完备、流程越标准，替换摩擦越低，AI落地就越快。但别被“直觉线性”骗了。技术进步既有替代效应，也有创造与互补效应。提高单人产出后，需求可能随之扩大（所谓“杰文斯悖论”）：软件开发者因效率激增，产品面与试错空间反而变大。也有企业走得太猛又折返的案例：某大型金融科技用AI客服覆盖了三分之二对话，相当于700名全职工作量，随后因体验下滑而重新招聘人类客服，“我们走得太远了”的反思，提醒大家人机协同边界仍在探索中。劳动力市场给出的是一幅“渐进式重构”图景。白领经济正在从疫情后过热回归常态，企业把“AI转型”与“控编降本”绑在一起叙述，既有现实也有包装。与此同时，大多数公司还没把AI深度嵌入日常流程，投入与收益存在时滞，市场对“会用AI的人”的溢价却在抬升——超过七成组织喊着“招不到对的技能”，尤其是AI应用、数据工程、AI素养这类“人机协同底座”。那么，路在何方？对个人而言，把工作从“可被分割的任务”升级为“不可替代的组合”： - 让AI做“做事”，你负责“做决定”：把时间投向问题界定、跨域整合、因果推理、风险与伦理取舍、客户信任与关系经营。 - 走到现场和人群中：更多实地、跨部门、面对面协作，让“物理世界+强关系”成为你的护城河。 - 拥抱AI而非回避它：学会把模型接入真实数据、流程与权限边界，做产品化、治理与安全的那个人，避免“影子AI”带来的合规与泄露。 - 证明而非宣称：用可复现的作品集与度量指标展示“我+AI”的复合产能，而不是一行履历里空洞的“熟练使用”。对组织与政策，关键是守住“人才阶梯”。别用AI切断培养链条——砍掉初级岗位，等于掐死了未来的中高级；把KPI从存量指标挪到增量流量，重点监测新入职与岗位更新；为年轻劳动者提供有监督的人机协作型学徒制与再训练通道；建立“发现—检测—防护”的AI治理闭环，既防风险，也方便大规模落地。 AI来袭，高薪白领更危险，并非因为他们“多拿了钱”，而是因为他们的工作更接近“可被计算”。当工具越来越会写报告、写代码、写流程，我们的价值，将更体现在“该写哪份报告、为何写、写完能否改变世界”。与其问“AI会不会夺走白领的饭碗”，不如追问“怎样把白领工作重新设计为以人性优势为核心的人机合奏”。当我们重构工作的边界，也在重构成为人的方式。

AI创造的新财富，会流向你我还是少数人？

想象一幅动态的职业地图：342个方块拼成整座经济，每个方块的面积代表就业规模，颜色映射出工资、增长前景、教育门槛，或被AI“改写”的可能性。颜色越深，未来越不确定。问题来了——这波由AI释放的新财富，会流向你我，还是再次被少数人“吸星大法”般聚拢？从数据看，AI的冲击并非“齐头并进”。一项追踪美国劳动力市场真实变化的研究提出了“观测暴露度”指标，发现高学历、高收入的白领群体——尤其是文书与分析型岗位——受到的自动化压力更强。短期里，这种冲击更像是“招聘踩刹车”而非“裁员猛踩油门”：在职失业并未显著恶化，但22—25岁的新人更难叩开高暴露岗位的大门。全球层面，约四成岗位的任务会被AI触及，发达经济体更高，达到六成。与此同时，另一组预测提醒我们别忘了“创造效应”：到2030年，被替代的工作或许接近9200万，但新增岗位可能达1.7亿，净增约7800万。这是一场替代与创造赛跑的博弈。财富为何倾向“向上聚拢”？三股力量在同时发力。其一，资本深化。许多企业选择“少招人、增购算力”，利润更多回流到设备、模型与数据资产，劳动份额被挤压，消费呈现“K形”撕裂，增长越来越依赖AI单一主题，一旦投资降速，扩张失去支点。其二，“超级明星”效应。数据与算力形成护城河，边际成本递减带来赢家通吃。其三，代际门槛。高暴露职业对新人设置了更高的入场要求，职业路径的“第一步”被技术门槛抬高，收益更集中在先行者。但趋势并非宿命，扩散与共享的反作用力正在加强。开源与低成本模型显著降低了进入门槛，有团队用更少的标注与更高效的强化学习实现接近顶级推理能力，训练与推理成本断崖式下降，AI正在从“奢侈品”转为“日用品”。公共部门加速部署，政策把目光从“失业率”转向“新就业率”和“招聘总量”，并给年轻人定向增配培训与岗位通道。更关键的是，现实中的自动化远低于理论上限，很多高暴露岗位被“重塑而非取代”。当人和模型良性协作时，匹配得体的任务生产率可跃升四成以上，这意味着高附加值岗位的“人机协同红利”仍未被充分释放。谁会分到新蛋糕，取决于我们能否把“暴露”变成“赋能”。政策上，预分配思路正在兴起：用股权、数据红利、主权基金等工具，让国民在增长起点就参与资本回报；以税收与采购激励“增岗型、补岗型AI”，对坐拥数据与算力的垄断进行适度约束；就业治理从存量走向增量，对青年与转岗群体给出可兑现的训练与实习席位。企业层面，共享节约合约、员工持股与“AI上岗证预算”联动落地，让效率提升的果实在组织内部分层分配、可度量、可追责。技术层面，把智能体做成“可授权、可监督、可接管”的安全架构，才能把AI从演示厅带进流水线与服务台。个人层面，决定权也握在你我手中：学会把AI当副驾，把时间投向机器薄弱的地带——跨学科整合、情感沟通、现场执行、复杂治理——并用作品、数据与小型自动化流程沉淀“可复用资产”，让自己的收入来源更像“组合拳”，而非单一岗位的脆弱赌注。别忘了，经济并不只剩“数字工作”。在未来十年里，休闲与酒店业仍将创造大批岗位；电工、设备维护、现场运营等高接触、强执行的蓝领职业，因AI难以完全替代而出现缺口。另一边，端侧AI、行业解决方案、数据治理与隐私合规等“铲子生意”，会在成本下降与需求上升的交汇处打开稳定的现金流入口。归根到底，财富像水，技术决定落差，制度设计出河道，个体选择修水渠。AI不会自动把蛋糕切给多数人，也不必然奉送给少数人。让颜色更深的方块不等于“淘汰令”，而是“再设计”的起点；让算法更聪明的同时，也让分配更聪明。愿我们不再只问“谁拿走蛋糕”，而是一起回答“如何把蛋糕做得更大、更共享”——当你学会与AI共舞，财富的流向，也许就开始向你微微偏转。

程序员被替代时，为何服务员却更抢手？

为什么写代码的人在焦虑，而端盘子的人反而抢手？因为这一次技术浪潮先从“屏幕内”掀起巨浪。AI最擅长吞吐文本、遵循规则、批量生成——它像一台无形的“数字涡轮机”，先贴着键盘转起来，而不是钻进嘈杂、变化、充满情绪与偶发性的现实世界。编程、文书、数据处理这些高重复、强规则、纯数字的任务，被AI快速“加速”；而需要身体到场、即时协作、情感沟通与临场判断的服务业，却在需求端持续升温。看数据更直观。研究显示，计算机与数学类岗位中，理论上约九成以上任务可被大模型显著加速，程序员的任务暴露度约在七成以上。现实部署暂未到位，但企业的用人逻辑已开始变化：并不是立刻裁员，而是先减少初级岗位招聘。自ChatGPT面世以来，高暴露职业的在职失业率并未激增，但22—25岁新人的进入率在这类岗位中下降约14%。AI让编程走向“高价值设计+低代码实现”，负责样板化编码的人最先被挤压，系统架构、需求分析、场景拆解与AI编排能力的溢价同步提高。反观服务业，需求曲线在上扬。美国BLS预测2023—2033年净增670万个岗位，其中休闲与酒店业贡献超82万。中国这边，服务业吸纳就业达3.6亿人，占比48.8%，2025年二季度最终消费对GDP增长贡献率达52.3%，服务消费是主引擎。消费升级叠加“体验经济”，当AI把信息类产品做得更便宜，人们把节省下的时间与预算转向餐饮、旅游、娱乐与健康护理，线下体验成了新的稀缺品。服务员为何“抗AI”？本质在于任务形态。现实场景的非结构化、动态性和人际互动，使“同理心+判断+手眼协调”成为门槛。国际劳工组织也指出，生成式AI更可能重塑而非消灭岗位，首当其冲的是文职与高度数字化的认知工种，而厨师、机械维修、酒保、救生员这类以现场操作与服务为核心的职业AI暴露度低。麦肯锡的结论同频：最安全的能力是关怀、协作、谈判与指导；AI善于“怎么做”，但“做什么、为什么做”仍需人来定。即便在餐饮等高频场景，AI更多扮演“第二双眼”。从AI点餐、个性化推荐，到销量预测、智能排班与厨房影像识别，它把经验变成可量化的决策，稳定品质、减少浪费，却不等于“无人餐厅”。一线案例里，客服机器人可自动解决约七成标准化咨询，但复杂投诉与情绪管理仍需人工接手。地方产业规划也在强调“增效而非清人”，例如推动“AI营养分析师”、工艺数据化与供应链智能化，让人从重复劳动中解放出来，把精力投向顾客体验与品牌价值。还有两个经常被忽略的经济学因素。其一，地点黏性与监管约束。代码与报表可以跨境流动，线下服务却难以外包到海外，也受本地卫生、安全、用工与消费文化制约。其二，需求弹性与“潜在需求”。AI提高软件与信息服务的生产率，反向释放了对线下体验与人际服务的消费热情，催生更多“人味儿”岗位与更细分的服务形态。这并不意味着程序员从此式微。面向未来的编程不再是“手写每一行”，而是“定义问题—设计系统—编排智能体—守住合规与风险”。需求分析、行业知识、AI工具驾驭与伦理判断，正成为新的“黄金四角”。同样，服务员也在升级：会用数据看报表、懂算法背后的逻辑、能借助手持终端做实时加购推荐与客诉闭环的人，产出更高、晋升更快。真正被替代的，往往是不愿与AI协同的人。答案因此清晰而充满希望：AI在重构“数字劳动”，服务业在扩容“人类价值”。一个把速度交给机器、把温度留给人类的时代正在成形。无论你在屏幕内还是柜台前，最稳的护城河，都是把技术当外骨骼、把人性当核心竞争力。当工作从“制造东西”转向“创造意义”，选择与AI共舞、让自己更像人，恰恰是最不容易被替代的路径。

新知 - 大圆镜｜AI没抢美国工作，却悄悄换了职场规则

对抗知识焦虑，从看懂这条开始

App 下载

当ChatGPT敲出第一行代码时，有人喊着“程序员要失业了”。但美国劳工统计局的数据却给了所有人一记反杀：2023到2033年，软件开发岗位将增长17.9%，比多数行业都快。更诡异的是，这个被AI打了9/10暴露分的职业，反而成了就业市场的香饽饽。

这不是悖论——一款能把342个美国职业、1.43亿个岗位揉进一张彩色地图的工具，正把AI对职场的真实影响摊在阳光下。它用矩形大小标记岗位规模，用颜色深浅显示AI渗透程度，点一下就能看到每个职业的命运。问题是：AI到底在怎么改变工作？这张地图的背后，藏着怎样的技术逻辑？

不是岗位消失，是任务被拆碎

你可以把AI对职场的冲击想象成拆乐高：不是把整个积木塔推倒，而是把上面的蓝色块、黄色块逐个换掉——这就是**数字AI暴露度（Digital AI Exposure）**的核心逻辑，它不预测岗位会不会消失，只算AI能渗透多少具体任务。

比如软件开发者的暴露分高达9/10，不是因为AI会写代码抢饭碗，而是AI能帮他们自动补全代码、排查bug、生成测试用例，把原来占工作30%的机械任务全部接管。开发者不用再和重复代码死磕，转而专注于设计系统架构、对接用户需求这些AI搞不定的事。

美国劳工统计局的任务数据库里，每个职业被拆成了上百个细分动作：律师要写诉状、查案例、见客户；护士要测生命体征、写护理记录、和患者沟通。AI不会直接取代律师或护士，但能把写诉状、录记录这类标准化任务的时间压缩一半。

关键数据藏在细节里：目前美国约三分之一的岗位高度暴露于AI，但失业率并没有飙升。真正的变化是，每个岗位的“任务菜单”被重新编辑了——AI吃掉了重复的、规则化的部分，剩下的全是需要人类判断、沟通和创造的硬骨头。

给1.43亿个岗位“上色”的AI魔法

那张让人一眼看懂职场的彩色地图，靠的是**大语言模型驱动着色（LLM-powered coloring）**——这是一套能给任何职业打分的流水线，核心是让AI当“职场分析师”。

先看技术链条：开发者从劳工统计局爬下342个职业的全部数据，把每个职业的任务清单喂给AI，再写一段定制化的提示词——比如“评估当前AI对这个职业的任务替代程度，打1-10分”。AI会逐个分析每个任务：“数据录入员的核心任务是输入表格，AI能100%完成，打9分；心理咨询师的核心是共情，AI做不到，打1分”。

为了避免AI“瞎打分”，这套系统用了好几个开源大语言模型一起评估，最后取平均值。比如数据录入员的得分，Mistral给9分，OpenChat给8分，Orca-mini给9分，最终得分就是8.7分，对应地图上最深的红色。

最妙的是，你可以随便改提示词：想知道哪个职业容易被机器人取代？写一句“评估人形机器人对该职业的替代风险”，重新跑一遍流水线，地图颜色就会完全变样；想测哪个岗位受气候变化影响大？换个提示词就行。这不是一张固定的地图，而是一个能回答任何职场问题的AI工具箱。

当然，它也有bug：AI打分是基于当前技术的“静态评估”，不会考虑市场需求的变化——比如软件开发者的AI暴露度高，但企业对软件的需求可能因为AI效率提升而暴涨，反而需要更多开发者。这也是为什么高暴露分不意味着失业，只意味着工作会被重塑。

年轻人先被AI“卡”了门槛

地图上还有个容易被忽略的细节：AI对职场的冲击不是平均的，年轻人正在成为第一批被影响的群体。

数据显示，22-25岁的年轻人在高AI暴露职业中的入职率下降了14%。原因很直接：AI接管了初级岗位的核心任务——比如初级程序员的代码补全、初级律师的案例检索、初级会计的发票整理。企业发现，一个资深员工加AI工具，能顶过去三个初级员工的活，自然会减少初级岗位的招聘。

这不是坏事，但也绝对不是好事。过去，年轻人靠初级岗位积累经验、提升技能，一步步往上走；现在AI把这个“职场台阶”给拆了一半。如果没有新的路径，年轻人可能会陷入“没经验→找不到工作→更没经验”的死循环。

我认为，这才是AI对职场最隐蔽的影响：它不是要取代谁，而是要重新定义“职场入门券”。以后的初级岗位，可能不再是做重复任务，而是要学会和AI协作——比如用AI生成代码框架后优化结构，用AI整理案例后分析法律逻辑。不会用AI的年轻人，可能连职场的门都摸不到。

当我们盯着那张彩色地图感叹AI的威力时，其实忽略了更重要的事：AI从来不是职场的“外来入侵者”，而是正在变成每个岗位的“标配工具”。就像当年的电脑、互联网一样，它不会取代某个职业，只会淘汰不会用它的人。

AI重塑工作，而非取代工作。 这句话不是鸡汤，是已经发生的事实：软件开发者因为AI更高效，律师因为AI能处理更多案件，护士因为AI能腾出更多时间照顾患者。职场的游戏规则确实变了，但不是变得更残酷，而是变得更考验人的核心能力——那些AI学不会的沟通、创造和判断。

也许再过十年，我们回头看这张地图，会发现那些红色的高暴露岗位，反而成了职场里最有活力的地方。毕竟，人类最擅长的事，就是在变化里找到新的出路。

不是岗位消失，是任务被拆碎

给1.43亿个岗位“上色”的AI魔法

年轻人先被AI“卡”了门槛

评论