背景

不同于几年前，AI 的能力已经在很短时间里往前跨了几步。吴恩达最近更新了一期提示词课程，B 站上有完整翻译版，趁假期看完之后，我重新整理了一下自己这段时间使用 AI 的一些体会。

这不是一篇讲某个 prompt 技巧的文章，而是想讲我现在理解 AI 的三个层次：先是心态上不要提前给它划边界，再是判断什么问题适合交给它，最后是在具体任务里重新设计人和 AI 的分工。

https://www.bilibili.com/video/BV1UT9qBDET7/?spm_id_from=333.1391.0.0&vd_source=ec3fea7d92aa6d389caa46c1720aaa7f

---

心态：不对 AI 设限

很多人以为自己已经很会用 AI 了。

但实际上，他们只是很熟练地把 AI 用在最不重要的那一小步：资料已经查好了，让它总结一下；数据已经清好了，让它算一下；文章已经写完了，让它润色一下。AI 确实被用到了，但它真正能参与的部分，往往被我们提前拿掉了。

一、你不是不会用 AI，是心里给它划了一个太小的圈

AI 用得好不好，第一个决定因素未必是 prompt 技巧，也未必是模型够不够贵，而是你心里到底允许它参与到任务的哪一层。

很多时候，限制不是来自模型，而是来自我们自己的默认判断。比如一个陌生领域的问题，你会下意识先自己花两小时查资料，最后才想起来问 AI；一个数据分析任务，你会先把 Excel 清一遍、字段整理好、格式调统一，最后只让它帮你写几句结论。这样用当然也有帮助，但它发挥的只是末端能力。

真正值得警惕的是：你以为自己是在谨慎使用 AI，其实是在用旧习惯替它提前判死刑。

同样一件事，如果你只让 AI 做最后一步，它看起来就只能做最后一步；如果你把更完整的任务交给它，它才有机会告诉你自己能做到哪一步。所谓不对 AI 设限，不是相信它什么都能做，而是不要在任务开始前就替它判断“这个它肯定不行”。

二、这个圈不是你主动画的，是经验自动画的

更麻烦的是，这个圈往往不是你有意识画出来的，而是经验自动画出来的。

尤其是早几年就开始用 AI 的人，很容易被旧印象绑住。那时候它会编不存在的函数，会把简单问题答错，会写出一段看起来完整但根本跑不起来的代码。于是你脑子里慢慢形成了一份“AI 做不了的事情”清单。

问题是，模型能力一直在变，但这份清单未必跟着更新。

所以当新模型已经能处理更长上下文、调用工具、自己搜索、自己跑代码、自己根据报错修改时，你可能还在用半年前甚至一年前的经验判断它。看到一个任务，脑子里自动闪过一句：“这个它估计做不了，我先拆一下再喂给它。”任务就在这一步被降级了。

这也是用 AI 最隐蔽的陷阱：你越熟悉它，反而越容易在一个已经过时的判断上继续给它划圈。

三、把圈推开一点，具体长什么样

把圈推开，不是让 AI 替你做所有决定，而是先把任务交出去一层，看它能跑到哪里，再由你来判断、校验和兜底。

第一层，是把输入交出去。

以前做数据分析，我会先自己整理表格，把字段名改清楚，把异常值删掉，再让 AI 帮忙分析。现在更好的做法是反过来：先把原始导出的表格给它，让它自己识别字段、发现异常、提出分析方向。它的结果不一定比专业分析师精细，但对很多日常问题来说，已经足够把第一版判断推出来。

第二层，是把分工方式交出去。

很多人用 AI 的方式是：我先想好这个问题应该拆成哪几块，然后让 AI 分别填空。但其实有些时候，更应该先问它：“这个问题应该从哪几个维度拆？”比如要调研一个新产品，不一定要自己先列好市场、竞品、用户、商业模式这几个框，而是让 AI 先给出它认为合理的分析结构，你再判断哪些维度适合保留。

第三层，是把闭环交出去。

写代码尤其适合这样做。过去我们会盯着 AI 一行一行写，担心它写错；但盯着过程不代表就能避免错误，反而会限制它的发挥。更好的方式是给清楚目标，让它自己写、自己跑、自己根据报错改。人的角色从“盯着它写每一行”，变成“验收结果是否符合预期”：功能能不能跑，边界条件有没有覆盖，测试有没有通过。

这三层其实是一条递进：从把输入交出去，到把拆法交出去，再到把执行闭环交出去。交出去的范围越大，AI 暴露出来的能力边界才越真实。

四、不设限不是不校验

这里有一个很重要的边界：不对 AI 设限，不等于不校验。

AI 依然会编造，依然会漏掉关键前提，依然可能在看起来很有道理的地方犯错。尤其是涉及公司内部背景、业务历史、隐私数据、关键决策的时候，人不能把责任一并交出去。

正确的姿势不是“相信 AI 什么都能做”，而是“先让它跑一版，再由人来验收”。你负责目标、背景、判断标准和最终责任；AI 负责把可探索的空间尽量往前推。

这也是为什么真正被校准的其实不是 AI，而是你自己的工作方式。你越清楚哪些事可以先交出去，哪些地方必须由自己判断，你能释放出来的时间和注意力就越多。

不要给 AI 设限，真正的意思是：不要用旧经验替新模型提前判死刑，但也不要忘了，最后负责判断的人仍然是你。

---

调用：越公共的问题，AI 越专业

心态这道关过了，下一步是判断：什么问题适合交给 AI？

我现在有一个简单但很管用的标准：看这个问题够不够公共。

一、先判断这个问题公不公共

AI 的知识主要来自公开世界。一个问题在互联网上被讨论得越多、行业里解决得越多、公开资料越充分，AI 就越容易给出靠谱答案。

比如学习一门编程语言、了解一个开源框架、对比几类常见工具、梳理一个行业的基本格局，这些都属于公共问题。你问它，本质上不是让它凭空发明，而是让它把别人已经讨论过、验证过、沉淀下来的知识调出来。

反过来，如果一个问题高度依赖公司内部背景、团队历史、隐性共识，AI 一上来就很难帮上忙。你问它“我们这个模块为什么当初这么设计”，它只能猜。这里的关键不只是数据是否私有，而是理解这些数据所需要的背景是否公开。

所以我会先问自己四个问题：

1. 这个问题网上是否有大量公开讨论？
2. 它是否有成熟的行业做法或常见范式？
3. 它是否不依赖公司内部的隐性背景？
4. 它给出的答案，我是否有办法验证？

前三个越接近“是”，越适合交给 AI。第四个如果是“否”，就不能完全依赖 AI，只能把它当作参考。

二、私有问题不是不能问，而是要补上下文

公共性低的问题，并不是不能用 AI，而是你要先把上下文补进去。

比如你让 AI 分析一份业务数据，如果字段含义清楚，它可以直接读；但如果某个指标背后有特殊口径，某个异常值其实来自一次内部活动，某个流程是历史原因留下来的，那这些背景它不可能凭空知道。

这时候，人要做的不是自己把所有分析都做完，而是把必要背景讲清楚：业务目标是什么，数据口径是什么，哪些约束不能碰，最终要做什么决策。上下文给得越完整，AI 能调用的公共知识就越能贴到你的具体问题上。

三、让它用对知识源

判断一个问题是公共的还不够，还要让 AI 用对知识源。

第一是解决时效。很多新技术、新产品、新政策变化很快，如果只靠模型训练时已有的知识，答案很可能过时。遇到这类问题，要让 AI 搜索最新资料，或者明确要求它基于最新官方信息回答。

第二是管住来源。不要只说“帮我查一下”，而是直接要求它优先查看官网、官方文档、官方博客、公开财报、权威媒体，尽量避开二手总结和个人博客。来源一换，结论质量会差很多。

第三是分清搜索引擎和 AI 的分工。如果我只是想找一篇原文，搜索引擎就够了；但如果我要横向比较几个方案、几个产品、几种说法，AI 更适合做汇总和归纳。

四、调研型任务，适合交给深度搜索

对于调研类任务，我现在的判断标准很简单：如果这件事自己做只要几分钟，就直接问；如果自己做要一两个小时甚至半天，就值得交给 AI 做深度搜索。

比如了解一个陌生行业、对比几家供应商、梳理某个产品方向的主流方案，这些任务本来就需要查很多资料、读很多页面、做横向比较。AI 可以先替你跑一版，把主要信息、差异点、风险点和参考来源整理出来。

这不代表你可以直接相信最后结论。更好的用法是：让它先把调研从“空白”推进到“可讨论的一版”，然后你再挑重点看原文、核事实、做判断。

五、高价值任务，不要省模型成本

还有几条小经验，真正用顺手之后会很明显。

第一，普通任务不一定需要最好的模型，但复杂推理、代码、长文、调研这类高价值任务，尽量用更强的模型。这里的差距往往不是“好一点”和“差一点”，而是“结果是否可用”。

第二，给够上下文。AI 每次回答都只能基于它当下看到的信息推理，你给的信息越完整，输出越贴近真实问题。

第三，把真正有挑战的任务交给它，不要只把它当打字机。写邮件、改错别字当然可以，但它真正能创造价值的地方，通常是那些本来会消耗你大量脑力的任务。

第四，对重要问题，不要让它快速给结论。可以明确要求它先拆解任务、列判断依据、标出不确定性、最后再给建议。与其说这是触发某种神秘模式，不如说是让它按更严谨的流程回答。

总结一下，越公共的问题，AI 越专业；但前提是你给够上下文、选对知识源、知道怎么验收。

---

方法：写作拆成几道工序，AI 才用得上

最后说一个具体场景：写作。

AI 写作最容易失败的地方，不是它写得不够快，而是我们把“写作”误解成了“生成全文”。

一、AI 写作不该是一次交付

很多人用 AI 写作，是把需求整个扔过去，然后等它一次性吐出一篇稿子。偶尔运气好，能拿到一篇看起来还行的；但大多数时候会有两个问题。

第一个是 AI 味。句子工整，过渡顺滑，但一段读下来都是放在哪里都成立的话，读完说不清它到底表达了什么。

第二个是改起来牵一发动全身。整篇文章的逻辑是它自己缝起来的，你想动一段，会发现前后几段都跟着松了。最后要么将就用，要么推翻重写。

问题不在 AI，而在“一次交付”这个用法本身。写作本来就不是一口气完成的，而是选题、头脑风暴、大纲、扩写、修改、评审一层层推进。AI 也应该放进这套流程里，而不是被要求一次性完成所有工序。

二、前期：让 AI 做头脑风暴和大纲

写之前，有两件事特别适合交给 AI：头脑风暴和搭大纲。

头脑风暴阶段，不要急着要成稿，而是让它尽量多给方向。比如一个主题可以从哪些角度切，读者可能关心什么，反面观点是什么，有哪些生活化例子可以展开。这个阶段的价值不是直接产出答案，而是帮你绕开自己的思维惯性。

从头脑风暴到正式动笔之间，最重要的是大纲。我自己更常用渐进式大纲：先让 AI 出一版，我看完之后告诉它哪里不对、哪里要加、哪里顺序要调；改完再看，再提意见。来回几轮之后，大纲会越来越接近我真正想说的东西。

这一步看起来慢，但其实是在前面把结构问题解决掉。骨架谈清楚之后，后面扩写就不会那么容易牵一发动全身。

三、中期：扩写尽量自己来，AI 做辅助

大纲定好之后，进入扩写。这一步我反而不太愿意完全交给 AI。

原因很简单：文章的声音主要是在扩写里长出来的。如果这一层完全交给 AI，它很容易写成那种“看起来对、其实空”的段落。你贪一时省事，最后读者读到的就是那股 AI 味。

所以扩写时，我更倾向于自己写，AI 在旁边辅助。卡壳的时候问它这一段还可以从哪几个方向展开，或者让它给几个例子让我挑，但真正落成句子的部分，尽量还是自己来。

这样写出来的东西也许没那么工整，但至少有自己的判断和语气。

四、修改：让 AI 做候选库

真正适合把 AI 放进来的，是修改阶段。

我的做法是，一句一句、一段一段地过。遇到自己不满意的表达，就把这一句贴给 AI，让它在不改变意思的前提下，给我三到五个不同版本。然后我从里面挑一个最接近自己语感的，或者把几版揉在一起重新写。

这种用法有几个好处。

一是文风还在你手里，因为最终选择权是你的。二是 AI 给的版本哪怕一个都不用，也经常能触发你自己想到更好的说法。三是每次只动一小块，不会破坏全文结构。

所以对写作来说，AI 不一定适合直接替你写完整段落，但很适合成为一个随叫随到的表达候选库。

五、后期：让 AI 当评审

文章差不多写完之后，还可以让 AI 充当外部评审。

但不要直接问“这篇写得怎么样”。这样问，得到的多半是一段客套话。更好的做法是先给它一把尺子，比如：

1. 开头是否立住了论点；
2. 每一节是否有清楚的小结论；
3. 有没有空泛表达；
4. 例子是否具体；
5. 读完之后读者能带走什么。

然后让它按这些标准逐条打分、指出问题、给修改建议。标准越清楚，反馈越有用。

评分标准本身也可以让 AI 一起参与。你可以先问它：“这类文章应该从哪些维度评估？”它提一版，你删改一版，最后留下你认可的标准。

更进一步，还可以让不同模型分别评同一篇文章。每个模型敏感的点不一样，几个视角叠在一起，往往能看到自己没注意到的问题。

回头看，AI 写作真正有效的方式，不是让它一把梭生成全文，而是把头脑风暴、大纲、扩写、修改、评审拆开，每一道工序单独磨。好文章从来不是一下生成出来的，是一点一点改出来的。AI 的价值，是让“磨”这件事变得更高效。

---

总结：重新校准你和 AI 的关系

把三部分放在一起看，其实讲的是同一件事：AI 不是一个只能帮你补几句话、润几段文字的工具，而是一个可以参与任务前期判断、中期执行和后期评审的协作者。用好它的前提，是先别用旧经验限制它，再判断问题是不是它擅长的公共问题，最后把具体任务拆成一道道工序，让它在合适的位置发挥作用。

所以，不对 AI 设限，不是盲目相信它，而是重新校准你和它的分工：让 AI 尽可能多地推进探索、生成候选、整理信息、跑出初版；让人负责目标、背景、判断、取舍和最终验收。真正改变效率的，不是某一句神奇 prompt，而是你愿不愿意把原来默认自己扛下来的那部分工作，重新拿出来分配一次。