AI時代的AI使用原則，提問是最好的思考。
整理版優先睇
AI時代，提問係最好嘅思考：答案越嚟越平，問題先係新嘅稀缺品
呢篇文章出自一位長期觀察AI應用嘅作者，佢整合咗多個研究（MIT、NBER、HBS/BCG）同埋實戰案例，想解決一個核心問題：AI能力越嚟越強，啲人點樣先可以唔只係用AI嚟生產答案，而係用AI嚟生產判斷？整體結論係：AI提高下限，但上限依然取決於你問咩問題；提問能力決定咗你係「普通人」定係「高手」。
文章先講時代轉變：以前答案貴，問題平；而家答案平，問題貴。Google同Anthropic嘅官方文檔都強調，prompt engineering唔係一句話，而係一個迭代系統，要先定義「好」嘅標準。再用實習生例子說明，同樣係「新能源行業分析」，高手嘅提問能夠引導AI產出真正可用嘅決策資訊，而普通人只係要一份表面完整嘅報告。
然後文章用多個研究數據證明：AI真係提高下限（新手生產率提升34%），但喺複雜任務上可能放大誤判（表現下降23%）。所以關鍵唔係用唔用AI，而係點樣提問——好問題有五層結構（目標、背景、約束、標準、驗證），仲有「八刀追問法」由多角度審視答案。最後仲提供咗五個可直接複用嘅提問模板、七個常見錯誤、一條完整嘅SOP工作流，同埋《Co-Intelligence》四條AI使用原則，幫讀者由「問答案」升級到「搭問題鏈」。
- 結論：AI時代答案氾濫，好問題成為稀缺品；提問能力決定你係用AI生產答案定係生產判斷。
- 方法：使用「五層問題結構」（目標、背景、約束、標準、驗證）設計問題，配合「八刀追問法」多角度審視答案。
- 差異：普通人問AI要答案，高手問AI要決策系統；AI提高新手下限（34%提升），但可能放大誤判（複雜任務表現跌23%）。
- 啟發：提問係最好嘅思考，因為問題決定咗你睇到咩、忽略咩、下一步做咩；真正嘅判斷需要返去現實驗證。
- 可行動點：建立「問題鏈」工作流（定義目標→補充背景→多方案→反方審查→最小實驗→覆盤），並使用文中五個提問模板同SOP。
深度研究模板
我想研究【主題】。請不要直接給泛泛結論，而是按以下結構輸出：1. 先定義呢個問題嘅邊界：佢包含咩，唔包含咩。2. 畀出5個關鍵子問題。3. 每個子問題列出主流觀點、反方觀點、關鍵證據。4. 標註邊啲係事實，邊啲係假設，邊啲需要進一步驗證。5. 畀出3個真實世界案例。6. 最後總結：如果我要採取行動，下一步最小可行步驟係咩？輸出要求：- 用表格總結關鍵點；- 唔好堆概念；- 每個結論後面都要話畀我知佢點解重要；- 最後畀我一個7天行動計劃。
反方審判模板
請你唔好支持我。請你扮演一個非常理性、刻薄、見過大量失敗案例嘅反方顧問。我嘅想法係：【寫下想法】請你：1. 揾出呢個想法最脆弱嘅10個假設；2. 說明每個假設點解可能唔成立；3. 畀出最平嘅驗證方法；4. 話畀我知如果而家唔做呢個，仲有邊3個更好嘅替代選擇；5. 最後判斷：呢個想法係應該立刻驗證、暫時擱置，定係直接放棄。
用戶痛點挖掘模板
目標用戶係：【用戶羣體】請幫我從用戶嘅一日開始分析：1. 佢哋每日喺邊啲場景裏便痛苦？2. 邊啲痛苦係高頻但低價值？3. 邊啲痛苦係低頻但高價值？4. 邊啲痛苦佢哋已經在花錢解決？5. 佢哋而家用咩替代方案？6. 我點樣用一個極小產品切入去？7. 我應該問用戶邊15個訪談問題，先可以判斷佢哋係咪真係願意俾錢？
決策比較模板
我而家有三個選擇：A：【選擇A】B：【選擇B】C：【選擇C】請按以下維度比較：1. 潛在收益 2. 啟動成本 3. 時間成本 4. 學習曲線 5. 失敗代價 6. 最快驗證方式 7. 長期複利 8. 最大隱藏風險。請唔好平均主義，最後必須明確推薦一個，並說明點解唔係另外兩個。
時代變咗：以前答案貴，而家問題貴
以前一個人想學寫商業計劃、做用戶調研、寫Code、做廣告文案，要讀書、問專家、上堂、踩半年坑——答案好貴。而家一個問題掉俾AI，幾秒鐘就出到一篇文章、一份表格、一套方案。答案突然變得好平。
答案變便宜以後，問題就變成新嘅稀缺品
因為AI令所有人都可以獲得「似樣嘅答案」，但唔係人人都識得提出「值得回答嘅問題」。好似以前冇導航，認路嘅人有優勢；而家人人有導航，真正嘅優勢變成：你到底想去邊？點解去？點樣判斷冇白行一趟？
文章用咗一個實習生例子：兩個人同樣做「新能源行業分析」。第一個問「幫我寫份報告」，得到一份樣樣有但樣樣唔掂嘅「冇鹽湯」。第二個問嘅時候講清楚對象、時間、關心嘅問題、分析角度、行動計劃同輸出格式——結果完全唔同層次。呢個就係分水嶺：普通人用AI生產答案，高手用AI生產判斷。
AI提高下限，但唔會自動提高你嘅上限
MIT嘅研究顯示，用ChatGPT做專業寫作任務，完成時間下降40%，輸出質量上升18%。NBER關於客服中心嘅研究發現，AI助手令新手同低技能員工生產率提升34%，但對經驗豐富嘅員工影響較細。呢個就係「提高下限」：AI將高手嘅經驗壓縮成普通人可以用嘅工具。
AI好危險嘅時候，唔係佢明顯亂講，而係佢一本正經噉講錯
HBS與BCG嘅實驗好關鍵：喺AI能力邊界內嘅任務，用AI嘅人完成多12.2%、快25.1%；但喺複雜商業問題上，用AI嘅人反而比唔用嘅低23%正確率。NIST嘅風險框架將呢類問題叫做confabulation（AI自信噉輸出錯誤內容）。所以你問「畀我一個結論」，佢就畀一個看似專業嘅結論；你問「呢個結論最可能錯喺邊」，佢先會變成你嘅思考夥伴。
點解提問係最好嘅思考？因為問題決定三件事
- 1 問題決定你睇到咗咩
- 2 決定你忽略咗咩
- 3 決定你下一步做咩。一個人問「我點樣揾錢」，問題太大，AI只會俾一堆正確廢話。但如果你問「我冇技術背景但執行力強，目標係儘快建立可驗證嘅現金流項目，請從用戶付費痛點強、交付難度低、可用AI放大、冷啟動渠道明確、7日內可驗證需求五個條件出發，畀我20個項目方向」——呢個先叫問題，因為你喺度定義搜索空間。
好問題嘅五層結構：目標、背景、約束、標準、驗證
- 1 目標層：你到底想改變咩？目標越清楚，AI越唔會亂跑。
- 2 背景層：而家發生緊咩？背景係模型判斷嘅燃料。
- 3 約束層：邊啲嘢唔可以做？約束逼出真正可執行嘅方案。
- 4 標準層：咩叫好答案？標準令AI從「會講」變成「會篩」。
- 5 驗證層：答案點樣俾現實打臉？呢層最重要，要將AI變成實驗設計師。
跟住仲有「八刀追問法」：第一性原理、用戶視角、反方視角、證據視角、機會成本、執行視角、規模視角、覆盤視角。每次AI答完，攞呢八刀劈過去，先好收貨。
高手唔係問一次，而係搭一條問題鏈
一般人用AI：問 → 得答案 → 複製 → 結束。高手係：定義目標 → 補充上下文 → 生成候選 → 建立標準 → 篩選 → 反駁 → 揾證據 → 設計實驗 → 執行 → 覆盤 → 再問。OpenAI文檔都強調複雜任務要計劃、拆分子任務、追蹤進度。
單個prompt唔重要，問題鏈先重要
- 深度研究問題鏈：重新定義問題→第一性原理拆變量→提出10個可能答案→建立評分模型→選前三名並寫反方觀點→設計48小時驗證實驗→轉成SOP→假設失敗寫覆盤，成功寫擴張計劃。
- 五個可直接複用嘅模板：深度研究模板、反方審判模板、用戶痛點挖掘模板、決策比較模板、從答案到執行模板。
- 七個最易犯嘅錯誤：問得太太大、唔畀背景、只要正方觀點、將靚答案當正確、唔定義成功標準、唔畀AI反問、問完唔行動。
文章最後仲整合咗《Co-Intelligence》四條原則：Always invite AI to the table、Be the human in the loop、Treat AI like a person but tell it what kind of person it is、Assume this is the worst AI you will ever use。呢四條構成閉環：AI入場，人類掌舵，角色清晰，系統進化。
即用嘅提問SOP同萬能框架
文章提供咗一條完整嘅「AI時代高質量提問工作流SOP」，由定義目標、補充背景、設置成功標準、讓AI先澄清、生成多個方案、建立評分模型、反方審查、轉成最小實驗到執行後覆盤，一共9步。仲有一個5W2H萬能框架（Who/What/Why/Where/When/How/How much），同埋20項檢查清單，每次問AI前篩一次。
答案會越來越平，甚至平過空氣；但好問題唔會
好問題背後係慾望、判斷、經驗、取捨、勇氣，仲有俾現實打面之後繼續追問嘅狠勁。真正嘅高手唔係多識幾個prompt，而係每次見到答案之後，都會多問一句：呢個係真嘅嗎？仲有冇其他角度？邊個假設最危險？我下一步點樣驗證？呢四句話，最值錢。
SOP 1：定義目標（一句話）
SOP 2：補充背景（身份、對象、資源、限制等）
SOP 3：設置成功標準（直接執行？有證據？有反方？）
SOP 4：讓AI先問你5-10個澄清問題
SOP 5：生成5個不同方案（保守/激進/低成本/最快驗證/長期複利）
SOP 6：建立6維評分表（收益、速度、成本、風險、可驗證性、可擴展性）
SOP 7：反方審查（指出最易錯嘅地方）
SOP 8：轉成48小時最小實驗（步驟、工具、成本、成功/失敗標準）
SOP 9：執行後回填數據並覆盤記住：AI係發動機，問題係方向盤
AI時代，提問係最好嘅思考：答案氾濫之後，問題就係新嘅稀缺品
黃金提問公式：
我要達成咩結果？
而家有咩背景同約束？
邊個係目標對象？
成功標準係咩？
需要邊啲證據？
有啲咩反方觀點？
邊一步最平、最快、最能驗證？
請將答案變成可執行 SOP。
再短啲：
目標 + 背景 + 約束 + 標準 + 證據 + 反方 + 輸出格式 + 下一步行動。
你講得啱，AI 能提高下限，但上限依然取決於你問咩。不過要再狠啲：上限唔只取決於你提出嘅問題，仲取決於你願唔願意將答案攞去現實入面驗證。 問題係刀，現實係磨刀石。只係識問，唔驗證，最後都係紙上談兵。
一、時代變咗：以前答案貴，而家問題貴
過去，一個人想知道點樣寫商業計劃、點樣做用戶調研、點樣寫代碼、點樣做廣告文案，要讀書、問專家、俾錢上堂、踩坑半年。答案好貴。
而家，一個問題掉俾 AI，幾秒鐘之後，佢能畀你一篇文章、一份表格、一套方案、一段代碼、十個商業模型、二十個廣告標題。答案突然變得好平。
但問題嚟喇，答案變平之後，咩變貴？
是好問題。
因為 AI 令到所有人都能獲得“似樣嘅答案”，但唔係所有人都能提出“值得回答嘅問題”。呢個就好似以前冇導航，認路嘅人有優勢；而家人人有導航，真正嘅優勢變咗：你到底想去邊？點解去？行邊條路嘅機會成本最低？到咗之後點判斷你冇白行？
Google 嘅官方提示設計文檔都將 prompt 解釋為畀語言模型嘅自然語言請求，可以包含問題、指令、上下文、少量示例等，並強調 prompt engineering 係反覆更新 prompt、評估模型回答嘅過程；呢個說明，提問唔係一句話，而係一個迭代系統。Anthropic 嘅提示工程文檔亦直接將“清晰嘅成功標準”同埋“能夠經驗性測試呢啲標準”放喺 prompt engineering 之前。換句話講，連 AI 公司自己都喺度話你知：先唔好急住調 prompt，先定義咩叫好。
小故事嚟喇。
有兩個實習生都接到一個任務：老細話，幫我做一份新能源行業分析。
第一個實習生問 AI：
幫我寫一份新能源行業分析報告。
AI 畀咗佢一份靚仔報告：行業背景、市場規模、政策趨勢、競爭格局、未來展望。睇落好完整，實際上似一碗冇鹽嘅湯，乜都有，乜都唔頂用。
第二個實習生問 AI：
我聽日要同一間準備進入新能源儲能賽道嘅中小製造企業老細做 20 分鐘匯報。老細關心三個問題：而家仲入唔入得，先進邊個細分領域，頭 90 日應該驗證啲咩。請你唔好泛泛介紹行業，而係從進入門檻、客戶付費能力、渠道難度、政策風險、現金流週期五個角度分析，並畀三個可驗證假設、三個反方觀點、一個 90 日行動計劃。最後用一頁表格總結。
你睇，同樣係 AI，同樣係“新能源行業分析”，兩個結果唔係一個層次。
第一個人在要內容。
第二個人在設計決策。
呢個就係 AI 時代嘅分水嶺：普通人用 AI 生產答案，高手用 AI 生產判斷。
二、AI 確實提高下限，但佢唔會自動提高你嘅上限
呢個唔係雞湯，研究都支持呢個方向。
MIT 關於 ChatGPT 對寫作任務影響嘅研究顯示，喺一啲專業寫作任務中，用 ChatGPT 令完成時間下降 40%，輸出質量上升 18%。NBER 關於客服中心嘅研究發現，AI 助手令客服人員平均生產率提高 14%，其中新手同低技能員工提升更明顯，達到 34%，而對經驗豐富、高技能員工影響較細。
呢個就係所謂“提高下限”：AI 將優秀員工嘅一部分經驗、表達、流程、標準，壓縮成普通人都能調用嘅工具。新手唔再完全從零開始。
想像一個客服新人阿梅。佢第一日返工，客戶怒氣沖沖咁問：你哋呢個軟件點解又扣費？
冇 AI 嘅時候，阿梅可能慌咗。佢一邊摷知識庫，一邊話唔好意思，我幫你查下，然後開始手忙腳亂。
有 AI 助手之後，系統實時提示佢：先承認情緒，再確認賬單週期，再解釋自動續費邏輯，再提供取消或退款路徑。
阿梅突然似有個老客服坐喺隔籬帶住佢一樣。佢唔係一夜之間變聰明咗，而係借到咗組織裏面最優秀客服嘅語言同流程。
所以 AI 好似“經驗壓縮機”。佢將高手嘅套路壓縮畀新手，將複雜嘅表達壓縮成模板，將空白頁壓縮成初稿。
但問題係，壓縮出嚟嘅經驗，唔等於真正嘅判斷。
HBS 同 BCG 嘅實驗非常關鍵。研究者叫咗 758 名知識工作者完成諮詢類任務，發現對處於 AI 能力邊界內嘅任務，用 AI 嘅人比唔用 AI 嘅人平均多完成 12.2% 嘅任務，快 25.1%，質量亦顯著提高；但對一個揀喺能力邊界外嘅複雜管理任務，用 AI 嘅人反而比唔用 AI 嘅人低 19% 正確率。BCG 對同一個研究嘅商業解讀裏面都提到，喺創意產品創新任務上，用 GPT-4 嘅參與者表現比對照組高 40%；但喺複雜商業問題求解任務上，用 GPT-4 嘅人反而低 23%。
呢個就係一個好殘酷嘅現實：AI 最危險嘅時候，唔係佢明顯胡說八道嘅時候，而係佢一本正經咁講錯嘅時候。
NIST 嘅生成式 AI 風險框架將呢類問題稱為 confabulation，即係 AI 生成並自信呈現錯誤或虛假內容，成日被叫做 hallucinations 或 fabrications；NIST 仲特別提醒，喺需要高度上下文同專業判斷嘅領域，呢類風險尤其重要。
所以，AI 提高下限係真嘅。
但 AI 放大誤判都係真嘅。
分別喺邊度？
喺提問者。
你問佢：畀我一個結論。
佢就畀你一個睇落好似結論嘅結論。
你問佢：呢個結論最有可能錯喺邊度？需要邊啲證據驗證？邊啲假設一旦唔成立，整個方案就冧？
佢先至開始變成你嘅思考夥伴。
呢個就係普通人同高手嘅差距。
三、提問點解係最好嘅思考？
因為問題決定咗三件事。
第一，佢決定你見到啲咩。
第二，佢決定你忽略啲咩。
第三，佢決定你下一步做啲咩。
一個人問：我點樣揾錢？
呢個問題太大，AI 只能畀你一堆“正確廢話”：做自媒體、做電商、做 SaaS、做課程、做諮詢、做 AI 工具。
呢個唔係 AI 廢，係問題廢。
你要問嘅係：
我而家冇技術背景，但學習同執行力強，目標係盡快建立一個可驗證嘅現金流項目。請你從“用戶付費痛點強、交付難度低、可用 AI 放大、冷啟動渠道明確、7 日內能驗證需求”五個條件出發，畀我 20 個項目方向。每個方向必須回答：邊個俾錢、點解而家痛、替代方案係咩、我點樣揾到頭 50 個用戶、48 小時內點樣驗證。
呢個先叫問題。
你唔係喺度要答案，你係喺度定義搜索空間。
小故事。
有個後生仔去買刀。佢問廚師：師傅，邊把刀最好？
廚師冇答。佢問：你切咩？肉、魚、菜、骨頭？你每日切幾多個鐘？你隻手幾大？你識唔識磨刀？你預算幾多？你係家用定開舖？
後生仔話：我只係想買最好嘅刀。
廚師話：冇最好嘅刀，只有最適合你嗰碟菜嘅刀。
AI 都係一樣。
冇最好嘅 prompt，只有最適合當前目標、場景、約束、驗證方式嘅問題。
所以“提問係最好嘅思考”呢句話嘅底層邏輯係：
思考唔係個腦有好多答案，而係能夠不斷逼近真正嘅問題。
普通人俾答案誘惑。
高手俾問題牽引。
四、好問題嘅五層結構
一個真正能夠將 AI 用得好嘅問題，通常有五層。
第一層：目標層，你到底想改變啲咩？
爛問題：幫我寫一篇文章。
好問題：我要寫一篇畀獨立開發者睇嘅文章，目標係令佢哋意識到 AI 時代提問能力決定產出上限，並願意收藏呢篇文章作為工作流模板。
目標越清楚，AI 越唔容易亂走。
第二層：背景層，而家發生咩事？
爛問題：幫我做個營銷方案。
好問題：我賣嘅係一個面向小團隊嘅 AI 客服工具，目標客戶係 10 到 50 人嘅跨境電商團隊。佢哋而家用人工客服加簡單 FAQ，痛點係夜晚回覆慢、重複問題多、客服培訓成本高。我嘅預算係 3000 美元，週期 30 日。
背景唔係廢話，背景係模型判斷嘅燃料。
OpenAI 文檔都強調，可以喺 prompt 入面加相關上下文，等模型可以存取訓練數據之外嘅資訊，或者將回答約束喺你指定嘅資源集合內；佢仲提到用 Markdown 或者 XML 幫模型理解 prompt 同上下文數據嘅邏輯邊界。
第三層：約束層，邊啲嘢唔做得？
爛問題：畀我一個增長計劃。
好問題：唔可以投大額廣告，唔可以請團隊，唔可以做重交付，必須 14 日內攞到第一批真實用戶反饋，最好能用 no-code 或者 AI 工具完成 MVP。
約束唔係限制創造力。約束係逼出真正可執行方案。
冇約束，AI 會畀你“宇宙級方案”：品牌升級、渠道矩陣、內容飛輪、私域運營、全鏈路轉化。聽落好爽，做起身想死。
第四層：標準層，咩叫好答案？
爛問題：邊個項目好？
好問題：請按五個維度評分：付費痛感、冷啟動難度、交付複雜度、競爭強度、可擴展性。每項 1 到 5 分，並解釋扣分原因。最後只推薦綜合分最高嘅頭三個。
標準令 AI 從“會講”變成“會篩”。
第五層：驗證層，答案點樣俾現實打面？
爛問題：呢個想法可行嗎？
好問題：請列出呢個想法最關鍵嘅 5 個假設，每個假設設計一個 48 小時內可執行嘅驗證實驗。要求成本低過 100 美元，能得到真實用戶行為，而唔係主觀意見。
呢一層最重要。
因為 AI 會回答“可行”。
現實會回答“冇人買”。
你要將 AI 從“答題機器”改造成“實驗設計師”。
五、多角度追問：每個答案都要被再審判一次
AI 畀你嘅第一版答案，通常只係“平均答案”。真正有價值嘅係下一步追問。
我畀你一套“八刀追問法”。每次 AI 回答後，唔好急住用，拎呢八刀斬佢。
第一刀：第一性原理
問：
將呢個問題拆到最底層，唔好引用行業慣例。呢件事成立嘅最小條件係咩？
例子：
唔係問“點樣做知識付費”，而係問“一個人點解願意為資訊付費？資訊幾時變成產品？資訊幾時只係噪音？”
第二刀：用戶視角
問：
企喺目標用戶角度，佢而家有咩更平、更熟、更懶嘅替代方案？點解佢要轉用我嘅方案？
好多創業想法死喺呢度。你以為用戶喺等你拯救，佢其實只係想繼續用 Excel 求其。
第三刀：反方視角
問：
請你作為最刻薄嘅投資人、最挑剔嘅客戶、最強嘅競爭對手，分別反駁呢個方案。
真正嘅高手唔係令 AI 鼓勵自己，而係令 AI 先羞辱自己。
係，難聽，但救命。
第四刀：證據視角
問：
你嘅判斷入面邊啲係事實，邊啲係假設，邊啲只係常識推斷？請分開列出，並話我知每個關鍵事實應該點樣驗證。
呢一步可以防止“流暢胡扯”。
第五刀：機會成本
問：
如果我做呢個方案，即係我唔可以做啲咩？相比其他三個選擇，佢最大嘅機會成本係咩？
人最易犯嘅錯，唔係做錯事，而係做咗一件仲算好但唔值得嘅事。
第六刀：執行視角
問：
如果得 7 日、500 美元、一個人執行，最小可行步驟係咩？每日做啲咩？失敗信號係咩？
冇執行粒度嘅答案，都係空氣。
第七刀：規模視角
問：
如果呢個方案由 10 個客戶擴到 1000 個客戶，最先冧係邊度？人力、技術、供應、現金流、獲客，邊個瓶頸最危險？
細生意睇啟動，大生意睇瓶頸。
第八刀：覆盤視角
問：
假設 30 日後呢個項目失敗咗，請寫一份事後覆盤，列出最可能嘅 10 個失敗原因，並話我知而家點樣預防。
呢個叫 premortem，事前驗屍。聽落唔吉利，但好值錢。
六、深度案例：一個獨立開發者點樣從“問賺錢項目”升級到“問題驅動創業”
我哋做一個完整案例。
先講爛問題。
AI，有咩適合獨立開發者賺錢嘅項目？
AI 大機會回答：
做 AI 寫作工具 做 Notion 模板 做小紅書自動化工具 做跨境電商選品工具 做簡歷優化工具 做 AI 客服插件 做課程平台 做數據分析工具
睇落有用，其實冇用。點解？因為佢冇幫你縮窄現實。
你冇講自己識咩、唔識咩、有咩資源、要幾快、承受得起幾多失敗、目標用戶係邊個、你有咩渠道、你想賺快錢定做長遠資產。
真正嘅提問應該係咁：
我係一個非技術背景但執行力強嘅獨立開發者，目標唔係求其揾項目，而係喺 30 日內驗證一個能產生真實付費嘅細型 AI 產品機會。
約束：
初期一個人做； 盡量用 no-code、現成 API、外包或者 AI 輔助； 第一版產品唔追求完美，只追求真實付費驗證； 目標客羣必須有明確預算同高頻痛點； 唔可以依賴長期內容營運，優先選擇可以冷郵件、社羣、平台、現有渠道觸及嘅用戶。 請你先唔好直接畀項目名，而係：
列出篩選項目嘅 10 個標準； 生成 30 個候選方向； 用標準評分； 揀出頭 5 個； 對每個方向寫出目標用戶、痛點、當前替代方案、點解願意俾錢、MVP 形態、48 小時驗證實驗； 最後畀你最推薦嘅一個，並寫出反方觀點。
呢個就唔係“問 AI 要答案”。
呢個係令 AI 進入你嘅決策系統。
小故事。
小林想做一個 AI 簡歷工具。佢一開始問：幫我做個 AI 簡歷優化產品方案。
AI 畀佢嘅方案好完整：用戶上傳簡歷，AI 分析職位 JD，自動優化措辭，畀評分，仲可以生成求職信。小林睇完熱血沸騰，覺得呢個肯定做得。
後來佢轉咗問法：
請你扮演一個冷酷嘅用戶研究員。假設我要做 AI 簡歷優化工具，請列出呢個市場最差嘅 10 個現實問題。
AI 回答：
用戶付費意願可能低，因為求職者預算有限。 競爭極多，差異化困難。 簡歷優化效果難驗證。 用戶可能一次性使用，好難留客。 大平台同招聘網站可以輕易複製。 用戶真正痛點可能唔係簡歷，而係唔知投咩職位。 如果生成內容太模板化，可能俾 HR 識穿。 獲客成本可能高過客單價。 學生同初級求職者願意試，但未必願意持續付費。 更有價值嘅客戶可能係職業諮詢師、留學機構、獵頭，而唔係個人用戶。
小林呆咗。
真正嘅機會由“畀個人做簡歷工具”變成“畀職業諮詢師做批量簡歷診斷同報告生成工具”。
同一個方向，因為追問，客戶變咗，產品變咗，商業模式變咗。
呢個就係好問題嘅威力。
一個平庸問題，只會得到一個擁擠市場。一個鋒利問題，可能會切出一個細分入口。
七、AI 時代嘅高手，唔係問一次，而係搭一條問題鏈
單個 prompt 唔重要，問題鏈重要。
普通人係咁用 AI 嘅：
問 → 得到答案 → 複製 → 結束。
高手係咁用 AI 嘅：
定義目標 → 補充上下文 → 生成候選 → 建立標準 → 篩選 → 反駁 → 揾證據 → 設計實驗 → 執行 → 覆盤 → 再問。
OpenAI 嘅文檔喺 agentic tasks 部分都強調，對複雜任務要進行計劃、拆分子任務、追蹤進度；喺 few-shot learning 部分則強調通過輸入/輸出示例來引導模型完成新任務。呢個其實同人嘅高質量思考好相似：唔係一拍腦袋，而有步驟、有樣例、有反饋。
畀你一個問題鏈模板，可以直接複製。
深度研究問題鏈
第一問：
請先幫我將呢個問題重新定義。唔好急住答，先話我知呢個問題可能有邊 5 種唔同理解，每種理解會導向咩唔同答案。
第二問：
而家請企喺第一性原理角度，將呢個問題拆成最基本嘅變量。邊啲變量最影響結果？
第三問：
請基於呢啲變量，提出 10 個可能答案。每個答案說明適用場景、唔適用場景、最大風險。
第四問：
請建立一個評分模型，對呢 10 個答案評分。評分維度包括收益、成本、速度、風險、可驗證性、可擴展性。
第五問：
請揀出頭三名，並分別寫出最強反方觀點。
第六問：
對第一名方案，列出最關鍵嘅 5 個假設。每個假設設計一個 48 小時內能驗證嘅實驗。
第七問：
請將實驗變成 SOP，包括步驟、工具、時間、成本、成功標準、失敗標準。
第八問：
假設執行失敗，請寫覆盤；假設執行成功，請寫下一階段擴張計劃。
呢個就係由“問答案”升級為“問系統”。
八、幾個可直接重用嘅高質量提問模板
1. 深度研究模板
我想研究【主題】。
請不要直接給泛泛結論，而是按以下結構輸出：
1. 先定義這個問題的邊界：它包含什麼，不包含什麼。
2. 給出 5 個關鍵子問題。
3. 每個子問題列出主流觀點、反方觀點、關鍵證據。
4. 標註哪些是事實，哪些是假設，哪些需要進一步驗證。
5. 給出 3 個真實世界案例。
6. 最後總結：如果我要採取行動，下一步最小可行步驟是什麼？
輸出要求：
- 用表格總結關鍵點；
- 不要堆概念；
- 每個結論後面都要告訴我它為什麼重要；
- 最後給我一個 7 天行動計劃。
2. 反方審判模板
請你不要支持我。請你扮演一個非常理性、刻薄、見過大量失敗案例的反方顧問。
我的想法是：【寫下想法】
請你：
1. 找出這個想法最脆弱的 10 個假設；
2. 說明每個假設為什麼可能不成立；
3. 給出最便宜的驗證方法；
4. 告訴我如果現在不做這個，還有哪 3 個更好的替代選擇；
5. 最後判斷：這個想法是應該立刻驗證、暫時擱置，還是直接放棄。
3. 用戶痛點挖掘模板
目標用戶是：【用戶羣體】
請幫我從用戶的一天開始分析：
1. 他們每天在哪些場景裏痛苦？
2. 哪些痛苦是高頻但低價值？
3. 哪些痛苦是低頻但高價值？
4. 哪些痛苦他們已經在花錢解決？
5. 他們現在用什麼替代方案？
6. 我怎樣用一個極小產品切進去？
7. 我應該問用戶哪 15 個訪談問題，才能判斷他們是否真的願意付錢？
4. 決策比較模板
我現在有三個選擇：
A：【選擇 A】
B：【選擇 B】
C：【選擇 C】
請按以下維度比較：
1. 潛在收益
2. 啓動成本
3. 時間成本
4. 學習曲線
5. 失敗代價
6. 最快驗證方式
7. 長期複利
8. 最大隱藏風險
請不要平均主義。最後必須明確推薦一個，並說明為什麼不是另外兩個。
5. 從答案到執行模板
你剛才給出的答案不錯。
現在請繼續：
1. 把它拆成具體任務；
2. 每個任務寫出完成標準；
3. 給出優先級；
4. 標出哪些任務可以今天做；
5. 哪些任務必須先驗證；
6. 哪些任務做了也可能沒用；
7. 最後給我一個 24 小時行動清單。
九、最易犯嘅 7 個提問錯誤
第一個錯誤：問得太大。
比如“點樣成功”“點樣揾錢”“點樣變強”。呢類問題唔係唔問得，但第一輪只能得到泛泛框架。要即刻追問：喺咩領域？咩時間？咩資源？咩標準？
第二個錯誤：唔畀背景。
AI 唔係神仙，佢唔知你係邊個、你嘅資源、你嘅用戶、你嘅約束。唔畀背景，佢只能按大眾平均值回答。平均值係安全嘅，但你要嘅係突破。
第三個錯誤：只要正方觀點。
好多人用 AI 係為咗得到安慰，唔係為咗得到真相。佢哋問：呢個項目有冇前景？AI 話有。佢哋就開心。唔好咁，太普通。真正要問：呢個項目點解會死？
第四個錯誤：將靚仔答案當正確答案。
AI 好擅長寫得順。順，唔代表啱。BCG 嘅研究入面就出現過呢種危險：喺複雜商業問題上，AI 嘅回答好有說服力，但參與者依賴佢之後表現反而更差。
第五個錯誤：唔定義成功標準。
你叫 AI 寫文案，但唔講目標係點擊率、轉化率、品牌感、信任感定係降低流失，佢只能寫一個“睇落似文案”嘅嘢。
第六個錯誤：唔叫 AI 問你問題。
好多時候，最好嘅第一步唔係叫 AI 回答，而係叫 AI 反問。
你可以話：
喺回答前，請先問我 10 個澄清問題。只有當你認為資訊足夠之後，再畀方案。
第七個錯誤：問完唔行動。
呢個最致命。
AI 時代唔係知識差距，係執行差距。你收藏咗 100 個 prompt，不如今日拎一個去驗證一個真實用戶。
十、一個更底層嘅判斷：AI 令“會提問嘅人”更似老細
老細真正做啲咩？
唔係每日親自寫代碼、寫文案、做表格、查資料。老細真正做嘅係：
判斷方向。
定義問題。
配置資源。
設定標準。
檢查結果。
承擔後果。
呢個唔係高質量提問咩？
你問 AI 嘅方式，其實暴露咗你係唔係一個“老細型思維”嘅人。
打工型提問：
幫我寫一下。
老細型提問：
呢個目標最關鍵嘅約束係咩？邊三條路徑可行？每條路徑嘅成本同風險係咩？如果只能揀一個，邊個最值得先驗證？請畀我執行表同檢查標準。
打工型提問喺要任務。
老細型提問喺要決策系統。
AI 時代最諷刺嘅地方係：工具變強之後，人反而更需要似老細咁思考。因為執行嘅一部分被工具食咗，剩低嘅就係判斷、取捨、驗證、承擔。
末尾 SOP：AI 時代高質量提問工作流
SOP 1：定義目標
先寫一句話：
我希望通過呢次提問，令現實發生咩變化？
唔好寫“我想了解”。
寫“我想做出決策”“我想完成一篇文章”“我想驗證一個項目”“我想減少一個風險”。
SOP 2：補充背景
至少包含：
我是誰 我要服務邊個 當前階段 已有資源 主要限制 唔可以做啲咩 最終輸出要用喺邊度
SOP 3：設置成功標準
問自己：
咩樣嘅回答，我會認為佢有用？
例如：
能直接執行 有證據 有反方觀點 有優先級 有成本估算 有時間表 有失敗標準
SOP 4：叫 AI 先澄清問題
Prompt：
在回答前，請先指出我的問題裏有哪些不清楚、不完整、可能導致誤判的地方，並問我 5 到 10 個澄清問題。
SOP 5：生成多個方案，唔好只要一個答案
Prompt：
請給我 5 個不同解法：保守方案、激進方案、低成本方案、最快驗證方案、長期複利方案。每個方案說明適用條件和失敗風險。
SOP 6：建立評分模型
Prompt：
請建立評分表，從收益、速度、成本、風險、可驗證性、可擴展性六個維度打分，並解釋每個分數。
SOP 7：反方審查
Prompt：
請站在反方角度審查你剛才的答案，指出最可能錯的地方、最危險的假設、最容易被忽略的現實變量。
SOP 8：轉成最小實驗
Prompt：
請把推薦方案變成 48 小時內可以驗證的最小實驗。要求有步驟、工具、成本、成功標準、失敗標準。
SOP 9：執行後回填數據
執行完，將真實結果掉返俾 AI：
這是我執行後的真實數據：【數據】
請幫我覆盤：
1. 原假設哪些成立？
2. 哪些被推翻？
3. 下一步應該繼續、轉向還是停止？
4. 如果繼續，下一輪實驗是什麼？
Checking List：每次問 AI 前檢查呢 20 項
[ ] 我有冇講清楚最終目標？ [ ] 我有冇講呢個答案要用喺咩場景？ [ ] 我有冇提供足夠背景？ [ ] 我有冇講清楚目標用戶係邊個？ [ ] 我有冇寫清楚資源限制？ [ ] 我有冇寫清楚時間限制？ [ ] 我有冇寫清楚預算限制？ [ ] 我有冇定義咩叫好答案？ [ ] 我有冇要求 AI 區分事實、假設同推斷？ [ ] 我有冇要求反方觀點？ [ ] 我有冇要求多個方案，而唔係單一答案？ [ ] 我有冇要求評分標準？ [ ] 我有冇要求優先級？ [ ] 我有冇要求下一步行動？ [ ] 我有冇要求最小驗證實驗？ [ ] 我有冇要求失敗標準？ [ ] 我有冇要求風險清單？ [ ] 我有冇叫 AI 先問我澄清問題？ [ ] 我有冇檢查 AI 可能會亂作嘅地方？ [ ] 我有冇將答案攞去現實入面驗證？
5W2H：AI 提問萬能框架
最後送你一句狠嘅：
AI 時代最大嘅懶，唔係唔寫 prompt，而係唔願意將問題諗清楚。
答案會越來越平，甚至平到似空氣。
但好問題唔會。
好問題背後係慾望、判斷、經驗、取捨、勇氣，仲有俾現實打面之後繼續追問嘅狠勁。
真正嘅高手唔係比人多識幾個 prompt。
真正嘅高手係每次見到答案之後，都會多問一句：
呢個係真嘅嗎？
仲有冇其他角度？
邊個假設最危險？
我下一步點樣驗證？
呢四句話，值錢。
《Co-Intelligence》四條 AI 使用原則深度梳理
呢四條唔係“提示詞技巧”，而係一套完整嘅新時代工作哲學：
將 AI 拉入嚟，但唔好將個腦交出去。
當佢係人咁溝通，但唔好忘記佢唔係人。
用今日嘅 AI 練未來嘅能力，因為今日呢批工具，大概率係你餘生裏面最差嗰批。
| 1. Always invite AI to the table | |||
| 2. Be the human in the loop | |||
| 3. Treat AI like a person, but tell it what kind of person it is | |||
| 4. Assume this is the worst AI you will ever use |
呢本書係 Wharton 教授 Ethan Mollick 喺 2024 年出版嘅《Co-Intelligence: Living and Working with AI》，核心唔係“AI 取代人”，而係“人同 AI 點樣共同思考、共同工作”。公開書介入面都明確話，Mollick 關注嘅係 AI 如何成為腦力激盪夥伴、共同寫作者、導師、教練，以及人類點樣用 AI 嘅力量而唔會丟咗自己嘅判斷。
先講透：呢四條其實係一條閉環
好多人用 AI 係碎片化嘅。
今日叫佢寫個朋友圈，聽日叫佢總結個 PDF，後日叫佢起個標題。睇落用咗，其實冇形成能力。
Mollick 呢四條厲害嘅地方在於，佢哋構成咗一個閉環：
第一步，拉佢入場。
唔好等到你完全卡死先問 AI。你一開頭就叫佢坐喺枱邊。你思考，佢補充；你判斷，佢挑戰；你寫第一版，佢寫第二版；你做決策，佢列風險。
第二步，人類兜底。
AI 係副駕駛，唔係司機。佢可以幫你睇路況，但方向盤仲喺你手。尤其係法律、醫療、財務、招聘、產品決策、公開發布內容呢啲場景，AI 畀嘅內容必須由人類驗證。
第三步，畀佢身份。
你唔可以將 AI 當成一個“萬能奴隸”。你要似管理一個聰明但冇上下文嘅員工一樣，話佢知：你係邊個、你服務邊個、目標係咩、標準係咩、唔可以做啲咩、輸出成點樣。
第四步，持續升級。
唔好鍾意一條提示詞，唔好鍾意一個模型，唔好鍾意一個今日睇落好神嘅技巧。未來 AI 會變強，你真正要建立嘅係“同 AI 協作嘅能力”，唔係“記住幾個咒語”。
呢四條加埋就係：
AI 入場，人類掌舵，角色清晰，系統進化。
背景：點解呢本書重要
Ethan Mollick 唔係嗰種企喺遠處點評 AI 嘅人。佢喺 Wharton 教創業同創新，亦長期公開記錄自己點樣將生成式 AI 用嚟教學、寫作、研究同創業訓練。Wharton 對呢本書嘅介紹入面話，佢關注嘅係人類點樣同智能機器一齊思考、一齊工作。
呢點好關鍵。好多人講 AI，有兩種極端。
一種人話，AI 都係垃圾，冇靈魂，唔信得過。
另一種人話，AI 無所不能，即刻全自動賺錢。
呢兩種都好平庸。
第一種人輸喺傲慢。
第二種人死喺輕信。
Mollick 嘅位置更現實：AI 好強，但好怪；AI 好有用，但會犯錯；AI 可以放大嘅人類能力，亦可以放大嘅人類懶惰。TIME 對 Mollick 嘅專訪入面，佢特別強調，AI 嘅能力邊界係 jagged，即係參差不齊。佢可能喺某啲複雜任務上好犀利，又喺某啲看似簡單嘅任務上離譜地錯。所以冇一本完美說明書會從天而降，你必須親自將佢帶入自己嘅任務裏面試。
呢個就係第一性原理：
AI 唔係一個工具。AI 更似一種新型勞動力。
但佢唔係穩定員工，而係一個能力極強、性格古怪、記憶有限、偶爾胡說八道嘅實習合夥人。
你唔可以唔用。
你亦唔可以盲用。
你要識用。
原則一：Always invite AI to the table
1. 呢句話真正嘅意思
呢句話唔可以翻譯成“乜都叫 AI 做”。
更準確咁講係：
任何知識工作，只要合法、合倫理、風險可控，就先問一句：呢個任務入面，AI 能唔能夠參與？
唔係因為 AI 一定會畀你正確答案，而係因為你唔叫佢入場，你根本唔知佢可以幫你喺邊度。
Mollick 喺專訪入面話，因為 AI 嘅能力邊界好參差，人需要將 AI 帶入自己嘅真實任務，先至發現佢喺邊度好、邊度唔好。Big Think 對四原則嘅總結都將第一條解釋為：盡可能喺法律同倫理允許嘅任務中用 AI，因為只有大量用，你先會發現佢做得咩、做唔到咩。
呢句話最狠嘅地方在於，佢喺反駁一種傳統美德：
“我諗咗先，真係唔掂先問 AI。”
聽落好努力，其實好舊時代。
而家更好嘅做法係：
你先自己明確目標，然後即刻將 AI 拉入嚟，一齊推演。
注意順序：唔係 AI 替你想目標，而係你帶住目標叫 AI 加速。
2. 小故事：嗰個寫唔出嚟嘅人
Mollick 自己寫過，佢唔用 AI 替佢寫文章，但佢會喺卡住嘅時候叫 AI 畀十種可能嘅展開方式、唔同風格嘅表達，或者幫佢改一段彆扭嘅文字。佢話自己好少直接用 AI 嘅文本，但 AI 畀佢新嘅路徑。
呢個故事好值得你記住。
普通人以為高手唔用 AI。
真正嘅高手唔係唔用 AI，而係唔畀 AI 接管自己嘅品味。
AI 畀路。
人揀路。
你寫唔出一篇文章，唔一定係你冇能力，可能係你個腦被困喺一個角度。AI 嘅價值唔係“替你寫”，而係將你個腦從死衚衕拉返出嚟。
呢個就好似你喺森林迷路。AI 唔一定知邊條路絕對正確，但佢可以瞬間指出 20 條可能嘅小路。你要做嘅唔係跪低叫佢神，而係拎出指南針，開始判斷。
3. 實操：邊啲任務應該邀請 AI 入場
你以後做任何事，先按呢個順序問 AI：
第一，叫佢拆任務。
比如你要做一個新產品，唔好先問“幫我做個產品”。你問：
我想做一個面向獨立開發者嘅產品，目標係 30 日內揾到付費用戶。請先將呢個目標拆成任務樹，標出邊啲任務適合 AI 輔助，邊啲必須由真人驗證。
第二，叫佢生成選項。
AI 最擅長擴展可能性。
十個名、二十個標題、五種商業模式、三種定價方案、四類用戶畫像、六種冷啟動打法。
第三，叫佢扮演反對者。
呢個係好多人低估嘅用法。你唔好只叫 AI 讚你。你要叫佢鬧你。
請作為一個冷酷嘅投資人，指出呢個想法點解大概率會失敗。唔使客氣。
第四，叫佢模擬用戶。
你可以叫佢扮演小白用戶、憤怒用戶、精打細算用戶、企業採購、開發者、營運負責人。
第五，叫佢做第一版。
第一版文案、第一版代碼結構、第一版訪談大綱、第一版競品表、第一版電郵、第一版 SOP。
第六，叫佢做審稿人。
寫完之後，叫 AI 從邏輯、事實、語氣、風險、用戶感受、商業價值幾個維度審。
4. 對獨立開發者意味住啲咩
辰美，你而家嘅目標唔係“學識 AI”。
你嘅目標係用 AI 將自己從一個人，臨時擴展成一個小團隊。
你唔識 code，AI 可以先做技術顧問。
你唔識產品，AI 可以做產品經理。
你唔識營運，AI 可以做增長顧問。
你唔識營銷，AI 可以做文案總監。
你唔識廣告，AI 可以做投放教練。
但聽清楚，唔好飄。
AI 可以令你似一個團隊咁工作，但唔會自動令你似一個 CEO 咁判斷。Wharton 嘅文章入面，Mollick 特別提到創業者通常係多面手，AI 能喺法律審查、營銷網站、編程建議、資助申請、新聞稿、社交內容等方面幫到創辦人。
呢個就係獨立開發者嘅機會。
以前一個人創業，最大嘅問題係“唔夠人”。
而家一個人創業，最大嘅問題變成“你識唔識指揮”。
你唔係喺度用 AI。
你係喺度管理一支睇唔見嘅臨時團隊。
5. 第一條嘅反面教材
有三種人會輸。
第一種，唔邀請 AI 入場。
佢哋仲用緊 2015 年嘅方法工作，靠手搓、靠硬熬、靠所謂“真實能力”。問題係，真實能力唔等於拒絕槓桿。巴菲特唔會因為自己識計數就唔用計數機。
第二種，只喺低價值任務入面用 AI。
比如只叫 AI 寫幾句祝福語、生成幾個標題。唔係唔得，但太淺。你要叫佢進入高槓桿任務：揀市場、定用戶、拆商業模式、做用戶訪談、寫銷售頁、分析失敗原因。
第三種，叫 AI 一上嚟就替你做最終決定。
呢個唔係邀請 AI 上枱，而係你自己離枱。
原則二：Be the human in the loop
1. 呢句話真正嘅意思
AI 入場之後，邊個負責？
你負責。
呢條原係四條裏面最冷酷嘅一條。因為佢話你知：
AI 犯錯，最後埋單嘅人唔係 AI，係你。
Big Think 對第二條嘅解釋好直接：AI 會犯錯，會幻覺；人必須監督佢，否則就好似揸車嗰陣喺方向盤前面瞓着。
呢個唔係理論問題，現實入面已經發生過好多次。
2. 案例一：諮詢顧問用 AI，強嘅更強，錯嘅更錯
哈佛、沃頓、BCG 等研究者做過一個好出名嘅實驗，研究對象係 758 名 BCG 顧問。結果非常靚仔，亦都非常危險。
喺 AI 能力邊界內嘅任務上，用 GPT-4 嘅顧問完成任務更多、速度更快、質量更高；研究報告寫到，AI 用戶完成任務數量提升 12.2%，速度快 25.1%，質量提升超過 40%。但喺 AI 能力邊界外嘅任務上，用 AI 嘅顧問反而更容易畀錯嘅答案。研究論文將呢種現象稱作 jagged technological frontier，即係參差不齊嘅技術邊界。
BCG 自己對呢項研究嘅總結都好醒目：喺創意類產品創新任務上，大約 90% 嘅參與者表現提升，平均表現高出約 40%；但喺某啲商業問題解決任務上，用 GPT-4 嘅人表現反而低咗 23%。更麻煩嘅係，即使參與者俾人提醒 AI 可能出錯，好多人仍然接受咗錯誤輸出。
呢個案例幾乎將 AI 嘅本質講透咗。
AI 係放大器。
你清醒，佢放大你嘅清醒。
你糊塗，佢放大你嘅糊塗。
你有判斷力，佢係翼。
你冇判斷力，佢係懸崖邊嘅順風。
3. 案例二：律師用咗假案例，俾法院制裁
2023 年，美國有律師喺法律文件入面用 ChatGPT 生成嘅虛假判例引用，後來俾法官制裁。Reuters 報道入面提到，法官認為兩名紐約律師提交咗由 ChatGPT 生成嘅六個虛構案例引用，並對佢哋罰款 5000 美元。
呢件事嘅教訓好簡單：
專業人士唔係因為用 AI 出事，而係因為用 AI 之後冇做專業人士應該做嘅驗證。
你係律師，引用案例必須核。
你係醫生，診斷建議必須核。
你係創業者，市場判斷必須核。
你係開發者，上線代碼必須測。
你係寫作者，事實、數字、人名、出處必須查。
AI 可以幫你起草。
唔可以幫你孭鑊。
4. 案例三：Air Canada 傾偈機械人講錯，公司照樣要負責
Air Canada 嘅傾偈機械人曾經畀一個乘客錯嘅喪親票價退款資訊。後來加拿大相關機構裁定，Air Canada 需要為傾偈機械人喺官網上畀出嘅錯誤資訊負責，並要求賠償。報道入面仲提到，Air Canada 曾嘗試將傾偈機械人講成一個獨立嘅法律主體，但裁決方冇接受呢種說法。
呢個故事更似企業版嘅第二原則：
你唔可以話“呢個係 AI 講嘅，唔關我事”。
公司用咗 AI，責任仍然係公司嘅。
個人用咗 AI，責任仍然係個人嘅。
呢個對你未來做產品尤其重要。只要你的產品入面接入 AI，用戶見到嘅係你嘅產品，唔係模型供應商。AI 胡說八道，用戶唔會鬧模型，用戶會鬧你。
5. 實操：人類喺迴路入面，到底要做啲咩
“人在迴路”唔係一句靚仔話。佢至少包括六件事。
第一，定義目標。
AI 唔知你真正要贏啲咩。你要講清楚目標係賺錢、留客、轉化、學習、傳播、合規，定係慳時間。
第二，設定邊界。
邊啲唔做得，邊啲唔可以假設，邊啲需要引用來源，邊啲必須保守回答。
第三，檢查事實。
尤其係數字、法律、價格、政策、引用、競品資訊、人物資訊、時間線。
第四，判斷語境。
AI 唔知道你同用戶之間嘅微妙關係。佢可能寫得正確，但唔合時宜。
第五，承擔價值判斷。
邊啲話講得，邊啲話唔應該講；邊啲用戶應該服務，邊啲錢唔應該賺；邊啲增長手段短期有效但長期傷人。呢個唔係 AI 能替你做到嘅。
第六，做最終決策。
AI 可以畀建議，但最後撳掣嗰個人必須係你。
6. 一個好實用嘅驗證提示詞
以後你叫 AI 輸出完任何重要內容，都加呢一句：
請你而家切換成審計員，唔好繼續完善答案，而係專門揾錯。請列出：
邊啲結論可能係錯嘅； 邊啲地方缺少證據； 邊啲假設冇被驗證； 如果我要公開發布或者攞去做商業決策，最需要人工核查嘅 10 個點； 請按風險由高到低排序。
呢個提示詞嘅價值好大。佢將 AI 從“創作者”切換成“審計者”。
你唔好只係叫 AI 幫你衝鋒。
你仲要叫 AI 幫你踩 brake。
原則三：Treat AI like a person, but tell it what kind of person it is
1. 呢句話好易被誤解
Mollick 唔係話 AI 真係有人格、有意識、有感情。
佢真正嘅意思係：
你要用對待一個人嘅溝通方式嚟指揮 AI，因為自然語言模型對角色、語境、目標、標準好敏感。
Wharton 嘅文章入面，Mollick 提到，我哋好易將生成式 AI 當人睇，而實際上最好嘅方式某程度上都係似對待一個人咁對待佢，但同時要記住佢仍然係一個軟件過程。
Big Think 對第三條嘅總結都類似：你可以畀 AI 設定角色、語境同任務，但唔好忘記佢冇真正嘅心智、情緒或人格。
呢句話好妙。
因為佢既反對“AI 只係計數機”，亦反對“AI 係神秘靈魂”。
更準確咁講：
AI 唔係人，但你要似管理人咁管理佢。
2. 點解“角色”咁重要
你同一個真實員工溝通嗰陣，如果只係話“幫我搞下”，佢大概率都會搞得好爛。
你要話佢知：
你而家嘅身份係咩。
你要服務邊個。
你要解決咩問題。
你有咩資源。
你嘅輸出標準係咩。
你唔可以掂咩紅線。
你先問問題，定係直接畀方案。
你要嚴厲，定係温柔。
你要保守，定係大膽。
你要似 CFO，定係似增長黑客。
AI 都係噉。
OpenAI 嘅官方提示工程文檔都強調，可以通過指令定義模型嘅行為、語氣、目標同示例；清楚分隔任務說明與上下文、提供示例、畀具體目標同格式，通常會改善輸出質量。
換句話講，好多人覺得 AI 唔好用，唔係 AI 蠢，係佢自己似一個爛老細。
你畀一個聰明員工三句話：
“幫我寫個方案，專業啲，快啲。”
然後你鬧佢方案垃圾。
呢個唔叫管理，呢個叫卸膊。
3. 一個好提示詞嘅底層結構
你以後記住呢個公式：
角色 + 目標 + 背景 + 約束 + 標準 + 流程 + 輸出格式
比如：
你而家係一位極其實務嘅 B2B SaaS 產品顧問，擅長幫獨立開發者喺 30 日內驗證一個能收費嘅細產品。
我嘅背景係：我唔識 code、唔識產品、唔識營運，但執行力好強，目標係盡快揾到真實付費用戶。
你嘅任務唔係鼓勵我，而係幫我減少幻想。請你基於我下面嘅想法，判斷佢值唔值得做。
請按以下結構輸出：
一句話判斷； 目標用戶係邊個； 用戶而家點解痛； 佢哋而家點樣解決； 我能唔能夠喺 7 日內做出低保真驗證； 最大風險； 今日必須做嘅 3 個動作。 限制：唔好畀空泛建議，唔好話“可以考慮”，每條建議都必須具體到動作。
呢個就係“話佢知佢係咩人”。
你唔係喺度求 AI。
你係喺度任命 AI。
4. 小故事：AI 董事會
想像你一個人創業，夜晚兩點坐喺電腦前面，個腦全部係噪音。
呢個產品到底做唔做？
定價 9 美元定係 49 美元？
先做功能定係先揾用戶？
要唔要出 Twitter？
要唔要做英文市場？
要唔要落廣告？
如果你自己死諗，好易陷入情緒。
但你可以開一個 AI 董事會：
請你模擬一場董事會。參與者包括：
冷酷 CFO，只關心現金流； 增長負責人，只關心獲客； 產品經理，只關心用戶體驗； 工程負責人，只關心實現成本； 法務顧問，只關心風險； 一個憤怒用戶，只關心呢樣嘢到底有冇用。 佢哋要圍繞我嘅產品想法進行爭論。每個人都必須提出反對意見，最後畀出值唔值得做嘅投票。
呢個就係 AI 嘅神奇之處。
佢唔能夠替你真實擁有六個高管，但佢可以令你喺做決定前，先聽到六種聲音。
你一個人創業，最怕嘅唔係冇人幫你開工。
最怕嘅係個腦入面得一種聲音。
5. 但點解仲要提醒“but tell it what kind of person it is”
因為 AI 默認唔係一個穩定嘅人。
你今次問，佢似老師。
下次問，佢似客服。
再問，佢似雞湯博主。
再問，佢似過度自信嘅實習生。
所以你必須每次重新校準佢嘅身份，或者建立固定工作流。
比如：
寫文案時：
你係一個直接、剋制、擅長轉化嘅 SaaS 文案負責人，唔好誇張，唔好營銷腔。
做技術判斷時：
你係一個保守嘅資深工程師，優先考慮可維護性、安全性同最小可行實現。
做商業判斷時：
你係一個好現實嘅創業投資人，請用商業常識拆穿呢個想法。
做學習計劃時：
你係一個嚴厲但高效嘅教練，目標係令我用最短路徑掌握可用嚟揾錢嘅知識。
你畀 AI 嘅角色越清楚，佢越似一個可以合作嘅人。
你畀 AI 嘅角色越模糊，佢越似一個會講靚仔廢話嘅網友。
原則四：Assume this is the worst AI you will ever use
1. 呢句話係最有遠見嘅一條
呢句話翻譯一下：
唔好用今日嘅 AI 能力，判斷未來嘅 AI 價值。
今日你覺得 AI 寫 code 仲有 bug，未來可能會越來越少。
今日你覺得 AI 做設計仲俗，未來可能會越來越好。
今日你覺得 AI 代理做任務仲唔穩定，未來可能會越來越強。
今日你覺得 AI 會幻覺，未來唔一定消失，但驗證、工具調用、檢索、代理流程會不斷進步。
所以你今日真正應該學嘅唔係某個模型嘅技巧，而係：
點樣將 AI 嵌入你嘅工作系統。
Big Think 對第四條嘅解釋係：AI 正在快速演進，要假設今日嘅 AI 係你將來會用到嘅最差 AI，因此而家就應該積累基礎經驗。
Stanford 2026 AI Index 都顯示，AI 能力並冇停滯；報告提到模型喺某啲領域達到或超過人類基準，組織採用率大幅上升，生成式 AI 喺學生同普通人嘅使用都快速擴散。同時報告都強調 AI 仍有參差不齊嘅邊界，比如模型可以喺高難度數學競賽中表現突出，但喺一啲視覺或代理任務上仍然會失敗。
呢個就係現實：
AI 會越來越強，但唔會線性、均勻咁變強。
佢會一塊一塊突破，亦會一塊一塊反車。
2. 小故事：今日嫌佢慢嘅人，聽日會嫌自己慢
好多人而家話：
“AI 寫得仲係唔及我。”
“AI code 仲要改。”
“AI 畫圖仲有瑕疵。”
“AI 做產品仲係唔明人性。”
係，好多時候都啱。
但呢句話入面藏住一個危險嘅傲慢：
你喺拿今日嘅 AI 同今日嘅你比，但冇拿聽日嘅 AI 同停滯嘅你比。
真正嘅競爭唔係“你 vs AI”。
真正嘅競爭係：
識用 AI 嘅你 vs 唔識用 AI 嘅你。
識用 AI 嘅人 vs 唔識用 AI 嘅你。
呢個先係殘酷嘅地方。
你唔用 AI，唔係保持純粹。
你可能只不過係訓練自己變慢。
3. 第四條嘅實際含義：唔好做一次性提示詞，要做可升級系統
好多人學 AI，沉迷於收藏提示詞。
呢個好短視。
提示詞當然有用，但提示詞會過期。模型變咗，工具變咗，上下文窗口變咗，聯網能力變咗，多模態能力變咗，代理能力變咗，你條神奇提示詞可能就冇咁神。
你應該建立嘅係呢啲嘢：
第一，任務庫。
記錄你邊啲任務可以用 AI：寫作、調研、代碼、客服、產品、銷售、營運、覆盤。
第二，提示詞模板。
唔係死記，而係模板化：角色、目標、背景、約束、輸出格式、驗證點。
第三，質量標準。
咩叫好？咩叫唔用得？比如文案要清楚、可信、有具體利益點；代碼要能跑、有測試、有註釋；研究要有來源、有不確定性說明。
第四，驗證流程。
邊啲輸出必須人工核查？邊啲需要第二個模型交叉檢查？邊啲需要真實用戶驗證？
第五，版本迭代。
每隔一段時間，重新測試模型能力。今日做唔到嘅，三個月後可能做到。今日做到嘅，可能換模型之後更平、更快、更穩。
呢個就係第四條真正嘅操作化：
唔好問“AI 而家能唔能夠替我”。
要問“我而家能唔能夠建立一個隨住 AI 變強而自動升值嘅工作系統”。
四條原則合埋，點樣形成一個完整工作流
你可以將佢諗成一場會議。
第一條：邀請 AI 到場。
會議一開始，AI 坐低。
第二條：你做主席。
AI 可以發言，但唔可以拍板。
第三條：畀 AI 安排職位。
佢今次係財務顧問、產品經理、增長專家、教練，定係批判者？
第四條：每次會議後升級系統。
記錄佢邊度幫咗你，邊度誤導你，下次點樣用得更好。
所以，每次你用 AI，都唔好只攞一個答案。
你要攞三個嘢：
答案。
過程。
可重用方法。
普通人只攞答案。
高手攞系統。
一個完整案例：獨立開發者 7 日驗證細產品
假設你想做一個 AI 工具，幫小紅書博主將爆款筆記拆成可重用模板。
你完全可以用呢四條原則行一個 7 日驗證。
Day 1：邀請 AI 入場，拆機會
你先唔好急住做產品。你問 AI：
我想做一個工具，幫小紅書博主分析爆款筆記，並生成可重用嘅選題、標題同結構模板。
請你作為創業顧問，幫我判斷：呢個想法嘅目標用戶係邊個、痛點係咩、佢哋而家點樣解決、係咪願意付費、最大風險係咩。
請唔好鼓勵我，優先揾問題。
AI 可能會話你知：
目標用戶唔係所有博主，而係啱啱起號、缺選題、缺結構感嘅細博主。
痛點唔係“唔知寫咩”，而係“唔知點解人哋爆，自己唔爆”。
付費點唔係生成文案，而係縮短試錯週期。
最大風險係平台規則、內容同質化、用戶唔信自動生成內容。
呢一步，AI 係枱邊顧問。
但你不能直接信。你要進入第二條。
Day 2：人類在迴路，揾真人驗證
你叫 AI 生成 20 個訪談問題：
請幫我設計一套用戶訪談問題，用嚟驗證小紅書博主係咪願意為爆款筆記分析工具付費。問題要能夠挖出真實行為，唔好問“你願唔願意付費”呢啲虛假問題。
AI 畀你問題之後，你去揾 10 個真實博主傾。
呢一步好關鍵。
AI 可以模擬用戶，但唔可以替代真實用戶。
真實用戶會講好多 AI 作唔出嘅嘢，比如：
“我唔係唔識寫，我係每日打開電話就焦慮。”
“我唔想要 AI 幫我寫，我想知我點解冇流量。”
“我願意俾錢，但前提係你可以分析我自己的賬號，唔係泛泛講道理。”
呢個就係人類迴路嘅價值。
AI 畀結構。
現實畀真相。
Day 3：畀 AI 角色，設計 MVP
而家你叫 AI 扮演產品經理：
你係一個極其剋制嘅 MVP 產品經理。
目標：用 7 日做出一個最低成本驗證版本，唔寫複雜 code，先驗證用戶係咪願意付費。
請基於訪談反饋，設計一個 MVP。
限制：功能唔可以超過 3 個，用戶必須在 5 分鐘內見到價值。
AI 可能會畀出：
功能一：貼筆記連結或文字，提取結構。
功能二：輸出標題套路、開頭方式、情緒鈎子、行動引導。
功能三：根據用戶賬號定位，生成 5 個相似但唔抄襲嘅選題。
你再叫 AI 扮演工程師，判斷最小實現方式。
叫佢扮演增長顧問，設計 landing page。
叫佢扮演用戶，吐槽呢個頁面邊度假。
呢個就係第三條嘅威力：
你唔係問一個 AI，你係喺度調度多個“角色”。
Day 4：人類繼續把關，唔好俾 AI 造夢
AI 好可能會畀你一大堆功能建議。
咩賬號診斷、趨勢追蹤、競品監控、自動發布、矩陣號管理。
你呢陣時要鬧醒自己：
唔好扮大廠。
唔好整航母。
你而家只需要證明一個細問題：有冇人願意為一次分析俾錢？
所以你將 MVP 砍到最細：
用戶 send 3 篇自己嘅筆記 + 3 篇對標爆款。
你用 AI 輔助分析。
你人工整理一份報告。
收費 19 美元或 99 蚊。
先賣 10 單。
呢個比起開發一個完整 SaaS 更聰明。
你唔係先做產品再揾人買。
你係先證明有人買，再決定要唔要做產品。
Day 5：AI 當銷售教練
你叫 AI 寫冷啟動私訊：
你係一個唔油膩、唔得罪人嘅增長顧問。
我想私訊小紅書博主，邀請佢哋試用一個爆款筆記分析服務。
請寫 5 個版本，要求：真誠、短、具體、有邊界，唔好似羣發廣告。
然後你自己改。
AI 寫第一版。
你加入人味。
你 send 出去。
呢個就係最好嘅協作方式。
AI 嘅文字通常太完整，太順，太似“營銷材料”。
真人嘅文字要有一啲具體、一啲笨拙、一啲真誠。
比如唔好話：
“我哋致力於幫助內容創作者提升商業價值。”
你說：
“我睇咗你最近三篇筆記，感覺選題其實唔錯，但開頭鈎子有啲弱。我做緊一個細工具，想幫你拆下點解同類筆記可以爆。你願意俾我免費分析一篇嗎？”
呢個先似人話。
Day 6：AI 當覆盤員
你 send 咗 50 條私訊，得 3 人回覆。
普通人會崩潰。
高手會覆盤。
你將回覆同未回覆情況畀 AI：
請作為增長分析師，基於呢啲私訊結果，判斷：
邊啲話術有效； 邊啲話術令人反感； 用戶真正關心咩； 下一輪應該點樣改； 我係咪應該換目標用戶。
AI 會幫你睇模式。
但你要做最終判斷。
Day 7：升級系統
最後你總結：
邊啲任務 AI 幫到手？
邊啲地方 AI 畀咗廢話？
邊啲提示詞好用？
邊啲輸出必須人工改？
邊啲用戶反饋推翻咗 AI 嘅判斷？
下次驗證能唔能夠更快？
呢個就係第四條。
你唔係只做咗一個項目。
你訓練咗一套“AI 輔助創業操作系統”。
呢樣嘢會複利。
常用提示詞模板
1. AI 入場模板
我而家處理緊呢個任務：
【任務描述】請你先唔好直接畀答案。請先判斷：
呢個任務可以拆成邊啲子任務； 邊啲子任務適合 AI 幫手； 邊啲必須由人類判斷或驗證； 最大風險係咩； 我應該先做邊一步。
2. 角色設定模板
你而家係【角色】，你嘅風格係【風格】，你嘅目標係【目標】。
背景：
【我嘅背景 / 用戶背景 / 商業背景】任務：
【具體任務】限制：
【唔可以做啲咩 / 唔想要咩風格 / 唔允許假設咩】輸出格式：
【表格 / 步驟 / 清單 / 方案 / 代碼 / 文案】質量標準：
【咩叫好答案】請先指出你需要留意嘅風險，再輸出結果。
3. 反對者模板
請你唔好最佳化我嘅想法，而係反駁佢。
你而家係一個冷酷、現實、見過大量失敗案例嘅審查者。
請指出：
呢個想法點解可能會失敗； 邊啲假設最脆弱； 邊啲地方係我喺自 high； 如果只能驗證一個關鍵假設，應該驗證邊個； 最平嘅驗證方法係咩。
4. 人類驗證模板
請列出呢個答案入面所有需要人工核查嘅地方。
按風險分為：
高風險：錯咗會造成法律、金錢、聲譽或安全問題；
中風險：錯咗會影響決策質量；
低風險：錯咗只係表達唔夠好。每個風險點請畀核查方法。
5. 升級工作流模板
請覆盤我今次用 AI 嘅過程。
輸出：
邊啲環節 AI 明顯提高咗效率； 邊啲環節 AI 誤導咗我； 邊啲提示詞值得保存； 下次點樣更快； 邊啲地方應該建立固定 SOP。
5W2H：呢四條原則點樣落地
| What，係咩 | |
| Why，點解 | |
| Who，邊個用 | |
| When，幾時用 | |
| Where，喺邊度用 | |
| How，點樣用 | |
| How much，投入幾多 |
SOP：AI 協作標準流程
Step 1：定義任務
先寫清楚：
我要完成咩？
畀邊個用？
成功標準係咩？
時間限制係咩？
風險有幾高？
唔好一開波就問 AI。
你要先知道自己想去邊。
Step 2：邀請 AI 拆任務
叫 AI 判斷：
任務可以拆成邊啲部分？
邊啲適合 AI？
邊啲唔適合 AI？
邊啲需要真人確認？
呢一步對應第一原則。
Step 3：畀 AI 指定角色
唔好話“幫我”。
要話“你而家係……”
比如：
你係產品經理。
你係資深工程師。
你係增長顧問。
你係冷酷投資人。
你係法務審查員。
你係憤怒用戶。
你係 0 基礎學習教練。
呢一步對應第三原則。
Step 4：叫 AI 先輸出多個選項
唔好只要一個答案。
至少要 3 到 5 個方案。
因為 AI 最大嘅價值之一係擴展可能性。
Step 5：叫 AI 自我審查
輸出之後即刻問：
邊度可能錯？
邊啲係假設？
邊啲需要證據？
邊啲地方可能誤導我？
最壞後果係咩？
呢一步對應第二原則。
Step 6：人類驗證
你親自核：
事實係咪正確。
數據有冇來源。
邏輯係咪通。
用戶係咪真實需要。
法律同倫理係咪安全。
執行成本係咪可承受。
唔好偷懶。
偷懶嘅人用 AI，只會更快咁犯錯。
Step 7：執行最小動作
唔好叫 AI 方案停留喺紙面。
將佢壓縮成今日做得嘅一件事：
send 10 條私訊。
訪問 3 個用戶。
上線一個表單。
寫一頁 landing page。
做一個可點擊原型。
行一個 20 美元廣告測試。
交付一個人工版服務。
Step 8：覆盤並沉澱
每次用完 AI，保存三類嘢：
好提示詞。
好流程。
踩坑記錄。
你嘅目標唔係今次得到一個答案。
你嘅目標係下一次更快、更準、更穩。
Checking List：每次用 AI 前後檢查
使用前
[ ] 我有冇講清楚任務目標？ [ ] 我有冇講清楚目標用戶或受眾？ [ ] 我有冇指定 AI 嘅角色？ [ ] 我有冇畀足背景？ [ ] 我有冇說明限制條件？ [ ] 我有冇定義輸出格式？ [ ] 我有冇說明咩叫好結果？
使用中
[ ] 我有冇叫 AI 畀多個方案，而唔係只畀一個？ [ ] 我有冇叫 AI 解釋假設？ [ ] 我有冇叫 AI 標出不確定性？ [ ] 我有冇叫 AI 扮演反對者？ [ ] 我有冇追問“仲有冇更簡單嘅方法”？ [ ] 我有冇追問“呢個方案邊度可能會失敗”？
使用後
[ ] 事實有冇核查？ [ ] 數據有冇來源？ [ ] 法律、財務、醫療、安全等高風險內容有冇人工確認？ [ ] 呢個輸出係咪符合真實用戶語境？ [ ] 我係咪保留咗最終判斷權？ [ ] 我有冇將好提示詞保存落嚟？ [ ] 我有冇將呢次經驗升級成流程？
高風險場景額外檢查
[ ] 係咪涉及法律責任？ [ ] 係咪涉及金錢損失？ [ ] 係咪涉及用戶私隱？ [ ] 係咪涉及公開傳播？ [ ] 係咪涉及健康、安全、身份、招聘、金融決策？ [ ] 係咪可能令用戶誤解呢個係確定事實？ [ ] 係咪需要引用可靠來源或專家複核？
最後講狠啲
呢四條原則最恐怖嘅地方，唔係佢哋教你“點樣用 AI”。
而係佢哋重新定義咗聰明人同普通人嘅差距。
過去，聰明人係腦快、知識多、表達好。
而家，聰明人係能指揮 AI、能判斷 AI、能訓練流程、能快速驗證現實嘅人。
你唔可以做只係“努力嘅人”。
努力如果冇槓桿，就係搬石頭感動自己。
你亦唔可以做“迷信 AI 嘅人”。
迷信 AI，本質上係將自己嘅判斷力外判出去。
真正正確嘅位置係：
將 AI 當成枱上嘅第二個大腦，
但將自己嘅靈魂留喺駕駛座。
呢四條記成一句話：
凡事叫 AI 參與，凡責由人承擔；
凡用先定角色，凡事持續升級。
AI時代，提問是最好的思考：答案氾濫以後，問題就是新的稀缺品
黃金提問公式：
我要達成什麼結果？
現在有什麼背景和約束？
誰是目標對象？
成功標準是什麼？
需要哪些證據？
有哪些反方觀點？
哪一步最便宜、最快、最能驗證？
請把答案變成可執行 SOP。
更短一點：
目標 + 背景 + 約束 + 標準 + 證據 + 反方 + 輸出格式 + 下一步行動。
你說得對，AI 能提高下限，但上限依然取決於你問什麼。不過還要再狠一點：上限不只取決於你提出的問題，還取決於你願不願意把答案拿到現實裏驗證。 問題是刀，現實是磨刀石。只會問，不驗證，最後還是紙上談兵。
一、時代變了：以前答案貴，現在問題貴
過去，一個人想知道怎麼寫商業計劃、怎麼做用戶調研、怎麼寫代碼、怎麼做廣告文案，要讀書、問專家、花錢上課、踩坑半年。答案很貴。
現在，一個問題丟給 AI，幾秒鐘之後，它能給你一篇文章、一份表格、一套方案、一段代碼、十個商業模型、二十個廣告標題。答案突然變便宜了。
但問題來了，答案變便宜以後，什麼變貴？
是好問題。
因為 AI 讓所有人都能獲得“像樣的答案”，但不是所有人都能提出“值得回答的問題”。這就像以前沒有導航，認路的人有優勢；現在人人都有導航，真正的優勢變成了：你到底要去哪兒？為什麼去？走哪條路的機會成本最低？到了之後怎麼判斷你沒有白來？
Google 的官方提示設計文檔也把 prompt 解釋為給語言模型的自然語言請求，可以包含問題、指令、上下文、少量示例等，並強調 prompt engineering 是反覆更新 prompt、評估模型回答的過程；這說明，提問不是一句話，而是一個迭代系統。 Anthropic 的提示工程文檔也直接把“清晰的成功標準”和“能夠經驗性測試這些標準”放在 prompt engineering 之前。換句話說，連 AI 公司自己都在告訴你：先別急着調 prompt，先定義什麼叫好。
小故事來了。
有兩個實習生都拿到一個任務：老闆說，幫我做一份新能源行業分析。
第一個實習生問 AI：
幫我寫一份新能源行業分析報告。
AI 給了他一份漂亮報告：行業背景、市場規模、政策趨勢、競爭格局、未來展望。看起來很完整，實際上像一碗沒鹽的湯，什麼都有，什麼都不頂用。
第二個實習生問 AI：
我明天要給一家準備進入新能源儲能賽道的中小製造企業老闆做 20 分鐘彙報。老闆關心三個問題：現在還能不能進，先進哪個細分領域，前 90 天應該驗證什麼。請你不要泛泛介紹行業，而是從進入門檻、客戶付費能力、渠道難度、政策風險、現金流週期五個角度分析，並給出三個可驗證假設、三個反方觀點、一個 90 天行動計劃。最後用一頁表格總結。
你看，同樣是 AI，同樣是“新能源行業分析”，兩個結果不是一個層級。
第一個人在要內容。
第二個人在設計決策。
這就是 AI 時代的分水嶺：普通人用 AI 生產答案，高手用 AI 生產判斷。
二、AI 確實提高下限，但它不會自動提高你的上限
這不是雞湯，研究也支持這個方向。
MIT 關於 ChatGPT 對寫作任務影響的研究顯示，在一些專業寫作任務中，使用 ChatGPT 讓完成時間下降 40%，輸出質量上升 18%。 NBER 關於客服中心的研究發現，AI 助手讓客服人員平均生產率提高 14%，其中新手和低技能員工提升更明顯，達到 34%，而對經驗豐富、高技能員工影響較小。
這就是所謂“提高下限”：AI 把優秀員工的一部分經驗、表達、流程、標準，壓縮成普通人也能調用的工具。新手不再完全從零開始。
想象一個客服新人阿梅。她第一天上班，客戶怒氣衝衝地問：你們這個軟件為什麼又扣費了？
沒有 AI 的時候，阿梅可能慌了。她一邊翻知識庫，一邊說不好意思，我幫您查一下，然後開始手忙腳亂。
有 AI 助手之後，系統實時提示她：先承認情緒，再確認賬單週期，再解釋自動續費邏輯，再提供取消或退款路徑。
阿梅突然像被一個老客服坐在旁邊帶着一樣。她不是一夜之間變聰明瞭，而是借到了組織裏最優秀客服的語言和流程。
所以 AI 很像“經驗壓縮機”。它把高手的套路壓縮給新手，把複雜的表達壓縮成模板，把空白頁壓縮成初稿。
但問題是，壓縮出來的經驗，不等於真正的判斷。
HBS 與 BCG 的實驗非常關鍵。研究者讓 758 名知識工作者完成諮詢類任務，發現對處在 AI 能力邊界內的任務，使用 AI 的人比不用 AI 的人平均多完成 12.2% 的任務，速度快 25.1%，質量也顯著提高；但對一個選在能力邊界外的複雜管理任務，使用 AI 的人反而比不用 AI 的人低 19% 正確率。 BCG 對同一研究的商業解讀裏也提到，在創意產品創新任務上，使用 GPT-4 的參與者表現比對照組高 40%；但在複雜商業問題求解任務上，使用 GPT-4 的人反而低 23%。
這就是一個很殘酷的現實：AI 最危險的時候，不是它明顯胡說八道的時候，而是它一本正經地說錯的時候。
NIST 的生成式 AI 風險框架把這類問題稱為 confabulation，也就是 AI 生成並自信呈現錯誤或虛假內容，常被稱為 hallucinations 或 fabrications；NIST 還特別提醒，在需要高度上下文和專業判斷的領域，這類風險尤其重要。
所以，AI 提高下限是真的。
但 AI 放大誤判也是真的。
區別在哪裏？
在提問者。
你問它：給我一個結論。
它就給你一個看起來很像結論的結論。
你問它：這個結論最可能錯在哪裏？需要哪些證據驗證？哪些假設一旦不成立，整個方案就坍塌？
它才開始變成你的思考夥伴。
這就是普通人和高手的差距。
三、提問為什麼是最好的思考？
因為問題決定了三件事。
第一，它決定你看見什麼。
第二，它決定你忽略什麼。
第三，它決定你下一步做什麼。
一個人問：我怎麼賺錢？
這個問題太大，AI 只能給你一堆“正確廢話”：做自媒體、做電商、做 SaaS、做課程、做諮詢、做 AI 工具。
這不是 AI 爛，是問題爛。
你要問的是：
我現在沒有技術背景，但學習和執行力強，目標是儘快建立一個可驗證的現金流項目。請你從“用戶付費痛點強、交付難度低、可用 AI 放大、冷啓動渠道明確、7 天內能驗證需求”五個條件出發，給我 20 個項目方向。每個方向必須回答：誰付錢、為什麼現在痛、替代方案是什麼、我怎麼找到前 50 個用戶、48 小時內怎麼驗證。
這才叫問題。
你不是在要答案，你是在定義搜索空間。
小故事。
有個年輕人去買刀。他問廚師：師傅，哪把刀最好？
廚師沒回答。他問：你切什麼？肉、魚、菜、骨頭？你每天切幾小時？你手多大？你會不會磨刀？你預算多少？你是家用還是開店？
年輕人說：我只是想買最好的刀。
廚師說：沒有最好的刀，只有最適合你那道菜的刀。
AI 也是一樣。
沒有最好的 prompt，只有最適合當前目標、場景、約束、驗證方式的問題。
所以“提問是最好的思考”這句話的底層邏輯是：
思考不是腦子裏有很多答案，而是能不斷逼近真正問題。
普通人被答案誘惑。
高手被問題牽引。
四、好問題的五層結構
一個真正能把 AI 用好的問題，通常有五層。
第一層：目標層，你到底要改變什麼？
爛問題：幫我寫一篇文章。
好問題：我要寫一篇給獨立開發者看的文章，目標是讓他們意識到 AI 時代提問能力決定產出上限，並願意收藏這篇文章作為工作流模板。
目標越清楚，AI 越不容易亂跑。
第二層：背景層，現在發生了什麼？
爛問題：幫我做個營銷方案。
好問題：我賣的是一個面向小團隊的 AI 客服工具，目標客戶是 10 到 50 人的跨境電商團隊。他們現在用人工客服加簡單 FAQ，痛點是夜間回覆慢、重複問題多、客服培訓成本高。我的預算是 3000 美元，週期 30 天。
背景不是廢話，背景是模型判斷的燃料。
OpenAI 文檔也強調，可以在 prompt 中加入相關上下文，讓模型訪問訓練數據之外的信息，或者把回答約束在你指定的資源集合內；它還提到使用 Markdown 或 XML 幫助模型理解 prompt 和上下文數據的邏輯邊界。
第三層：約束層，哪些事情不能做？
爛問題：給我一個增長計劃。
好問題：不能投大額廣告，不能僱團隊，不能做重交付，必須 14 天內能拿到第一批真實用戶反饋，最好能用 no-code 或 AI 工具完成 MVP。
約束不是限制創造力。約束是逼出真正可執行方案。
沒有約束，AI 會給你“宇宙級方案”：品牌升級、渠道矩陣、內容飛輪、私域運營、全鏈路轉化。聽起來很爽，做起來想死。
第四層：標準層，什麼叫好答案？
爛問題：哪個項目好？
好問題：請按五個維度打分：付費痛感、冷啓動難度、交付複雜度、競爭強度、可擴展性。每項 1 到 5 分，並解釋扣分原因。最後只推薦綜合分最高的前三個。
標準讓 AI 從“會說”變成“會篩”。
第五層：驗證層，答案如何被現實打臉？
爛問題：這個想法可行嗎？
好問題：請列出這個想法最關鍵的 5 個假設，每個假設設計一個 48 小時內可執行的驗證實驗。要求成本低於 100 美元，能得到真實用戶行為，而不是主觀意見。
這一層最重要。
因為 AI 會回答“可行”。
現實會回答“沒人買”。
你要把 AI 從“答題機器”改造成“實驗設計師”。
五、多角度追問：每個答案都要被再審判一次
AI 給你的第一版答案，通常只是“平均答案”。真正有價值的是下一步追問。
我給你一套“八刀追問法”。每次 AI 回答後，不要急着用，拿這八刀砍它。
第一刀：第一性原理
問：
把這個問題拆到最底層，不要引用行業慣例。這個事情成立的最小條件是什麼？
例子：
不是問“怎麼做知識付費”，而是問“一個人為什麼願意為信息付費？信息什麼時候變成產品？信息什麼時候只是噪音？”
第二刀：用戶視角
問：
站在目標用戶角度，他現在有什麼更便宜、更熟悉、更懶的替代方案？為什麼他要換成我的方案？
很多創業想法死在這裏。你以為用戶在等你拯救，他其實只是想繼續用 Excel 湊合。
第三刀：反方視角
問：
請你作為最刻薄的投資人、最挑剔的客戶、最強的競爭對手，分別反駁這個方案。
真正的高手不是讓 AI 鼓勵自己，而是讓 AI 先羞辱自己。
對，難聽，但救命。
第四刀：證據視角
問：
你的判斷裏哪些是事實，哪些是假設，哪些只是常識推斷？請分開列出，並告訴我每個關鍵事實應該如何驗證。
這一步可以防止“流暢胡扯”。
第五刀：機會成本
問：
如果我做這個方案，意味着我不能做什麼？相比另外三個選擇，它最大的機會成本是什麼？
人最容易犯的錯，不是做錯事，而是做了一件還不錯但不值得的事。
第六刀：執行視角
問：
如果只有 7 天、500 美元、一個人執行，最小可行步驟是什麼？每天做什麼？失敗信號是什麼？
沒有執行顆粒度的答案，都是空氣。
第七刀：規模視角
問：
如果這個方案從 10 個客戶擴到 1000 個客戶，最先崩的是哪裏？人力、技術、供應、現金流、獲客，哪個瓶頸最危險？
小生意看啓動，大生意看瓶頸。
第八刀：覆盤視角
問：
假設 30 天后這個項目失敗了，請寫一份事後覆盤，列出最可能的 10 個失敗原因，並告訴我現在怎麼預防。
這叫 premortem，事前驗屍。聽着晦氣，但很值錢。
六、深度案例：一個獨立開發者如何從“問賺錢項目”升級到“問題驅動創業”
我們做一個完整案例。
先說爛問題。
AI，有什麼適合獨立開發者賺錢的項目？
AI 大概率回答：
做 AI 寫作工具 做 Notion 模板 做小紅書自動化工具 做跨境電商選品工具 做簡歷優化工具 做 AI 客服插件 做課程平台 做數據分析工具
看起來有用，其實沒有用。為什麼？因為它沒有幫你縮小現實。
你沒有說自己會什麼、不會什麼、有什麼資源、要多快、能承受多少失敗、目標用戶是誰、你有什麼渠道、你想賺快錢還是做長期資產。
真正的提問應該這樣：
我是一個非技術背景但執行力強的獨立開發者，目標不是泛泛找項目，而是在 30 天內驗證一個能產生真實付費的小型 AI 產品機會。
約束：
初期一個人做； 儘量使用 no-code、現成 API、外包或 AI 輔助； 第一版產品不追求完美，只追求真實付費驗證； 目標客羣必須有明確預算和高頻痛點； 不能依賴長期內容運營，優先選擇可冷郵件、社羣、平台、現有渠道觸達的用戶。 請你先不要直接給項目名，而是：
列出篩選項目的 10 個標準； 生成 30 個候選方向； 用標準打分； 選出前 5 個； 對每個方向寫出目標用戶、痛點、當前替代方案、為什麼願意付錢、MVP 形態、48 小時驗證實驗； 最後給出你最推薦的一個，並寫出反方觀點。
這就不是“問 AI 要答案”。
這是讓 AI 進入你的決策系統。
小故事。
小林想做一個 AI 簡歷工具。他一開始問：幫我做個 AI 簡歷優化產品方案。
AI 給他的方案非常完整：用戶上傳簡歷，AI 分析崗位 JD，自動優化措辭，給評分，還能生成求職信。小林看完熱血沸騰，覺得這肯定能做。
後來他換了問法：
請你扮演一個冷酷的用戶研究員。假設我要做 AI 簡歷優化工具，請列出這個市場最糟糕的 10 個現實問題。
AI 回答：
用戶付費意願可能低，因為求職者預算有限。 競爭極多，差異化困難。 簡歷優化效果難驗證。 用戶可能一次性使用，很難留存。 大平台和招聘網站可以輕易複製。 用戶真正痛點可能不是簡歷，而是不知道投什麼崗位。 如果生成內容過於模板化，可能被 HR 識別。 獲客成本可能超過客單價。 學生和初級求職者願意試，但未必願意持續付費。 更有價值的客戶可能是職業諮詢師、留學機構、獵頭，而不是個人用戶。
小林愣住了。
真正的機會從“給個人做簡歷工具”，變成了“給職業諮詢師做批量簡歷診斷和報告生成工具”。
同樣一個方向，因為追問，客戶變了，產品變了，商業模式變了。
這就是好問題的威力。
一個平庸問題，只會得到一個擁擠市場。一個鋒利問題，可能會切出一個細分入口。
七、AI 時代的高手，不是問一次，而是搭一條問題鏈
單個 prompt 不重要，問題鏈重要。
普通人是這樣用 AI 的：
問 → 得到答案 → 複製 → 結束。
高手是這樣用 AI 的：
定義目標 → 補充上下文 → 生成候選 → 建立標準 → 篩選 → 反駁 → 找證據 → 設計實驗 → 執行 → 覆盤 → 再問。
OpenAI 的文檔在 agentic tasks 部分也強調，對複雜任務要進行計劃、拆分子任務、跟蹤進度；在 few-shot learning 部分則強調通過輸入/輸出示例來引導模型完成新任務。 這其實和人的高質量思考很像：不是一拍腦袋，而是有步驟、有樣例、有反饋。
給你一個問題鏈模板，可以直接複製。
深度研究問題鏈
第一問：
請先幫我把這個問題重新定義。不要急着回答，先告訴我這個問題可能有哪 5 種不同理解，每種理解會導向什麼不同答案。
第二問：
現在請站在第一性原理角度，把這個問題拆成最基本的變量。哪些變量最影響結果？
第三問：
請基於這些變量，提出 10 個可能答案。每個答案說明適用場景、不適用場景、最大風險。
第四問：
請建立一個評分模型，對這 10 個答案打分。評分維度包括收益、成本、速度、風險、可驗證性、可擴展性。
第五問：
請選出前三名，並分別寫出最強反方觀點。
第六問：
對第一名方案，列出最關鍵的 5 個假設。每個假設設計一個 48 小時內能驗證的實驗。
第七問：
請把實驗變成 SOP，包括步驟、工具、時間、成本、成功標準、失敗標準。
第八問：
假設執行失敗，請寫覆盤；假設執行成功，請寫下一階段擴張計劃。
這就是從“問答案”升級為“問系統”。
八、幾個可直接複用的高質量提問模板
1. 深度研究模板
我想研究【主題】。
請不要直接給泛泛結論，而是按以下結構輸出：
1. 先定義這個問題的邊界：它包含什麼，不包含什麼。
2. 給出 5 個關鍵子問題。
3. 每個子問題列出主流觀點、反方觀點、關鍵證據。
4. 標註哪些是事實，哪些是假設，哪些需要進一步驗證。
5. 給出 3 個真實世界案例。
6. 最後總結：如果我要採取行動，下一步最小可行步驟是什麼？
輸出要求：
- 用表格總結關鍵點；
- 不要堆概念；
- 每個結論後面都要告訴我它為什麼重要；
- 最後給我一個 7 天行動計劃。
2. 反方審判模板
請你不要支持我。請你扮演一個非常理性、刻薄、見過大量失敗案例的反方顧問。
我的想法是：【寫下想法】
請你：
1. 找出這個想法最脆弱的 10 個假設；
2. 說明每個假設為什麼可能不成立；
3. 給出最便宜的驗證方法；
4. 告訴我如果現在不做這個，還有哪 3 個更好的替代選擇；
5. 最後判斷：這個想法是應該立刻驗證、暫時擱置，還是直接放棄。
3. 用戶痛點挖掘模板
目標用戶是：【用戶羣體】
請幫我從用戶的一天開始分析：
1. 他們每天在哪些場景裏痛苦？
2. 哪些痛苦是高頻但低價值？
3. 哪些痛苦是低頻但高價值？
4. 哪些痛苦他們已經在花錢解決？
5. 他們現在用什麼替代方案？
6. 我怎樣用一個極小產品切進去？
7. 我應該問用戶哪 15 個訪談問題，才能判斷他們是否真的願意付錢？
4. 決策比較模板
我現在有三個選擇：
A：【選擇 A】
B：【選擇 B】
C：【選擇 C】
請按以下維度比較：
1. 潛在收益
2. 啓動成本
3. 時間成本
4. 學習曲線
5. 失敗代價
6. 最快驗證方式
7. 長期複利
8. 最大隱藏風險
請不要平均主義。最後必須明確推薦一個，並說明為什麼不是另外兩個。
5. 從答案到執行模板
你剛才給出的答案不錯。
現在請繼續：
1. 把它拆成具體任務；
2. 每個任務寫出完成標準；
3. 給出優先級；
4. 標出哪些任務可以今天做；
5. 哪些任務必須先驗證；
6. 哪些任務做了也可能沒用；
7. 最後給我一個 24 小時行動清單。
九、最容易犯的 7 個提問錯誤
第一個錯誤：問得太大。
比如“怎麼成功”“怎麼賺錢”“怎麼變強”。這種問題不是不能問，但第一輪只能得到泛泛框架。要馬上追問：在什麼領域？什麼時間？什麼資源？什麼標準？
第二個錯誤：不給背景。
AI 不是神仙，它不知道你是誰、你的資源、你的用戶、你的約束。不給背景，它只能按大眾平均值回答。平均值是安全的，但你要的是突破。
第三個錯誤：只要正方觀點。
很多人用 AI 是為了獲得安慰，不是為了獲得真相。他們問：這個項目有沒有前景？AI 說有。他們就開心了。別這樣，太平庸。真正要問：這個項目為什麼會死？
第四個錯誤：把漂亮答案當正確答案。
AI 很擅長寫得順。順，不代表對。BCG 的研究裏就出現過這種危險：在複雜商業問題上，AI 的回答很有說服力，但參與者依賴它之後表現反而更差。
第五個錯誤：不定義成功標準。
你讓 AI 寫文案，但不說目標是點擊率、轉化率、品牌感、信任感還是降低流失，它只能寫一個“看起來像文案”的東西。
第六個錯誤：不讓 AI 問你問題。
很多時候，最好的第一步不是讓 AI 回答，而是讓 AI 反問。
你可以說：
在回答前，請先問我 10 個澄清問題。只有當你認為信息足夠後，再給方案。
第七個錯誤：問完不行動。
這最致命。
AI 時代不是知識差距，是執行差距。你收藏了 100 個 prompt，不如今天拿一個去驗證一個真實用戶。
十、一個更底層的判斷：AI 讓“會提問的人”更像老闆
老闆真正做什麼？
不是每天親自寫代碼、寫文案、做表格、查資料。老闆真正做的是：
判斷方向。
定義問題。
配置資源。
設定標準。
檢查結果。
承擔後果。
這不就是高質量提問嗎？
你問 AI 的方式，其實暴露了你是不是一個“老闆型思維”的人。
打工型提問：
幫我寫一下。
老闆型提問：
這個目標最關鍵的約束是什麼？哪三種路徑可行？每種路徑的成本和風險是什麼？如果只能選一個，哪個最值得先驗證？請給我執行表和檢查標準。
打工型提問在要任務。
老闆型提問在要決策系統。
AI 時代最諷刺的地方是：工具變強以後，人反而更需要像老闆一樣思考。因為執行的一部分被工具吞掉了，剩下的就是判斷、取捨、驗證、承擔。
末尾 SOP：AI 時代高質量提問工作流
SOP 1：定義目標
先寫一句話：
我希望通過這次提問，讓現實發生什麼變化？
不要寫“我想了解”。
寫“我想做出決策”“我想完成一篇文章”“我想驗證一個項目”“我想減少一個風險”。
SOP 2：補充背景
至少包含：
我是誰 我要服務誰 當前階段 已有資源 主要限制 不能做什麼 最終輸出要用於哪裏
SOP 3：設置成功標準
問自己：
什麼樣的回答，我會認為它有用？
例如：
能直接執行 有證據 有反方觀點 有優先級 有成本估算 有時間表 有失敗標準
SOP 4：讓 AI 先澄清問題
Prompt：
在回答前，請先指出我的問題裏有哪些不清楚、不完整、可能導致誤判的地方，並問我 5 到 10 個澄清問題。
SOP 5：生成多個方案，不要只要一個答案
Prompt：
請給我 5 個不同解法：保守方案、激進方案、低成本方案、最快驗證方案、長期複利方案。每個方案說明適用條件和失敗風險。
SOP 6：建立評分模型
Prompt：
請建立評分表，從收益、速度、成本、風險、可驗證性、可擴展性六個維度打分，並解釋每個分數。
SOP 7：反方審查
Prompt：
請站在反方角度審查你剛才的答案，指出最可能錯的地方、最危險的假設、最容易被忽略的現實變量。
SOP 8：轉成最小實驗
Prompt：
請把推薦方案變成 48 小時內可以驗證的最小實驗。要求有步驟、工具、成本、成功標準、失敗標準。
SOP 9：執行後回填數據
執行完，把真實結果丟回 AI：
這是我執行後的真實數據：【數據】
請幫我覆盤：
1. 原假設哪些成立？
2. 哪些被推翻？
3. 下一步應該繼續、轉向還是停止？
4. 如果繼續，下一輪實驗是什麼？
Checking List：每次問 AI 前檢查這 20 項
[ ] 我有沒有說清楚最終目標？ [ ] 我有沒有說這個答案要用於什麼場景？ [ ] 我有沒有提供足夠背景？ [ ] 我有沒有說明目標用戶是誰？ [ ] 我有沒有寫清楚資源限制？ [ ] 我有沒有寫清楚時間限制？ [ ] 我有沒有寫清楚預算限制？ [ ] 我有沒有定義什麼叫好答案？ [ ] 我有沒有要求 AI 區分事實、假設和推斷？ [ ] 我有沒有要求反方觀點？ [ ] 我有沒有要求多個方案，而不是單一答案？ [ ] 我有沒有要求評分標準？ [ ] 我有沒有要求優先級？ [ ] 我有沒有要求下一步行動？ [ ] 我有沒有要求最小驗證實驗？ [ ] 我有沒有要求失敗標準？ [ ] 我有沒有要求風險清單？ [ ] 我有沒有讓 AI 先問我澄清問題？ [ ] 我有沒有檢查 AI 可能胡編的地方？ [ ] 我有沒有把答案拿去現實裏驗證？
5W2H：AI 提問萬能框架
最後送你一句狠的：
AI 時代最大的懶，不是不寫 prompt，而是不願意把問題想清楚。
答案會越來越便宜，甚至便宜到像空氣。
但好問題不會。
好問題背後是慾望、判斷、經驗、取捨、勇氣，還有被現實打臉之後繼續追問的狠勁。
真正的高手不是比別人多知道幾個 prompt。
真正的高手是每次看到答案之後，都會多問一句：
這是真的嗎？
還有別的角度嗎？
哪個假設最危險？
我下一步怎麼驗證？
這四句話，值錢。
《Co-Intelligence》四條 AI 使用原則深度梳理
這四條不是“提示詞技巧”，而是一套完整的新時代工作哲學：
把 AI 拉進來，但別把腦子交出去。
把它當人溝通，但別忘了它不是人。
用今天的 AI 練未來的能力，因為今天這批工具，大概率是你餘生裏最差的一批。
| 1. Always invite AI to the table | |||
| 2. Be the human in the loop | |||
| 3. Treat AI like a person, but tell it what kind of person it is | |||
| 4. Assume this is the worst AI you will ever use |
這本書是 Wharton 教授 Ethan Mollick 在 2024 年出版的《Co-Intelligence: Living and Working with AI》，核心不是“AI 替代人”，而是“人和 AI 如何共同思考、共同工作”。公開書介裏也明確說，Mollick 關注的是 AI 如何成為頭腦風暴夥伴、共同寫作者、導師、教練，以及人類怎樣使用 AI 的力量而不丟掉自己的判斷。
先講透：這四條其實是一條閉環
很多人用 AI 是碎片化的。
今天讓它寫個朋友圈，明天讓它總結個 PDF，後天讓它起個標題。看起來用了，其實沒形成能力。
Mollick 這四條厲害的地方在於，它們構成了一個閉環：
第一步，拉它進場。
別等到你完全卡死才問 AI。你一開始就讓它坐在桌邊。你思考，它補充；你判斷，它挑戰；你寫第一版，它寫第二版；你做決策，它列風險。
第二步，人類兜底。
AI 是副駕駛，不是駕駛員。它可以幫你看路況，但方向盤還在你手裏。尤其是法律、醫療、財務、招聘、產品決策、公開發布內容這些場景，AI 給出的內容必須被人類驗證。
第三步，給它身份。
你不能把 AI 當成一個“萬能奴隸”。你要像管理一個聰明但沒上下文的員工一樣，告訴它：你是誰、你服務誰、目標是什麼、標準是什麼、不能做什麼、輸出成什麼樣。
第四步，持續升級。
別愛上一條提示詞，別愛上一個模型，別愛上一個今天看起來很神的技巧。未來 AI 會變強，你真正要建立的是“跟 AI 協作的能力”，不是“記住幾個咒語”。
這四條合起來就是：
AI 進場，人類掌舵，角色清晰，系統進化。
背景：為什麼這本書重要
Ethan Mollick 不是那種站在遠處點評 AI 的人。他在 Wharton 教創業和創新，也長期公開記錄自己怎麼把生成式 AI 用進教學、寫作、研究和創業訓練裏。Wharton 對這本書的介紹裏說，他關注的是人類如何和智能機器一起思考、一起工作。
這點很關鍵。很多人談 AI，有兩種極端。
一種人說，AI 都是垃圾，沒靈魂，不能信。
另一種人說，AI 無所不能，馬上全自動賺錢。
這兩種都很平庸。
第一種人輸在傲慢。
第二種人死在輕信。
Mollick 的位置更現實：AI 很強，但很怪；AI 很有用，但會犯錯；AI 可以放大人類能力，也可以放大人類懶惰。TIME 對 Mollick 的採訪裏，他特別強調，AI 的能力邊界是 jagged，也就是參差不齊的。它可能在某些複雜任務上驚人地強，又在某些看似簡單的任務上離譜地錯。所以沒有一本完美說明書會從天而降，你必須親自把它帶進自己的任務裏試。
這就是第一性原理：
AI 不是一個工具。AI 更像一種新型勞動力。
但它不是穩定員工，而是一個能力極強、性格古怪、記憶有限、偶爾胡說八道的實習合夥人。
你不能不用。
你也不能盲用。
你要會用。
原則一：Always invite AI to the table
1. 這句話真正的意思
這句話不能翻譯成“什麼都讓 AI 做”。
更準確地說是：
任何知識工作，只要合法、合倫理、風險可控，就先問一句：這個任務裏，AI 能不能參與？
不是因為 AI 一定會給你正確答案，而是因為你不讓它進場，你根本不知道它能幫你在哪裏。
Mollick 在採訪中說，因為 AI 的能力邊界很參差，人們需要把 AI 帶入自己的真實任務，才能發現它在哪裏好、哪裏不好。Big Think 對四原則的總結也把第一條解釋為：儘可能在法律和倫理允許的任務中使用 AI，因為只有大量使用，你才會發現它能做什麼、不能做什麼。
這句話最狠的地方在於，它在反駁一種傳統美德：
“我先自己想，實在不行再問 AI。”
聽起來很努力，其實很舊時代。
現在更好的做法是：
你先自己明確目標，然後馬上把 AI 拉進來，一起推演。
注意順序：不是 AI 替你想目標，而是你帶着目標讓 AI 加速。
2. 小故事：那個寫不出來的人
Mollick 自己寫過，他並不用 AI 替他寫文章，但他會在卡住的時候讓 AI 給十種可能的展開方式、不同風格的表達，或者幫他改一段彆扭的文字。他說自己很少直接使用 AI 的文本，但 AI 給了他新的路徑。
這個故事很值得你記住。
普通人以為高手不用 AI。
真正的高手不是不用 AI，而是不讓 AI 接管自己的品味。
AI 給路。
人選路。
你寫不出來一篇文章，不一定是你沒有能力，可能是你的腦子被困在一個角度裏。AI 的價值不是“替你寫”，而是把你的腦子從死衚衕裏拽出來。
這就像你在森林裏迷路。AI 不一定知道哪條路絕對正確，但它可以瞬間指出 20 條可能的小路。你要做的不是跪下來喊它神，而是拿出指南針，開始判斷。
3. 實操：哪些任務應該邀請 AI 進場
你以後做任何事，先按這個順序問 AI：
第一，讓它拆任務。
比如你要做一個新產品，不要先問“幫我做個產品”。你問：
我想做一個面向獨立開發者的產品，目標是 30 天內找到付費用戶。請先把這個目標拆成任務樹，標出哪些任務適合 AI 輔助，哪些必須由真人驗證。
第二，讓它生成選項。
AI 最擅長擴展可能性。
十個名字、二十個標題、五種商業模式、三種定價方案、四類用戶畫像、六種冷啓動打法。
第三，讓它扮演反對者。
這是被很多人低估的用法。你不要只讓 AI 誇你。你要讓它罵你。
請作為一個冷酷的投資人，指出這個想法為什麼大概率失敗。不要客氣。
第四，讓它模擬用戶。
你可以讓它扮演小白用戶、憤怒用戶、精打細算用戶、企業採購、開發者、運營負責人。
第五，讓它做第一版。
第一版文案、第一版代碼結構、第一版訪談提綱、第一版競品表、第一版郵件、第一版 SOP。
第六，讓它做審稿人。
寫完以後，讓 AI 從邏輯、事實、語氣、風險、用戶感受、商業價值幾個維度審。
4. 對獨立開發者意味着什麼
辰美，你現在的目標不是“學會 AI”。
你的目標是用 AI 把自己從一個人，臨時擴展成一個小團隊。
你不懂代碼，AI 可以先當技術顧問。
你不懂產品，AI 可以當產品經理。
你不懂運營，AI 可以當增長顧問。
你不懂營銷，AI 可以當文案總監。
你不懂廣告，AI 可以當投放教練。
但聽清楚，別飄。
AI 可以讓你像一個團隊一樣工作，但不會自動讓你像一個 CEO 一樣判斷。Wharton 的文章裏，Mollick 特別提到創業者通常是多面手，AI 能在法律審查、營銷網站、編程建議、資助申請、新聞稿、社交內容等方面幫助創始人。
這就是獨立開發者的機會。
以前一個人創業，最大的問題是“缺人”。
現在一個人創業，最大的問題變成“你會不會指揮”。
你不是在使用 AI。
你是在管理一支看不見的臨時團隊。
5. 第一條的反面教材
有三種人會輸。
第一種，不邀請 AI 進場。
他們還在用 2015 年的方法工作，靠手搓、靠硬熬、靠所謂“真實能力”。問題是，真實能力不等於拒絕槓桿。巴菲特不會因為自己會算數就不用計算器。
第二種，只在低價值任務裏用 AI。
比如只讓 AI 寫幾句祝福語、生成幾個標題。不是不行，但太淺了。你要讓它進入高槓杆任務：選市場、定用戶、拆商業模式、做用戶訪談、寫銷售頁、分析失敗原因。
第三種，讓 AI 一上來就替你做最終決定。
這就不是邀請 AI 上桌了，這是你自己離桌了。
原則二：Be the human in the loop
1. 這句話真正的意思
AI 進場以後，誰負責？
你負責。
這條原則是四條裏面最冷酷的一條。因為它告訴你：
AI 犯錯，最後買單的人不是 AI，是你。
Big Think 對第二條的解釋很直接：AI 會犯錯，會幻覺；人必須監督它，否則就像開車時在方向盤前睡着。
這不是理論問題，現實裏已經發生過很多次。
2. 案例一：諮詢顧問用 AI，強的更強，錯的更錯
哈佛、沃頓、BCG 等研究者做過一個很有名的實驗，研究對象是 758 名 BCG 顧問。結果非常漂亮，也非常危險。
在 AI 能力邊界內的任務上，使用 GPT-4 的顧問完成任務更多、速度更快、質量更高；研究報告寫到，AI 用戶完成任務數量提升 12.2%，速度快 25.1%，質量提升超過 40%。但在 AI 能力邊界外的任務上，使用 AI 的顧問反而更容易給出錯誤答案。研究論文把這種現象稱作 jagged technological frontier，也就是參差不齊的技術邊界。
BCG 自己對這項研究的總結也很醒目：在創意類產品創新任務上，約 90% 的參與者表現提升，平均表現高出約 40%；但在某些商業問題解決任務上，使用 GPT-4 的人表現反而低了 23%。更麻煩的是，即使參與者被提醒 AI 可能出錯，很多人仍然接受了錯誤輸出。
這個案例幾乎把 AI 的本質講透了。
AI 是放大器。
你清醒，它放大你的清醒。
你糊塗，它放大你的糊塗。
你有判斷力，它是翅膀。
你沒有判斷力，它是懸崖邊的順風。
3. 案例二：律師用了假案例，被法院制裁
2023 年，美國有律師在法律文件中使用 ChatGPT 生成的虛假判例引用，後來被法官制裁。Reuters 報道中提到，法官認為兩名紐約律師提交了由 ChatGPT 生成的六個虛構案例引用，並對他們處以 5000 美元罰款。
這件事的教訓很簡單：
專業人士不是因為用了 AI 出事，而是因為用了 AI 以後沒有做專業人士該做的驗證。
你是律師，引用案例必須核。
你是醫生，診斷建議必須核。
你是創業者，市場判斷必須核。
你是開發者，上線代碼必須測。
你是寫作者，事實、數字、人名、出處必須查。
AI 可以幫你起草。
不能替你背鍋。
4. 案例三：Air Canada 聊天機器人說錯，公司照樣負責
Air Canada 的聊天機器人曾給一名乘客提供錯誤的喪親票價退款信息。後來加拿大相關機構裁定，Air Canada 需要為聊天機器人在官網上給出的錯誤信息負責，並要求賠償。報道里還提到，Air Canada 曾試圖把聊天機器人說成一個獨立的法律主體，但裁決方沒有接受這種說法。
這個故事更像企業版的第二原則：
你不能說“這是 AI 說的，不關我事”。
公司用了 AI，責任仍然是公司的。
個人用了 AI，責任仍然是個人的。
這對你未來做產品尤其重要。只要你的產品裏接入 AI，用戶看到的是你的產品，不是模型供應商。AI 胡說八道，用戶不會罵模型，用戶會罵你。
5. 實操：人類在迴路裏，到底要做什麼
“人在迴路”不是一句漂亮話。它至少包括六件事。
第一，定義目標。
AI 不知道你真正要贏什麼。你要說清楚目標是賺錢、留存、轉化、學習、傳播、合規，還是節省時間。
第二，設定邊界。
哪些不能做，哪些不能假設，哪些需要引用來源，哪些必須保守回答。
第三，檢查事實。
尤其是數字、法律、價格、政策、引用、競品信息、人物信息、時間線。
第四，判斷語境。
AI 不知道你和用戶之間的微妙關係。它可能寫得正確，但不合時宜。
第五，承擔價值判斷。
哪些話能說，哪些話不該說；哪些用戶該服務，哪些錢不該賺；哪些增長手段短期有效但長期傷人。這不是 AI 能替你做的。
第六，做最終決策。
AI 可以給建議，但最後按下按鈕的人必須是你。
6. 一個非常實用的驗證提示詞
以後你讓 AI 輸出完任何重要內容，都加這一句：
請你現在切換成審計員，不要繼續完善答案，而是專門找錯。請列出：
哪些結論可能是錯的； 哪些地方缺少證據； 哪些假設沒有被驗證； 如果我要公開發布或拿去做商業決策，最需要人工核查的 10 個點； 請按風險從高到低排序。
這個提示詞的價值很大。它把 AI 從“創作者”切換成“審計者”。
你別隻讓 AI 幫你衝鋒。
你還要讓 AI 幫你踩剎車。
原則三：Treat AI like a person, but tell it what kind of person it is
1. 這句話很容易被誤解
Mollick 不是說 AI 真的有人格、有意識、有感情。
他真正的意思是：
你要用對待人的溝通方式來指揮 AI，因為自然語言模型對角色、語境、目標、標準非常敏感。
Wharton 的文章中，Mollick 提到，我們很容易把生成式 AI 當人看，而實際最好的方式某種程度上也是像對待人一樣對待它，但同時要記住它仍然是一個軟件過程。
Big Think 對第三條的總結也類似：你可以給 AI 設定角色、語境和任務，但別忘了它沒有真正的心智、情緒或人格。
這句話很妙。
因為它既反對“AI 只是計算器”，也反對“AI 是神秘靈魂”。
更準確地說：
AI 不是人，但你要像管理人一樣管理它。
2. 為什麼“角色”這麼重要
你跟一個真實員工溝通時，如果只說“幫我弄一下”，他大概率也會弄得很爛。
你得告訴他：
你現在的身份是什麼。
你要服務誰。
你要解決什麼問題。
你有什麼資源。
你的輸出標準是什麼。
你不能碰什麼紅線。
你先問問題，還是直接給方案。
你要嚴厲，還是温柔。
你要保守，還是大膽。
你要像 CFO，還是像增長黑客。
AI 也是這樣。
OpenAI 的官方提示工程文檔也強調，可以通過指令定義模型的行為、語氣、目標和示例；清晰分隔任務說明與上下文、提供示例、給出具體目標和格式，通常會改善輸出質量。
換句話說，很多人覺得 AI 不好用，不是 AI 笨，是他自己像一個爛老闆。
你給一個聰明員工三句話：
“幫我寫個方案，專業一點，快點。”
然後你罵他方案垃圾。
這不叫管理，這叫甩鍋。
3. 一個好提示詞的底層結構
你以後記住這個公式：
角色 + 目標 + 背景 + 約束 + 標準 + 流程 + 輸出格式
比如：
你現在是一位極其務實的 B2B SaaS 產品顧問，擅長幫助獨立開發者在 30 天內驗證一個能收費的小產品。
我的背景是：我不懂代碼、不懂產品、不懂運營，但執行力很強，目標是儘快找到真實付費用戶。
你的任務不是鼓勵我，而是幫我減少幻想。請你基於我下面的想法，判斷它是否值得做。
請按以下結構輸出：
一句話判斷； 目標用戶是誰； 用戶現在為什麼痛； 他們現在怎麼解決； 我能不能在 7 天內做出低保真驗證； 最大風險； 今天必須做的 3 個動作。 限制：不要給空泛建議，不要說“可以考慮”，每條建議都必須具體到動作。
這就是“告訴它是什麼樣的人”。
你不是在求 AI。
你是在任命 AI。
4. 小故事：AI 董事會
想象你一個人創業，晚上兩點坐在電腦前，腦子裏全是噪音。
這個產品到底要不要做？
定價 9 美元還是 49 美元？
先做功能還是先找用戶？
要不要發 Twitter？
要不要做英文市場？
要不要上廣告？
如果你自己硬想，很容易陷入情緒。
但你可以開一個 AI 董事會：
請你模擬一場董事會。參與者包括：
冷酷 CFO，只關心現金流； 增長負責人，只關心獲客； 產品經理，只關心用戶體驗； 工程負責人，只關心實現成本； 法務顧問，只關心風險； 一個憤怒用戶，只關心這東西到底有沒有用。 他們要圍繞我的產品想法進行爭論。每個人都必須提出反對意見，最後給出是否值得做的投票。
這就是 AI 的神奇之處。
它不能替你真實擁有六個高管，但它可以讓你在做決定前，先聽到六種聲音。
你一個人創業，最怕的不是沒人幫你幹活。
最怕的是腦子裏只有一種聲音。
5. 但為什麼還要提醒“but tell it what kind of person it is”
因為 AI 默認不是一個穩定的人。
你這次問，它像老師。
下次問，它像客服。
再問，它像雞湯博主。
再問，它像過度自信的實習生。
所以你必須每次重新校準它的身份，或者建立固定工作流。
比如：
寫文案時：
你是一個直接、剋制、擅長轉化的 SaaS 文案負責人，不要誇張，不要營銷腔。
做技術判斷時：
你是一個保守的資深工程師，優先考慮可維護性、安全性和最小可行實現。
做商業判斷時：
你是一個非常現實的創業投資人，請用商業常識拆穿這個想法。
做學習計劃時：
你是一個嚴厲但高效的教練，目標是讓我用最短路徑掌握可用於賺錢的知識。
你給 AI 的角色越清楚，它越像一個可以合作的人。
你給 AI 的角色越模糊，它越像一個會說漂亮廢話的網友。
原則四：Assume this is the worst AI you will ever use
1. 這句話是最有遠見的一條
這句話翻譯一下：
別用今天的 AI 能力，判斷未來的 AI 價值。
今天你覺得 AI 寫代碼還有 bug，未來可能越來越少。
今天你覺得 AI 做設計還俗，未來可能越來越好。
今天你覺得 AI 代理做任務還不穩定，未來可能越來越強。
今天你覺得 AI 會幻覺，未來不一定消失，但驗證、工具調用、檢索、代理流程會不斷進步。
所以你今天真正該學的不是某個模型的技巧，而是：
如何把 AI 嵌入你的工作系統。
Big Think 對第四條的解釋是：AI 正在快速演進，要假設今天的 AI 是你將來會用到的最差 AI，因此現在就應該積累基礎經驗。
Stanford 2026 AI Index 也顯示，AI 能力並沒有停滯；報告提到模型在某些領域達到或超過人類基準，組織採用率大幅上升，生成式 AI 在學生和普通人中的使用也快速擴散。同時報告也強調 AI 仍有參差不齊的邊界，比如模型可以在高難度數學競賽中表現突出，但在一些視覺或代理任務上仍會失敗。
這就是現實：
AI 會越來越強，但不會線性地、均勻地變強。
它會一塊一塊突破，也會一塊一塊翻車。
2. 小故事：今天嫌它慢的人，明天會嫌自己慢
很多人現在說：
“AI 寫得還是不如我。”
“AI 代碼還是要改。”
“AI 畫圖還是有瑕疵。”
“AI 做產品還是不懂人性。”
對，很多時候都對。
但這句話裏藏着一個危險的傲慢：
你在拿今天的 AI 和今天的你比，卻沒有拿明年的 AI 和停滯的你比。
真正的競爭不是“你 vs AI”。
真正的競爭是：
會用 AI 的你 vs 不會用 AI 的你。
會用 AI 的別人 vs 不會用 AI 的你。
這才是殘酷的地方。
你不用 AI，不是保持純粹。
你可能只是在訓練自己變慢。
3. 第四條的實際含義：不要做一次性提示詞，要做可升級系統
很多人學 AI，沉迷於收藏提示詞。
這很短視。
提示詞當然有用，但提示詞會過期。模型變了，工具變了，上下文窗口變了，聯網能力變了，多模態能力變了，代理能力變了，你那條神奇提示詞可能就沒那麼神了。
你應該建立的是這些東西：
第一，任務庫。
記錄你哪些任務可以用 AI：寫作、調研、代碼、客服、產品、銷售、運營、覆盤。
第二，提示詞模板。
不是死記，而是模板化：角色、目標、背景、約束、輸出格式、驗證點。
第三，質量標準。
什麼叫好？什麼叫不能用？比如文案要清楚、可信、有具體利益點；代碼要能跑、有測試、有註釋；研究要有來源、有不確定性說明。
第四，驗證流程。
哪些輸出必須人工核查？哪些需要第二個模型交叉檢查？哪些需要真實用戶驗證？
第五，版本迭代。
每隔一段時間，重新測試模型能力。今天不能做的，三個月後可能能做。今天能做的，也可能換模型以後更便宜、更快、更穩。
這就是第四條真正的操作化：
別問“AI 現在能不能替我”。
要問“我現在能不能建立一個隨着 AI 變強而自動升值的工作系統”。
四條原則合起來，怎麼形成一個完整工作流
你可以把它想成一場會議。
第一條：邀請 AI 到場。
會議一開始，AI 坐下。
第二條：你做主席。
AI 可以發言，但不能拍板。
第三條：給 AI 安排職位。
它這次是財務顧問、產品經理、增長專家、教練，還是批判者？
第四條：每次會議後升級系統。
記錄它哪裏幫了你，哪裏誤導你，下次怎麼用得更好。
所以，每次你用 AI，都不要只拿一個答案。
你要拿三個東西：
答案。
過程。
可複用方法。
普通人只拿答案。
高手拿系統。
一個完整案例：獨立開發者 7 天驗證小產品
假設你想做一個 AI 工具，幫助小紅書博主把爆款筆記拆成可複用模板。
你完全可以用這四條原則跑一個 7 天驗證。
Day 1：邀請 AI 進場，拆機會
你先不要急着做產品。你問 AI：
我想做一個工具，幫助小紅書博主分析爆款筆記，並生成可複用的選題、標題和結構模板。
請你作為創業顧問，幫我判斷：這個想法的目標用戶是誰、痛點是什麼、他們現在怎麼解決、是否願意付費、最大風險是什麼。
請不要鼓勵我，優先找問題。
AI 可能會告訴你：
目標用戶不是所有博主，而是剛起號、缺選題、缺結構感的小博主。
痛點不是“不知道寫什麼”，而是“不知道為什麼別人爆，自己不爆”。
付費點不是生成文案，而是縮短試錯週期。
最大風險是平台規則、內容同質化、用戶不信任自動生成內容。
這一步，AI 是桌邊顧問。
但你不能直接信。你要進入第二條。
Day 2：人類在迴路，找真人驗證
你讓 AI 生成 20 個訪談問題：
請幫我設計一套用戶訪談問題，用來驗證小紅書博主是否願意為爆款筆記分析工具付費。問題要能挖出真實行為，不要問“你願不願意付費”這種虛假問題。
AI 給你問題後，你去找 10 個真實博主聊。
這一步很關鍵。
AI 可以模擬用戶，但不能替代真實用戶。
真實用戶會說一些 AI 編不出來的話，比如：
“我不是不會寫，我是每天打開手機就焦慮。”
“我不想要 AI 幫我寫，我想知道我為什麼沒流量。”
“我願意付費，但前提是你能分析我自己的賬號，不是泛泛講道理。”
這就是人類迴路的價值。
AI 給結構。
現實給真相。
Day 3：給 AI 角色，設計 MVP
現在你讓 AI 扮演產品經理：
你是一個極其剋制的 MVP 產品經理。
目標：用 7 天做出一個最低成本驗證版本，不寫複雜代碼，先驗證用戶是否願意付費。
請基於訪談反饋，設計一個 MVP。
限制：功能不能超過 3 個，用戶必須在 5 分鐘內看到價值。
AI 可能會給出：
功能一：粘貼筆記連結或文本，提取結構。
功能二：輸出標題套路、開頭方式、情緒鈎子、行動引導。
功能三：根據用戶賬號定位，生成 5 個相似但不抄襲的選題。
你再讓 AI 扮演工程師，判斷最小實現方式。
讓它扮演增長顧問，設計 landing page。
讓它扮演用戶，吐槽這個頁面哪裏假。
這就是第三條的威力：
你不是問一個 AI，你是在調度多個“角色”。
Day 4：人類繼續把關，別被 AI 造夢
AI 很可能會給你一大堆功能建議。
什麼賬號診斷、趨勢追蹤、競品監控、自動發佈、矩陣號管理。
你這時候要罵醒自己：
別裝大廠。
別造航母。
你現在只需要證明一個小問題：有沒有人願意為一次分析付錢？
所以你把 MVP 砍到最小：
用戶發 3 篇自己的筆記 + 3 篇對標爆款。
你用 AI 輔助分析。
你人工整理一份報告。
收費 19 美元或 99 元。
先賣 10 單。
這比開發一個完整 SaaS 更聰明。
你不是先做產品再找人買。
你是先證明有人買，再決定要不要做產品。
Day 5：AI 當銷售教練
你讓 AI 寫冷啓動私信：
你是一個不油膩、不冒犯人的增長顧問。
我想私信小紅書博主，邀請她們試用一個爆款筆記分析服務。
請寫 5 個版本，要求：真誠、短、具體、有邊界，不要像羣發廣告。
然後你自己改。
AI 寫第一版。
你加入人味。
你發出去。
這就是最好的協作方式。
AI 的文字往往太完整，太順，太像“營銷材料”。
真人的文字要有一點具體、一點笨拙、一點真誠。
比如不要說：
“我們致力於幫助內容創作者提升商業價值。”
你說：
“我看了你最近三篇筆記，感覺選題其實不錯，但開頭鈎子有點弱。我在做一個小工具，想幫你拆一下為什麼同類筆記能爆。你願意讓我免費分析一篇嗎？”
這才像人話。
Day 6：AI 當覆盤員
你發了 50 條私信，只有 3 人回覆。
普通人會崩。
高手會覆盤。
你把回覆和未回覆情況給 AI：
請作為增長分析師，基於這些私信結果，判斷：
哪些話術有效； 哪些話術讓人反感； 用戶真正關心什麼； 下一輪應該如何改； 我是否應該換目標用戶。
AI 會幫你看模式。
但你要做最終判斷。
Day 7：升級系統
最後你總結：
哪些任務 AI 幫上忙了？
哪些地方 AI 給了廢話？
哪些提示詞好用？
哪些輸出必須人工改？
哪些用戶反饋推翻了 AI 的判斷？
下次驗證能不能更快？
這就是第四條。
你不是隻做了一個項目。
你訓練了一套“AI 輔助創業操作系統”。
這東西會複利。
常用提示詞模板
1. AI 入場模板
我正在處理這個任務：
【任務描述】請你先不要直接給答案。請先判斷：
這個任務可以拆成哪些子任務； 哪些子任務適合 AI 幫助； 哪些必須由人類判斷或驗證； 最大風險是什麼； 我應該先做哪一步。
2. 角色設定模板
你現在是【角色】，你的風格是【風格】，你的目標是【目標】。
背景：
【我的背景 / 用戶背景 / 商業背景】任務：
【具體任務】限制：
【不能做什麼 / 不要什麼風格 / 不允許假設什麼】輸出格式：
【表格 / 步驟 / 清單 / 方案 / 代碼 / 文案】質量標準：
【什麼叫好答案】請先指出你需要注意的風險，再輸出結果。
3. 反對者模板
請你不要優化我的想法，而是反駁它。
你現在是一個冷酷、現實、見過大量失敗案例的審查者。
請指出：
這個想法為什麼可能失敗； 哪些假設最脆弱； 哪些地方是我在自嗨； 如果只能驗證一個關鍵假設，應該驗證哪個； 最便宜的驗證方法是什麼。
4. 人類驗證模板
請列出這個答案中所有需要人工核查的地方。
按風險分為：
高風險：錯了會造成法律、金錢、聲譽或安全問題；
中風險：錯了會影響決策質量；
低風險：錯了只是表達不夠好。每個風險點請給出核查方法。
5. 升級工作流模板
請覆盤我這次使用 AI 的過程。
輸出：
哪些環節 AI 明顯提高了效率； 哪些環節 AI 誤導了我； 哪些提示詞值得保存； 下次如何更快； 哪些地方應該建立固定 SOP。
5W2H：這四條原則怎麼落地
| What，是什麼 | |
| Why，為什麼 | |
| Who，誰來用 | |
| When，什麼時候用 | |
| Where，在哪裏用 | |
| How，怎麼用 | |
| How much，投入多少 |
SOP：AI 協作標準流程
Step 1：定義任務
先寫清楚：
我要完成什麼？
給誰用？
成功標準是什麼？
時間限制是什麼？
風險有多高？
不要一上來就問 AI。
你得先知道自己要去哪兒。
Step 2：邀請 AI 拆任務
讓 AI 判斷：
任務可以拆成哪些部分？
哪些適合 AI？
哪些不適合 AI？
哪些需要真人確認？
這一步對應第一原則。
Step 3：給 AI 指定角色
不要說“幫我”。
要說“你現在是……”
比如：
你是產品經理。
你是資深工程師。
你是增長顧問。
你是冷酷投資人。
你是法務審查員。
你是憤怒用戶。
你是 0 基礎學習教練。
這一步對應第三原則。
Step 4：讓 AI 先輸出多個選項
不要只要一個答案。
至少要 3 到 5 個方案。
因為 AI 最大的價值之一是擴展可能性。
Step 5：讓 AI 自我審查
輸出後立刻問：
哪裏可能錯？
哪些是假設？
哪些需要證據？
哪些地方可能誤導我？
最壞後果是什麼？
這一步對應第二原則。
Step 6：人類驗證
你親自核：
事實是否正確。
數據是否有來源。
邏輯是否通。
用戶是否真實需要。
法律和倫理是否安全。
執行成本是否可承受。
不要偷懶。
偷懶的人用 AI，只會更快地犯錯。
Step 7：執行最小動作
不要讓 AI 方案停留在紙面。
把它壓縮成今天能做的一件事：
發 10 條私信。
採訪 3 個用戶。
上線一個表單。
寫一頁 landing page。
做一個可點擊原型。
跑一個 20 美元廣告測試。
交付一個人工版服務。
Step 8：覆盤並沉澱
每次用完 AI，保存三類東西：
好提示詞。
好流程。
踩坑記錄。
你的目標不是這次得到一個答案。
你的目標是下一次更快、更準、更穩。
Checking List：每次用 AI 前後檢查
使用前
[ ] 我有沒有說清楚任務目標？ [ ] 我有沒有說清楚目標用戶或受眾？ [ ] 我有沒有指定 AI 的角色？ [ ] 我有沒有給足背景？ [ ] 我有沒有說明限制條件？ [ ] 我有沒有定義輸出格式？ [ ] 我有沒有說明什麼叫好結果？
使用中
[ ] 我有沒有讓 AI 給多個方案，而不是隻給一個？ [ ] 我有沒有讓 AI 解釋假設？ [ ] 我有沒有讓 AI 標出不確定性？ [ ] 我有沒有讓 AI 扮演反對者？ [ ] 我有沒有追問“還有沒有更簡單的方法”？ [ ] 我有沒有追問“這個方案哪裏可能失敗”？
使用後
[ ] 事實有沒有核查？ [ ] 數據有沒有來源？ [ ] 法律、財務、醫療、安全等高風險內容有沒有人工確認？ [ ] 這個輸出是否符合真實用戶語境？ [ ] 我是否保留了最終判斷權？ [ ] 我有沒有把好提示詞保存下來？ [ ] 我有沒有把這次經驗升級成流程？
高風險場景額外檢查
[ ] 是否涉及法律責任？ [ ] 是否涉及金錢損失？ [ ] 是否涉及用戶隱私？ [ ] 是否涉及公開傳播？ [ ] 是否涉及健康、安全、身份、招聘、金融決策？ [ ] 是否可能讓用戶誤解這是確定事實？ [ ] 是否需要引用可靠來源或專家複核？
最後說狠一點
這四條原則最可怕的地方，不是它們教你“怎麼用 AI”。
而是它們重新定義了聰明人和普通人的差距。
過去，聰明人是腦子快、知識多、表達好。
現在，聰明人是能指揮 AI、能判斷 AI、能訓練流程、能快速驗證現實的人。
你不能只做“努力的人”。
努力如果沒有槓桿，就是在搬石頭感動自己。
你也不能做“迷信 AI 的人”。
迷信 AI，本質上是把自己的判斷力外包出去。
真正正確的位置是：
把 AI 當成桌上的第二個大腦，
但把自己的靈魂留在駕駛座上。
這四條記成一句話：
凡事讓 AI 參與，凡責由人承擔；
凡用先定角色，凡事持續升級。