分享一個打破信息差的 skill，巨好用

呢兩年用 AI 越嚟越多之後，我慢慢發現咗一個問題。

以前我哋擔心嘅係 AI 唔聽話。你叫佢做啲嘢，佢理解錯咗，或者寫得唔符合要求，於是大家拼命研究提示詞，想辦法將要求講得更詳細啲。

但而家模型越嚟越聰明，我反而開始擔心另一件事：

AI 太聽話啦。

你指一條路畀佢，佢往往唔會先問呢條路啱唔啱，而係即刻沿住呢條路，幫你一路狂奔。

有時咁樣當然好好。

例如你叫佢改一段文字、整理一個表格、寫一個通知，目標好明確，直接執行就得啦。

但一到遇到複雜任務，問題就嚟啦。

舉個例，我準備買一部 Mac mini M4，用嚟遠程跑 AI Agent，推薦一個配置。

一般嘅回答好大機會會喺 M4 嘅幾個配置入面揀：

16GB 定係24GB，256GB 定係512GB，普通版定係 Pro 版。

呢啲回答可能都冇錯，但佢哋默認接受咗一個前提：

你真係應該買 Mac mini。

但我真正想解決嘅，可能唔係買邊款 Mac mini，而係：

我需要一部可以長期在線、遠程控制、穩定運行 Codex 同 Claude Code 嘅機器。

呢個時候問題就完全唔同曬。

Mac mini 只係其中一條路徑。除此之外，重可能有 Linux 小主機、雲服務器、現有舊電腦，甚至根本唔使新買設備。

如果 AI 只係喺你畀嘅選項入面揀一個，佢雖然回答咗問題，但可能冇幫你解決真正嘅問題。

呢個都係我最近越嚟越強烈嘅一種感受：

信息繭房唔只係嚟自新聞推薦同短視頻算法，都可能嚟自我哋自己畀 AI 設定嘅問題邊界。

我哋唔知道某個方案，所以問問題嘅時候根本唔會提到佢；AI 又順住我哋嘅問題回答，於是我哋永遠都唔知道嗰個方案存在。

呢個就形成咗一個好奇怪嘅閉環：

我只係知道 A，所以我問 AI 點樣將 A 做好；AI 幫我將 A 做得特別好；最後我更加確信，A 就係唯一嘅答案。

於是我開始諗，可唔可以畀 AI 加一道默認指令：

每次接到任務之後，唔好即刻執行，先諗一諗，我畀嘅路徑係唔係最合理嘅。

呢度有一個好重要嘅分別。

我唔係想叫 AI 每次都反駁我，亦唔係叫佢為咗顯得聰明，硬係夾硬湊三個替代方案出嚟。

我想要嘅係，佢可以區分兩件事：我真正想達到嘅目標；我自己諗到嘅實現辦法。

好多時候，我哋會將呢兩件事溝埋一齊。

再講個例，我單位嘅校園網每日凌晨 3 點會強制所有終端自動下線，咁樣我長期喺單位開機掛住嘅 Workbuddy 同 Codex 就會失聯，所以我叫 Codex 幫我寫一個每日凌晨 3 點自動登入校園網嘅腳本。

表面嘅任務係寫腳本，但真實目標係：

令到辦公室電腦喺校園網強制斷開之後，可以自動恢復網絡。

咁除咗凌晨 3 點運行一次腳本，重應該考慮：

認證伺服器係唔係 3 點整就可以恢復；係唔係應該每隔兩分鐘檢測一次；係直接調用登入接口，定係打開瀏覽器模擬操作；登入頁面有冇驗證碼；學校有冇提供設備白名單；電腦斷網之後仲可唔可以獲取 IP 地址；登入失敗之後應該點樣重試；需唔需要留下日誌。

如果只係按照 3 點執行一次登入嚟做，好可能腳本寫得冇問題，但實際上第二日仲係連唔上。

所以，都係應該返返去問題嘅最開始，呢個任務到底應該點樣由第一性原理出發？於是我叫 AI 幫我設計咗一套思路。

最後將呢套想法整理成一個可以長期重用嘅提示詞。

佢嘅核心唔係叫 AI 諗多啲，而係要求 AI 喺行動前做幾件事：

第一，重新定義問題。

先問清楚，我到底想解決啲咩。唔好將我提出嘅工具、方案同步驟，直接當成最終目標。

第二，檢查隱藏假設。

例如我係唔係默認一定要用 Mac，默認一定要寫腳本，默認一定要買新設備，默認一定要按照某種行業慣例嚟做。

第三，主動尋找信息差。

睇下有冇我冇提到，但業內高手通常會考慮嘅方案；有冇新嘅工具、新嘅技術路線，或者國外已經比較常見、中文社區卻好少討論嘅做法。

第四，比較替代路徑。

唔止係列出方案，而係比較邊個更簡單、邊個成本低、邊個穩定、邊個上限高、邊個適合長期使用。

第五，做一次反方審查。

問幾個好實用嘅問題：呢個方案最有可能死喺邊度？有冇用20%嘅複雜度，實現 80% 效果嘅方法？有冇一種更激進嘅方案，可以將效果提高幾倍？如果今日由零開始，唔考慮過去嘅習慣，仲會唔會咁做？

最後，AI 唔可以掉一堆選項畀我就完，而係必須明確話畀我知，佢到底推薦邊一條路。

我第一次拎呢個提示詞嚟測試，就係前面講嘅 Mac mini。

我原本嘅問題好簡單：

我想買一部 Mac mini M4，用嚟遠程使用 AI Agent，有咩建議？

如果按照普通路徑，答案應該就係推薦某個配置。

但加上呢套提示詞之後，回答嘅第一步變咗：

你真正需要嘅唔係一部 Mac，而係一部可以長期通電、穩定聯網、遠程恢復、同時運行多個 Agent 嘅個人計算節點。

呢句話一下子將問題由買電腦變成咗搭建遠程 Agent 節點。

跟住佢開始區分兩種場景：

如果 Codex 同 Claude Code 主要調用雲端模型，咁本機最重要嘅唔係 GPU，而係內存、網絡穩定性同遠程恢復能力。

如果我要喺本地跑大模型，嗰又係另一回事，內存要求會大幅提高，甚至 Mac mini 都唔一定係性價比最高嘅方案。

呢個就係我想要嘅效果。

佢冇為咗反對而反對，亦冇否定 Mac mini，而係先判斷我嘅路徑值唔值得行，再幫我揀配置。

第二次測試：校園網凌晨斷網

再之後，我提到辦公室電腦所在嘅校園網，每日凌晨 3 點會強制斷網，需要重新打開網頁登入。

一開始因為上下文一直喺度講 Mac，AI 誤以為我講緊嗰部 Mac mini，畀咗一個 macOS 方案。

我糾正話，呢個係另外一部 Windows 電腦。

呢件事都好有趣。

佢說明再好嘅提示詞，都唔可以保證 AI 永遠唔理解錯。提示詞唔係魔法，佢只係提高思考質量，唔可以替代準確嘅上下文。

但糾正之後，佢畀出嘅思路就比較完整啦：

唔好只係設定凌晨 3 點執行一次登入，而應該令 Windows 每隔兩分鐘檢測網絡；發現斷線之後，自動調用校園網登入接口；如果接口比較複雜，再用 Playwright 控制瀏覽器；如果有驗證碼、掃碼或者動態令牌，就應該去申請設備白名單或者官方自動重連方式。

呢個比寫一個 3 點自動點擊網頁登入按鈕嘅腳本可靠得多。

因為後者只係完成咗我口頭上講嘅要求，前者先係解決我嘅實際問題。

當然，按照呢個思路，佢幫我解決咗呢個問題，每日凌晨3點10分自動重連網絡。

用落之後，我覺得佢最大嘅作用，唔係令 AI 回答得更長，亦唔係令佢睇起嚟更專業。

佢真正改變嘅係 AI 嘅角色。

以前嘅 AI 更加似一個執行能力好強嘅員工。

你話向東，佢就向東；你話用 Excel，佢就用 Excel；你話買 Mac，佢就喺 Mac 入面揀。

加上呢套提示詞之後，佢更加似一個願意喺執行前多問一句嘅合夥人：

我知道你想咁做，但我哋先確認一下，呢個係唔係最好嘅辦法。

呢句話睇起嚟簡單，但其實好重要。

因為人喺做決定嘅時候，最難發現嘅往往唔係答案，而係自己問題入面嘅默認前提。

我哋好容易問：買邊個軟件？用邊個模型？學邊個編程語言？揀邊個旅遊路線？點樣將呢個功能做出嚟？

但真正值得問嘅可能係：呢件事有冇必要買？可唔可以直接用現有工具？我真正缺嘅係模型，定係工作流？呢個景點值唔值得去？呢個功能係唔係根本唔應該做？

AI 如果永遠只係負責將現有方案做到最好，佢就好難幫我哋突破認知邊界。

當然，呢套提示詞重有一個容易出現嘅副作用：

AI 可能變得太鍾意發散。

你只係叫佢改個標題，佢先同你討論傳播目標、用戶畫像、平台機制同品牌戰略，最後標題都未改。

所以我喺提示詞最後特意加咗一條：

對於簡單、明確、冇必要發散嘅任務，可以直接執行。只有複雜任務，先啟動完整審查。

呢點好重要。

好嘅思考，唔係每次都諗得最多，而係知道咩時候應該深入，咩時候應該直接開工。

我冇每次都將完整提示詞重新發一次，而係將佢提取成一個 skill：

當任務涉及以下內容時：買嘢；技術選型；產品設計；工作流搭建；學習路線；商業決策；旅行規劃；長期使用嘅工具；成本比較；風險比較。

就將佢叫出嚟評估下。

而對於改寫一句話、潤色一段文案、轉換格式呢類明確任務，直接執行就得。

建議大家仲係手動激活呢個 skill，唔使寫入 agent.md，如果唔係佢容易同你講好耐。

我而家越嚟越覺得，現階段 AI 嘅執行力已經好強好強，好多教程腳本呢啲都唔再咁重要，重要嘅係，點樣正確使用佢嘅思路。

因為未來 AI 嘅執行能力一定會越嚟越強。

真正稀缺嘅，可能唔再係將一條路行得更快，而係：喺出發之前，先確認我哋有冇行錯路。

呢套提示詞當然唔可能徹底消除信息差，亦唔可以保證每次都揾到最優解。

但佢至少加多咗一道保險：

當我只係見到眼前呢一條路嘅時候，AI 唔會即刻拉住我一路跑到尾，而係會停一停，話畀我知旁邊係唔係重有其他入口。

對我嚟講，呢個已經比單純將提示詞寫得更詳細，有價值得多。

完整提示詞比較長，我就放後台啦，獲取方式，私信回覆：信息差

這兩年用 AI 越來越多之後，我慢慢發現了一個問題。

以前我們擔心的是 AI 不聽話。你讓它做個東西，它理解錯了，或者寫得不符合要求，於是大家拼命研究提示詞，想辦法把要求說得更詳細一點。

但現在模型越來越聰明，我反而開始擔心另一件事：

AI 太聽話了。

你給它指一條路，它往往不會先問這條路對不對，而是立刻沿着這條路，幫你一路狂奔。

有時候這當然很好。

比如你讓它改一段文字、整理一個表格、寫一個通知，目標很明確，直接執行就行了。

可一旦遇到複雜任務，問題就來了。

舉個例子，我準備買一台 Mac mini M4，用來遠程跑 AI Agent，推薦一個配置。

一般的回答大概率會從 M4 的幾個配置裏選：

16GB 還是24GB，256GB 還是512GB，普通版還是 Pro 版。

這些回答可能都沒錯，但它們默認接受了一個前提：

你確實應該買 Mac mini。

可我真正想解決的，也許並不是買哪款 Mac mini，而是：

我需要一台能長期在線、遠程控制、穩定運行 Codex 和 Claude Code 的機器。

這時候問題就完全不一樣了。

Mac mini 只是其中一種路徑。除此之外，還可能有 Linux 小主機、雲服務器、現有舊電腦，甚至根本不用新買設備。

如果 AI 只在你給出的選項裏挑一個，它雖然回答了問題，卻可能沒有幫你解決真正的問題。

這也是我最近越來越強烈的一種感受：

信息繭房不只是來自新聞推薦和短視頻算法，也可能來自我們自己給 AI 設定的問題邊界。

我們不知道某個方案，所以提問時根本不會提到它；AI 又順着我們的問題回答，於是我們永遠都不知道那個方案存在。

這就形成了一個很奇怪的閉環：

我只知道 A，所以我問 AI 怎麼把 A 做好；AI 幫我把 A 做得特別好；最後我更加確信，A 就是唯一的答案。

於是我開始琢磨，能不能給 AI 加一道默認指令：

每次接到任務之後，不要立刻執行，先想一想，我給出的路徑是不是最合理的。

這裏有一個很重要的區別。

我不是想讓 AI 每次都反駁我，也不是讓它為了顯得聰明，硬湊出三個替代方案。

我要的是，它能區分兩件事：我真正想達到的目標；我自己想到的實現辦法。

很多時候，我們會把這兩件事混在一起。

再比如說，我單位的校園網每天凌晨 3 點會強制所有終端自動下線，這樣我長期在單位開機掛着的 Workbuddy 和 Codex 就會失聯，所以我讓 Codex來幫我寫一個每天凌晨 3 點自動登錄校園網的腳本。

表面上的任務是寫腳本，但真實目標是：

讓辦公室電腦在校園網強制斷開後，能夠自動恢復網絡。

那麼除了凌晨 3 點運行一次腳本，還應該考慮：

認證服務器是不是 3 點整就能恢復；是不是應該每隔兩分鐘檢測一次；是直接調用登錄接口，還是打開瀏覽器模擬操作；登錄頁面有沒有驗證碼；學校是否提供設備白名單；電腦斷網以後還能不能獲取 IP 地址；登錄失敗後該怎麼重試；是否需要留下日誌。

如果只按照 3 點執行一次登錄來做，很可能腳本寫得沒毛病，實際第二天還是連不上。

所以，還是應該回到問題的最初，這個任務到底應該怎樣去從第一性原理出發？於是我讓 AI 給我設計了一套思路。

最後把這套想法整理成了一個可以長期複用的提示詞。

它的核心不是讓 AI 想得更多，而是要求 AI 在行動前做幾件事：

第一，重新定義問題。

先問清楚，我到底想解決什麼。不要把我提出的工具、方案和步驟，直接當成最終目標。

第二，檢查隱藏假設。

比如我是不是默認必須用 Mac，默認必須寫腳本，默認必須買新設備，默認必須按照某種行業慣例來做。

第三，主動尋找信息差。

看看有沒有我沒提到，但業內高手通常會考慮的方案；有沒有新的工具、新的技術路線，或者國外已經比較常見、中文社區卻很少討論的做法。

第四，比較替代路徑。

不只是列方案，而是比較哪個更簡單、哪個成本低、哪個穩定、哪個上限高、哪個適合長期使用。

第五，做一次反方審查。

問幾個很實用的問題：這個方案最可能死在哪裏？有沒有用20%的複雜度，實現 80% 效果的方法？有沒有一種更激進的方案，能把效果提高几倍？如果今天從零開始，不考慮過去的習慣，還會不會這麼做？

最後，AI 不能把一堆選項扔給我就結束，而是必須明確告訴我，它到底推薦哪一條路。

我第一次拿這個提示詞來測試，就是前面說的 Mac mini。

我原本的問題很簡單：

我想買一台 Mac mini M4，用來遠程使用 AI Agent，有什麼建議？

如果按照普通路徑，答案應該就是推薦某個配置。

但加上這套提示詞之後，回答的第一步變成了：

你真正需要的不是一台 Mac，而是一台能夠長期通電、穩定聯網、遠程恢復、同時運行多個 Agent 的個人計算節點。

這句話一下子把問題從買電腦變成了搭建遠程 Agent 節點。

接着它開始區分兩種場景：

如果 Codex 和 Claude Code 主要調用雲端模型，那麼本機最重要的不是 GPU，而是內存、網絡穩定性和遠程恢復能力。

如果我要在本地跑大模型，那又是另一回事，內存要求會大幅提高，甚至 Mac mini 都不一定是性價比最高的方案。

這就是我想要的效果。

它沒有為了反對而反對，也沒有否定 Mac mini，而是先判斷我的路徑是不是值得走，再幫我選配置。

第二次測試：校園網凌晨斷網

再後來，我提到辦公室電腦所在的校園網，每天凌晨 3 點會強制斷網，需要重新打開網頁登錄。

一開始因為上下文一直在說 Mac，AI 誤以為我說的是那台 Mac mini，給了一個 macOS 方案。

我糾正說，這是另外一台 Windows 電腦。

這件事也很有意思。

它說明再好的提示詞，也不能保證 AI 永遠不理解錯。提示詞不是魔法，它只是提高思考質量，不能替代準確的上下文。

但糾正之後，它給出的思路就比較完整了：

不要只設置凌晨 3 點執行一次登錄，而應該讓 Windows 每隔兩分鐘檢測網絡；發現掉線後，自動調用校園網登錄接口；如果接口比較複雜，再用 Playwright 控制瀏覽器；如果有驗證碼、掃碼或者動態令牌，就應該去申請設備白名單或官方自動重連方式。

這比寫一個 3 點自動點擊網頁登錄按鈕的腳本靠譜得多。

因為後者只是完成了我嘴上說的要求，前者才是在解決我的實際問題。

當然，按照這個思路，它給我解決了這個問題，每天凌晨3點10分自動重連網絡。

用下來以後，我覺得它最大的作用，不是讓 AI 回答得更長，也不是讓它看起來更專業。

它真正改變的是 AI 的角色。

以前的 AI 更像一個執行能力很強的員工。

你說往東，它就往東；你說用 Excel，它就用 Excel；你說買 Mac，它就在 Mac 裏面選。

加上這套提示詞以後，它更像一個願意在執行前多問一句的合夥人：

我知道你想這麼做，但我們先確認一下，這是不是最好的辦法。

這句話看起來簡單，其實非常重要。

因為人在做決定的時候，最難發現的往往不是答案，而是自己問題裏的默認前提。

我們很容易問：買哪個軟件？用哪個模型？學哪個編程語言？選哪個旅遊路線？怎麼把這個功能做出來？

但真正值得問的也許是：這件事有必要買嗎？能不能直接用現有工具？我真正缺的是模型，還是工作流？這個景點值得去嗎？這個功能是不是根本不該做？

AI 如果永遠只負責把現有方案做到最好，它就很難幫我們突破認知邊界。

當然，這套提示詞還有一個容易出現的副作用：

AI 可能變得太愛發散。

你只是讓它改個標題，它先跟你討論傳播目標、用戶畫像、平台機制和品牌戰略，最後標題還沒改。

所以我在提示詞最後特意加了一條：

對於簡單、明確、沒有必要發散的任務，可以直接執行。只有複雜任務，才啓動完整審查。

這點很重要。

好的思考，不是每次都想得最多，而是知道什麼時候應該深入，什麼時候應該直接幹活。

我沒有每次都把完整提示詞重新發一遍，而是把它提取成了一個 skill：

當任務涉及以下內容時：買東西；技術選型；產品設計；工作流搭建；學習路線；商業決策；旅行規劃；長期使用的工具；成本比較；風險比較。

就把它叫出來評估下。

而對於改寫一句話、潤色一段文案、轉換格式這類明確任務，直接執行就行。

建議大家還是手動激活這個skill，不必寫入 agent.md，不然它容易跟你叭叭半天。

我現在越來越覺得，現階段 AI 的執行力已經很強很強，很多教程腳本這些都不再那麼重要，重要的是，如何正確使用它的思路。

因為未來 AI 的執行能力一定會越來越強。

真正稀缺的，可能不再是把一條路走得更快，而是：在出發之前，先確認我們有沒有走錯路。

這套提示詞當然不可能徹底消除信息差，也不能保證每次都找到最優解。

但它至少多加了一道保險：

當我只看見眼前這一條路時，AI 不會立刻拉着我一路跑到底，而是會停一下，告訴我旁邊是不是還有別的入口。

對我來說，這已經比單純把提示詞寫得更詳細，有價值得多。

完整提示詞比較長，我就放後台了，獲取方式，私信回覆：信息差