用 AI 做事的一点点心得

为什么写这篇

用 AI 做事一年多，踩过不少坑：得到过”看起来对、实际错”的数据；让 AI 替我”设计”了结果却不对味；同一个流程每次都要重新教一遍。后来慢慢总结出几条原则，写下来给自己，也分享给需要的人。

怎么用ai

核心不是”问得玄”，而是把任务描述清楚。我常用的结构是：

我要【做什么】，用于【什么场景】，产出【什么形态】，其中【哪些是硬约束】，【哪些可以自由发挥】。

几条具体经验：

• 把交付物说具体：要”一份对比表”就说清楚有几列、列名是什么，而不是丢一句”对比一下”
• 给足上下文，别让 AI 猜：相关的背景、已有材料、之前的结果一起给，它猜得越少，错得越少
• 明确验收标准：说清”怎么算做好”，AI 才知道边界在哪里
• 分步走，别一把梭：先要大纲或方案，确认方向后再细化，比一次丢一个大任务靠谱得多
• 不满意就迭代：直接指出哪里不对、重新要，而不是将就着用
• 需求一次性给清楚：需求一次给清楚，更省token，上下文每读一次都是耗token的。
• 多任务开多窗口：不要在一个窗口里面执行多个复杂任务，新开窗口，可以节省token消耗，同时也是分派了任务。
• 让ai自己写角色：对ai说，需要一个需求分析经理，一个执行者，一个监督者，一个检查者。事情得分开让不同的角色做不同的事，不然一个ai自己检查自己，没做说自己做了。
• 数据上的不对要让他自己再次推理：不能给他正确答案，不然他就会说他错了，你是对的。应该说你这个数据是从哪里得来的，他就会发现他的错误。
• 构建循环：让循环能够正确的循环起来，比如具体的流程，a阶段结束需要输出什么给b阶段，没有收到就禁止往下执行，返回查询哪里出错了。
• 非常复杂的任务：不要一次性直接执行，可以先说给我方案，先不要执行。等方案确认清楚，在执行，这样不会白消耗token

设计上，哪些必须人工确认

AI 擅长给方案，但”选哪个”往往是人的事：

• 方向性选择：技术栈、方案、风格这种”一次定方向”的
• 带个人偏好和审美：审美是主观的，AI 给参考可以，最终得人定
• 涉及钱、风险、对外承诺：后果不可逆，人必须逐字过目
• 数据：操作文件，特别是删除权限。

一句话：AI 负责”把活干完”，人负责”把关和定方向”。

数据准确性是红线

这是我最看重的一条：凡是数字、事实、引文、结论，绝不允许 AI 凭印象或推理自己生成。 这些可以一开始就写在需求里面。

• 数据必须来自输入、明确的信源或可复现的计算
• 拿不准的就标注”待补充”或”估算”，并写清口径，而不是填一个看起来合理的数
• 合计、比例、换算这类要现算，不靠 AI 心算
• 外部事实要可追溯，区分”已查证”和”某方声称”

为什么这么较真？因为 AI 编出来的数据往往看起来非常专业，比明显错误更危险——它会被直接拿去用。

做得好的，整理成 Skill

同一个流程只要做过两次以上，我就把它沉淀成可复用的标准流程（Skill），下次直接调用，不用重新摸索。现在的ai只需要告诉一句话，帮我整理成skill，方便我后续怎么怎么使用。

我这个博客也是AI自动搭建的，我全程只点了几下授权。现在也整理成了skill，方便我下次新开窗口更新博客。

小结

用 AI 做事的核心，是把”AI 能自动化的”和”必须人来把关的”分清楚：

• 提示词写清楚，AI 才能干得准
• 方向、审美、风险决策，人工确认
• 数据准确性，告诉 AI 不能自己编，每一个数据都必须是真实可以验证的
• 好流程，沉淀成 Skill 复用

AI 是放大器，不是替身。它放大的是你的方法和判断，前提是你自己得先有这两样。

—— 2026.08.30