AI时代的AI使用原则，提问是最好的思考。
AI时代，提问是最好的思考：答案泛滥以后，问题就是新的稀缺品
黄金提问公式：
我要达成什么结果？
现在有什么背景和约束？
谁是目标对象？
成功标准是什么？
需要哪些证据？
有哪些反方观点？
哪一步最便宜、最快、最能验证？
请把答案变成可执行 SOP。
更短一点：
目标 + 背景 + 约束 + 标准 + 证据 + 反方 + 输出格式 + 下一步行动。
你说得对，AI 能提高下限，但上限依然取决于你问什么。不过还要再狠一点：上限不只取决于你提出的问题，还取决于你愿不愿意把答案拿到现实里验证。 问题是刀，现实是磨刀石。只会问，不验证，最后还是纸上谈兵。
一、时代变了：以前答案贵，现在问题贵
过去，一个人想知道怎么写商业计划、怎么做用户调研、怎么写代码、怎么做广告文案，要读书、问专家、花钱上课、踩坑半年。答案很贵。
现在，一个问题丢给 AI，几秒钟之后，它能给你一篇文章、一份表格、一套方案、一段代码、十个商业模型、二十个广告标题。答案突然变便宜了。
但问题来了，答案变便宜以后，什么变贵？
是好问题。
因为 AI 让所有人都能获得“像样的答案”，但不是所有人都能提出“值得回答的问题”。这就像以前没有导航，认路的人有优势；现在人人都有导航，真正的优势变成了：你到底要去哪儿？为什么去？走哪条路的机会成本最低？到了之后怎么判断你没有白来？
Google 的官方提示设计文档也把 prompt 解释为给语言模型的自然语言请求，可以包含问题、指令、上下文、少量示例等，并强调 prompt engineering 是反复更新 prompt、评估模型回答的过程；这说明，提问不是一句话，而是一个迭代系统。 Anthropic 的提示工程文档也直接把“清晰的成功标准”和“能够经验性测试这些标准”放在 prompt engineering 之前。换句话说，连 AI 公司自己都在告诉你：先别急着调 prompt，先定义什么叫好。
小故事来了。
有两个实习生都拿到一个任务：老板说，帮我做一份新能源行业分析。
第一个实习生问 AI：
帮我写一份新能源行业分析报告。
AI 给了他一份漂亮报告：行业背景、市场规模、政策趋势、竞争格局、未来展望。看起来很完整，实际上像一碗没盐的汤，什么都有，什么都不顶用。
第二个实习生问 AI：
我明天要给一家准备进入新能源储能赛道的中小制造企业老板做 20 分钟汇报。老板关心三个问题：现在还能不能进，先进哪个细分领域，前 90 天应该验证什么。请你不要泛泛介绍行业，而是从进入门槛、客户付费能力、渠道难度、政策风险、现金流周期五个角度分析，并给出三个可验证假设、三个反方观点、一个 90 天行动计划。最后用一页表格总结。
你看，同样是 AI，同样是“新能源行业分析”，两个结果不是一个层级。
第一个人在要内容。
第二个人在设计决策。
这就是 AI 时代的分水岭：普通人用 AI 生产答案，高手用 AI 生产判断。
二、AI 确实提高下限，但它不会自动提高你的上限
这不是鸡汤，研究也支持这个方向。
MIT 关于 ChatGPT 对写作任务影响的研究显示，在一些专业写作任务中，使用 ChatGPT 让完成时间下降 40%，输出质量上升 18%。 NBER 关于客服中心的研究发现，AI 助手让客服人员平均生产率提高 14%，其中新手和低技能员工提升更明显，达到 34%，而对经验丰富、高技能员工影响较小。
这就是所谓“提高下限”：AI 把优秀员工的一部分经验、表达、流程、标准，压缩成普通人也能调用的工具。新手不再完全从零开始。
想象一个客服新人阿梅。她第一天上班，客户怒气冲冲地问：你们这个软件为什么又扣费了？
没有 AI 的时候，阿梅可能慌了。她一边翻知识库，一边说不好意思，我帮您查一下，然后开始手忙脚乱。
有 AI 助手之后，系统实时提示她：先承认情绪，再确认账单周期，再解释自动续费逻辑，再提供取消或退款路径。
阿梅突然像被一个老客服坐在旁边带着一样。她不是一夜之间变聪明了，而是借到了组织里最优秀客服的语言和流程。
所以 AI 很像“经验压缩机”。它把高手的套路压缩给新手，把复杂的表达压缩成模板，把空白页压缩成初稿。
但问题是，压缩出来的经验，不等于真正的判断。
HBS 与 BCG 的实验非常关键。研究者让 758 名知识工作者完成咨询类任务，发现对处在 AI 能力边界内的任务，使用 AI 的人比不用 AI 的人平均多完成 12.2% 的任务，速度快 25.1%，质量也显著提高；但对一个选在能力边界外的复杂管理任务，使用 AI 的人反而比不用 AI 的人低 19% 正确率。 BCG 对同一研究的商业解读里也提到，在创意产品创新任务上，使用 GPT-4 的参与者表现比对照组高 40%；但在复杂商业问题求解任务上，使用 GPT-4 的人反而低 23%。
这就是一个很残酷的现实：AI 最危险的时候，不是它明显胡说八道的时候，而是它一本正经地说错的时候。
NIST 的生成式 AI 风险框架把这类问题称为 confabulation，也就是 AI 生成并自信呈现错误或虚假内容，常被称为 hallucinations 或 fabrications；NIST 还特别提醒，在需要高度上下文和专业判断的领域，这类风险尤其重要。
所以，AI 提高下限是真的。
但 AI 放大误判也是真的。
区别在哪里？
在提问者。
你问它：给我一个结论。
它就给你一个看起来很像结论的结论。
你问它：这个结论最可能错在哪里？需要哪些证据验证？哪些假设一旦不成立，整个方案就坍塌？
它才开始变成你的思考伙伴。
这就是普通人和高手的差距。
三、提问为什么是最好的思考？
因为问题决定了三件事。
第一，它决定你看见什么。
第二，它决定你忽略什么。
第三，它决定你下一步做什么。
一个人问：我怎么赚钱？
这个问题太大，AI 只能给你一堆“正确废话”：做自媒体、做电商、做 SaaS、做课程、做咨询、做 AI 工具。
这不是 AI 烂，是问题烂。
你要问的是：
我现在没有技术背景，但学习和执行力强，目标是尽快建立一个可验证的现金流项目。请你从“用户付费痛点强、交付难度低、可用 AI 放大、冷启动渠道明确、7 天内能验证需求”五个条件出发，给我 20 个项目方向。每个方向必须回答：谁付钱、为什么现在痛、替代方案是什么、我怎么找到前 50 个用户、48 小时内怎么验证。
这才叫问题。
你不是在要答案，你是在定义搜索空间。
小故事。
有个年轻人去买刀。他问厨师：师傅，哪把刀最好？
厨师没回答。他问：你切什么？肉、鱼、菜、骨头？你每天切几小时？你手多大？你会不会磨刀？你预算多少？你是家用还是开店？
年轻人说：我只是想买最好的刀。
厨师说：没有最好的刀，只有最适合你那道菜的刀。
AI 也是一样。
没有最好的 prompt，只有最适合当前目标、场景、约束、验证方式的问题。
所以“提问是最好的思考”这句话的底层逻辑是：
思考不是脑子里有很多答案，而是能不断逼近真正问题。
普通人被答案诱惑。
高手被问题牵引。
四、好问题的五层结构
一个真正能把 AI 用好的问题，通常有五层。
第一层：目标层，你到底要改变什么？
烂问题：帮我写一篇文章。
好问题：我要写一篇给独立开发者看的文章，目标是让他们意识到 AI 时代提问能力决定产出上限，并愿意收藏这篇文章作为工作流模板。
目标越清楚，AI 越不容易乱跑。
第二层：背景层，现在发生了什么？
烂问题：帮我做个营销方案。
好问题：我卖的是一个面向小团队的 AI 客服工具，目标客户是 10 到 50 人的跨境电商团队。他们现在用人工客服加简单 FAQ，痛点是夜间回复慢、重复问题多、客服培训成本高。我的预算是 3000 美元，周期 30 天。
背景不是废话，背景是模型判断的燃料。
OpenAI 文档也强调，可以在 prompt 中加入相关上下文，让模型访问训练数据之外的信息，或者把回答约束在你指定的资源集合内；它还提到使用 Markdown 或 XML 帮助模型理解 prompt 和上下文数据的逻辑边界。
第三层：约束层，哪些事情不能做？
烂问题：给我一个增长计划。
好问题：不能投大额广告，不能雇团队，不能做重交付，必须 14 天内能拿到第一批真实用户反馈，最好能用 no-code 或 AI 工具完成 MVP。
约束不是限制创造力。约束是逼出真正可执行方案。
没有约束，AI 会给你“宇宙级方案”：品牌升级、渠道矩阵、内容飞轮、私域运营、全链路转化。听起来很爽，做起来想死。
第四层：标准层，什么叫好答案？
烂问题：哪个项目好？
好问题：请按五个维度打分：付费痛感、冷启动难度、交付复杂度、竞争强度、可扩展性。每项 1 到 5 分，并解释扣分原因。最后只推荐综合分最高的前三个。
标准让 AI 从“会说”变成“会筛”。
第五层：验证层，答案如何被现实打脸？
烂问题：这个想法可行吗？
好问题：请列出这个想法最关键的 5 个假设，每个假设设计一个 48 小时内可执行的验证实验。要求成本低于 100 美元，能得到真实用户行为，而不是主观意见。
这一层最重要。
因为 AI 会回答“可行”。
现实会回答“没人买”。
你要把 AI 从“答题机器”改造成“实验设计师”。
五、多角度追问：每个答案都要被再审判一次
AI 给你的第一版答案，通常只是“平均答案”。真正有价值的是下一步追问。
我给你一套“八刀追问法”。每次 AI 回答后，不要急着用，拿这八刀砍它。
第一刀：第一性原理
问：
把这个问题拆到最底层，不要引用行业惯例。这个事情成立的最小条件是什么？
例子：
不是问“怎么做知识付费”，而是问“一个人为什么愿意为信息付费？信息什么时候变成产品？信息什么时候只是噪音？”
第二刀：用户视角
问：
站在目标用户角度，他现在有什么更便宜、更熟悉、更懒的替代方案？为什么他要换成我的方案？
很多创业想法死在这里。你以为用户在等你拯救，他其实只是想继续用 Excel 凑合。
第三刀：反方视角
问：
请你作为最刻薄的投资人、最挑剔的客户、最强的竞争对手，分别反驳这个方案。
真正的高手不是让 AI 鼓励自己，而是让 AI 先羞辱自己。
对，难听，但救命。
第四刀：证据视角
问：
你的判断里哪些是事实，哪些是假设，哪些只是常识推断？请分开列出，并告诉我每个关键事实应该如何验证。
这一步可以防止“流畅胡扯”。
第五刀：机会成本
问：
如果我做这个方案，意味着我不能做什么？相比另外三个选择，它最大的机会成本是什么？
人最容易犯的错，不是做错事，而是做了一件还不错但不值得的事。
第六刀：执行视角
问：
如果只有 7 天、500 美元、一个人执行，最小可行步骤是什么？每天做什么？失败信号是什么？
没有执行颗粒度的答案，都是空气。
第七刀：规模视角
问：
如果这个方案从 10 个客户扩到 1000 个客户，最先崩的是哪里？人力、技术、供应、现金流、获客，哪个瓶颈最危险？
小生意看启动，大生意看瓶颈。
第八刀：复盘视角
问：
假设 30 天后这个项目失败了，请写一份事后复盘，列出最可能的 10 个失败原因，并告诉我现在怎么预防。
这叫 premortem，事前验尸。听着晦气，但很值钱。
六、深度案例：一个独立开发者如何从“问赚钱项目”升级到“问题驱动创业”
我们做一个完整案例。
先说烂问题。
AI，有什么适合独立开发者赚钱的项目？
AI 大概率回答：
做 AI 写作工具 做 Notion 模板 做小红书自动化工具 做跨境电商选品工具 做简历优化工具 做 AI 客服插件 做课程平台 做数据分析工具
看起来有用，其实没有用。为什么？因为它没有帮你缩小现实。
你没有说自己会什么、不会什么、有什么资源、要多快、能承受多少失败、目标用户是谁、你有什么渠道、你想赚快钱还是做长期资产。
真正的提问应该这样：
我是一个非技术背景但执行力强的独立开发者，目标不是泛泛找项目，而是在 30 天内验证一个能产生真实付费的小型 AI 产品机会。
约束：
初期一个人做； 尽量使用 no-code、现成 API、外包或 AI 辅助； 第一版产品不追求完美，只追求真实付费验证； 目标客群必须有明确预算和高频痛点； 不能依赖长期内容运营，优先选择可冷邮件、社群、平台、现有渠道触达的用户。 请你先不要直接给项目名，而是：
列出筛选项目的 10 个标准； 生成 30 个候选方向； 用标准打分； 选出前 5 个； 对每个方向写出目标用户、痛点、当前替代方案、为什么愿意付钱、MVP 形态、48 小时验证实验； 最后给出你最推荐的一个，并写出反方观点。
这就不是“问 AI 要答案”。
这是让 AI 进入你的决策系统。
小故事。
小林想做一个 AI 简历工具。他一开始问：帮我做个 AI 简历优化产品方案。
AI 给他的方案非常完整：用户上传简历，AI 分析岗位 JD，自动优化措辞，给评分，还能生成求职信。小林看完热血沸腾，觉得这肯定能做。
后来他换了问法：
请你扮演一个冷酷的用户研究员。假设我要做 AI 简历优化工具，请列出这个市场最糟糕的 10 个现实问题。
AI 回答：
用户付费意愿可能低，因为求职者预算有限。 竞争极多，差异化困难。 简历优化效果难验证。 用户可能一次性使用，很难留存。 大平台和招聘网站可以轻易复制。 用户真正痛点可能不是简历，而是不知道投什么岗位。 如果生成内容过于模板化，可能被 HR 识别。 获客成本可能超过客单价。 学生和初级求职者愿意试，但未必愿意持续付费。 更有价值的客户可能是职业咨询师、留学机构、猎头，而不是个人用户。
小林愣住了。
真正的机会从“给个人做简历工具”，变成了“给职业咨询师做批量简历诊断和报告生成工具”。
同样一个方向，因为追问，客户变了，产品变了，商业模式变了。
这就是好问题的威力。
一个平庸问题，只会得到一个拥挤市场。一个锋利问题，可能会切出一个细分入口。
七、AI 时代的高手，不是问一次，而是搭一条问题链
单个 prompt 不重要，问题链重要。
普通人是这样用 AI 的：
问 → 得到答案 → 复制 → 结束。
高手是这样用 AI 的：
定义目标 → 补充上下文 → 生成候选 → 建立标准 → 筛选 → 反驳 → 找证据 → 设计实验 → 执行 → 复盘 → 再问。
OpenAI 的文档在 agentic tasks 部分也强调，对复杂任务要进行计划、拆分子任务、跟踪进度；在 few-shot learning 部分则强调通过输入/输出示例来引导模型完成新任务。 这其实和人的高质量思考很像：不是一拍脑袋，而是有步骤、有样例、有反馈。
给你一个问题链模板，可以直接复制。
深度研究问题链
第一问：
请先帮我把这个问题重新定义。不要急着回答，先告诉我这个问题可能有哪 5 种不同理解，每种理解会导向什么不同答案。
第二问：
现在请站在第一性原理角度，把这个问题拆成最基本的变量。哪些变量最影响结果？
第三问：
请基于这些变量，提出 10 个可能答案。每个答案说明适用场景、不适用场景、最大风险。
第四问：
请建立一个评分模型，对这 10 个答案打分。评分维度包括收益、成本、速度、风险、可验证性、可扩展性。
第五问：
请选出前三名，并分别写出最强反方观点。
第六问：
对第一名方案，列出最关键的 5 个假设。每个假设设计一个 48 小时内能验证的实验。
第七问：
请把实验变成 SOP，包括步骤、工具、时间、成本、成功标准、失败标准。
第八问：
假设执行失败，请写复盘；假设执行成功，请写下一阶段扩张计划。
这就是从“问答案”升级为“问系统”。
八、几个可直接复用的高质量提问模板
1. 深度研究模板
我想研究【主题】。
请不要直接给泛泛结论，而是按以下结构输出：
1. 先定义这个问题的边界：它包含什么，不包含什么。
2. 给出 5 个关键子问题。
3. 每个子问题列出主流观点、反方观点、关键证据。
4. 标注哪些是事实，哪些是假设，哪些需要进一步验证。
5. 给出 3 个真实世界案例。
6. 最后总结：如果我要采取行动，下一步最小可行步骤是什么？
输出要求：
- 用表格总结关键点；
- 不要堆概念；
- 每个结论后面都要告诉我它为什么重要；
- 最后给我一个 7 天行动计划。
2. 反方审判模板
请你不要支持我。请你扮演一个非常理性、刻薄、见过大量失败案例的反方顾问。
我的想法是：【写下想法】
请你：
1. 找出这个想法最脆弱的 10 个假设；
2. 说明每个假设为什么可能不成立；
3. 给出最便宜的验证方法；
4. 告诉我如果现在不做这个，还有哪 3 个更好的替代选择；
5. 最后判断：这个想法是应该立刻验证、暂时搁置，还是直接放弃。
3. 用户痛点挖掘模板
目标用户是：【用户群体】
请帮我从用户的一天开始分析：
1. 他们每天在哪些场景里痛苦？
2. 哪些痛苦是高频但低价值？
3. 哪些痛苦是低频但高价值？
4. 哪些痛苦他们已经在花钱解决？
5. 他们现在用什么替代方案？
6. 我怎样用一个极小产品切进去？
7. 我应该问用户哪 15 个访谈问题，才能判断他们是否真的愿意付钱？
4. 决策比较模板
我现在有三个选择：
A：【选择 A】
B：【选择 B】
C：【选择 C】
请按以下维度比较：
1. 潜在收益
2. 启动成本
3. 时间成本
4. 学习曲线
5. 失败代价
6. 最快验证方式
7. 长期复利
8. 最大隐藏风险
请不要平均主义。最后必须明确推荐一个，并说明为什么不是另外两个。
5. 从答案到执行模板
你刚才给出的答案不错。
现在请继续：
1. 把它拆成具体任务；
2. 每个任务写出完成标准；
3. 给出优先级；
4. 标出哪些任务可以今天做；
5. 哪些任务必须先验证；
6. 哪些任务做了也可能没用；
7. 最后给我一个 24 小时行动清单。
九、最容易犯的 7 个提问错误
第一个错误：问得太大。
比如“怎么成功”“怎么赚钱”“怎么变强”。这种问题不是不能问，但第一轮只能得到泛泛框架。要马上追问：在什么领域？什么时间？什么资源？什么标准？
第二个错误：不给背景。
AI 不是神仙，它不知道你是谁、你的资源、你的用户、你的约束。不给背景，它只能按大众平均值回答。平均值是安全的，但你要的是突破。
第三个错误：只要正方观点。
很多人用 AI 是为了获得安慰，不是为了获得真相。他们问：这个项目有没有前景？AI 说有。他们就开心了。别这样，太平庸。真正要问：这个项目为什么会死？
第四个错误：把漂亮答案当正确答案。
AI 很擅长写得顺。顺，不代表对。BCG 的研究里就出现过这种危险：在复杂商业问题上，AI 的回答很有说服力，但参与者依赖它之后表现反而更差。
第五个错误：不定义成功标准。
你让 AI 写文案，但不说目标是点击率、转化率、品牌感、信任感还是降低流失，它只能写一个“看起来像文案”的东西。
第六个错误：不让 AI 问你问题。
很多时候，最好的第一步不是让 AI 回答，而是让 AI 反问。
你可以说：
在回答前，请先问我 10 个澄清问题。只有当你认为信息足够后，再给方案。
第七个错误：问完不行动。
这最致命。
AI 时代不是知识差距，是执行差距。你收藏了 100 个 prompt，不如今天拿一个去验证一个真实用户。
十、一个更底层的判断：AI 让“会提问的人”更像老板
老板真正做什么？
不是每天亲自写代码、写文案、做表格、查资料。老板真正做的是：
判断方向。
定义问题。
配置资源。
设定标准。
检查结果。
承担后果。
这不就是高质量提问吗？
你问 AI 的方式，其实暴露了你是不是一个“老板型思维”的人。
打工型提问：
帮我写一下。
老板型提问：
这个目标最关键的约束是什么？哪三种路径可行？每种路径的成本和风险是什么？如果只能选一个，哪个最值得先验证？请给我执行表和检查标准。
打工型提问在要任务。
老板型提问在要决策系统。
AI 时代最讽刺的地方是：工具变强以后，人反而更需要像老板一样思考。因为执行的一部分被工具吞掉了，剩下的就是判断、取舍、验证、承担。
末尾 SOP：AI 时代高质量提问工作流
SOP 1：定义目标
先写一句话：
我希望通过这次提问，让现实发生什么变化？
不要写“我想了解”。
写“我想做出决策”“我想完成一篇文章”“我想验证一个项目”“我想减少一个风险”。
SOP 2：补充背景
至少包含：
我是谁 我要服务谁 当前阶段 已有资源 主要限制 不能做什么 最终输出要用于哪里
SOP 3：设置成功标准
问自己：
什么样的回答，我会认为它有用？
例如：
能直接执行 有证据 有反方观点 有优先级 有成本估算 有时间表 有失败标准
SOP 4：让 AI 先澄清问题
Prompt：
在回答前，请先指出我的问题里有哪些不清楚、不完整、可能导致误判的地方，并问我 5 到 10 个澄清问题。
SOP 5：生成多个方案，不要只要一个答案
Prompt：
请给我 5 个不同解法：保守方案、激进方案、低成本方案、最快验证方案、长期复利方案。每个方案说明适用条件和失败风险。
SOP 6：建立评分模型
Prompt：
请建立评分表，从收益、速度、成本、风险、可验证性、可扩展性六个维度打分，并解释每个分数。
SOP 7：反方审查
Prompt：
请站在反方角度审查你刚才的答案，指出最可能错的地方、最危险的假设、最容易被忽略的现实变量。
SOP 8：转成最小实验
Prompt：
请把推荐方案变成 48 小时内可以验证的最小实验。要求有步骤、工具、成本、成功标准、失败标准。
SOP 9：执行后回填数据
执行完，把真实结果丢回 AI：
这是我执行后的真实数据：【数据】
请帮我复盘：
1. 原假设哪些成立？
2. 哪些被推翻？
3. 下一步应该继续、转向还是停止？
4. 如果继续，下一轮实验是什么？
Checking List：每次问 AI 前检查这 20 项
[ ] 我有没有说清楚最终目标？ [ ] 我有没有说这个答案要用于什么场景？ [ ] 我有没有提供足够背景？ [ ] 我有没有说明目标用户是谁？ [ ] 我有没有写清楚资源限制？ [ ] 我有没有写清楚时间限制？ [ ] 我有没有写清楚预算限制？ [ ] 我有没有定义什么叫好答案？ [ ] 我有没有要求 AI 区分事实、假设和推断？ [ ] 我有没有要求反方观点？ [ ] 我有没有要求多个方案，而不是单一答案？ [ ] 我有没有要求评分标准？ [ ] 我有没有要求优先级？ [ ] 我有没有要求下一步行动？ [ ] 我有没有要求最小验证实验？ [ ] 我有没有要求失败标准？ [ ] 我有没有要求风险清单？ [ ] 我有没有让 AI 先问我澄清问题？ [ ] 我有没有检查 AI 可能胡编的地方？ [ ] 我有没有把答案拿去现实里验证？
5W2H：AI 提问万能框架
最后送你一句狠的：
AI 时代最大的懒，不是不写 prompt，而是不愿意把问题想清楚。
答案会越来越便宜，甚至便宜到像空气。
但好问题不会。
好问题背后是欲望、判断、经验、取舍、勇气，还有被现实打脸之后继续追问的狠劲。
真正的高手不是比别人多知道几个 prompt。
真正的高手是每次看到答案之后，都会多问一句：
这是真的吗？
还有别的角度吗？
哪个假设最危险？
我下一步怎么验证？
这四句话，值钱。
《Co-Intelligence》四条 AI 使用原则深度梳理
这四条不是“提示词技巧”，而是一套完整的新时代工作哲学：
把 AI 拉进来，但别把脑子交出去。
把它当人沟通，但别忘了它不是人。
用今天的 AI 练未来的能力，因为今天这批工具，大概率是你余生里最差的一批。
| 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 |
这本书是 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”。公开书介里也明确说，Mollick 关注的是 AI 如何成为头脑风暴伙伴、共同写作者、导师、教练，以及人类怎样使用 AI 的力量而不丢掉自己的判断。
先讲透：这四条其实是一条闭环
很多人用 AI 是碎片化的。
今天让它写个朋友圈，明天让它总结个 PDF，后天让它起个标题。看起来用了，其实没形成能力。
Mollick 这四条厉害的地方在于，它们构成了一个闭环：
第一步，拉它进场。
别等到你完全卡死才问 AI。你一开始就让它坐在桌边。你思考，它补充；你判断，它挑战；你写第一版，它写第二版；你做决策，它列风险。
第二步，人类兜底。
AI 是副驾驶，不是驾驶员。它可以帮你看路况，但方向盘还在你手里。尤其是法律、医疗、财务、招聘、产品决策、公开发布内容这些场景，AI 给出的内容必须被人类验证。
第三步，给它身份。
你不能把 AI 当成一个“万能奴隶”。你要像管理一个聪明但没上下文的员工一样，告诉它：你是谁、你服务谁、目标是什么、标准是什么、不能做什么、输出成什么样。
第四步，持续升级。
别爱上一条提示词，别爱上一个模型，别爱上一个今天看起来很神的技巧。未来 AI 会变强，你真正要建立的是“跟 AI 协作的能力”，不是“记住几个咒语”。
这四条合起来就是：
AI 进场，人类掌舵，角色清晰，系统进化。
背景：为什么这本书重要
Ethan Mollick 不是那种站在远处点评 AI 的人。他在 Wharton 教创业和创新，也长期公开记录自己怎么把生成式 AI 用进教学、写作、研究和创业训练里。Wharton 对这本书的介绍里说，他关注的是人类如何和智能机器一起思考、一起工作。
这点很关键。很多人谈 AI，有两种极端。
一种人说，AI 都是垃圾，没灵魂，不能信。
另一种人说，AI 无所不能，马上全自动赚钱。
这两种都很平庸。
第一种人输在傲慢。
第二种人死在轻信。
Mollick 的位置更现实：AI 很强，但很怪；AI 很有用，但会犯错；AI 可以放大人类能力，也可以放大人类懒惰。TIME 对 Mollick 的采访里，他特别强调，AI 的能力边界是 jagged，也就是参差不齐的。它可能在某些复杂任务上惊人地强，又在某些看似简单的任务上离谱地错。所以没有一本完美说明书会从天而降，你必须亲自把它带进自己的任务里试。
这就是第一性原理：
AI 不是一个工具。AI 更像一种新型劳动力。
但它不是稳定员工，而是一个能力极强、性格古怪、记忆有限、偶尔胡说八道的实习合伙人。
你不能不用。
你也不能盲用。
你要会用。
原则一：Always invite AI to the table
1. 这句话真正的意思
这句话不能翻译成“什么都让 AI 做”。
更准确地说是：
任何知识工作，只要合法、合伦理、风险可控，就先问一句：这个任务里，AI 能不能参与？
不是因为 AI 一定会给你正确答案，而是因为你不让它进场，你根本不知道它能帮你在哪里。
Mollick 在采访中说，因为 AI 的能力边界很参差，人们需要把 AI 带入自己的真实任务，才能发现它在哪里好、哪里不好。Big Think 对四原则的总结也把第一条解释为：尽可能在法律和伦理允许的任务中使用 AI，因为只有大量使用，你才会发现它能做什么、不能做什么。
这句话最狠的地方在于，它在反驳一种传统美德：
“我先自己想，实在不行再问 AI。”
听起来很努力，其实很旧时代。
现在更好的做法是：
你先自己明确目标，然后马上把 AI 拉进来，一起推演。
注意顺序：不是 AI 替你想目标，而是你带着目标让 AI 加速。
2. 小故事：那个写不出来的人
Mollick 自己写过，他并不用 AI 替他写文章，但他会在卡住的时候让 AI 给十种可能的展开方式、不同风格的表达，或者帮他改一段别扭的文字。他说自己很少直接使用 AI 的文本，但 AI 给了他新的路径。
这个故事很值得你记住。
普通人以为高手不用 AI。
真正的高手不是不用 AI，而是不让 AI 接管自己的品味。
AI 给路。
人选路。
你写不出来一篇文章，不一定是你没有能力，可能是你的脑子被困在一个角度里。AI 的价值不是“替你写”，而是把你的脑子从死胡同里拽出来。
这就像你在森林里迷路。AI 不一定知道哪条路绝对正确，但它可以瞬间指出 20 条可能的小路。你要做的不是跪下来喊它神，而是拿出指南针，开始判断。
3. 实操：哪些任务应该邀请 AI 进场
你以后做任何事，先按这个顺序问 AI：
第一，让它拆任务。
比如你要做一个新产品，不要先问“帮我做个产品”。你问：
我想做一个面向独立开发者的产品，目标是 30 天内找到付费用户。请先把这个目标拆成任务树，标出哪些任务适合 AI 辅助，哪些必须由真人验证。
第二，让它生成选项。
AI 最擅长扩展可能性。
十个名字、二十个标题、五种商业模式、三种定价方案、四类用户画像、六种冷启动打法。
第三，让它扮演反对者。
这是被很多人低估的用法。你不要只让 AI 夸你。你要让它骂你。
请作为一个冷酷的投资人，指出这个想法为什么大概率失败。不要客气。
第四，让它模拟用户。
你可以让它扮演小白用户、愤怒用户、精打细算用户、企业采购、开发者、运营负责人。
第五，让它做第一版。
第一版文案、第一版代码结构、第一版访谈提纲、第一版竞品表、第一版邮件、第一版 SOP。
第六，让它做审稿人。
写完以后，让 AI 从逻辑、事实、语气、风险、用户感受、商业价值几个维度审。
4. 对独立开发者意味着什么
辰美，你现在的目标不是“学会 AI”。
你的目标是用 AI 把自己从一个人，临时扩展成一个小团队。
你不懂代码，AI 可以先当技术顾问。
你不懂产品，AI 可以当产品经理。
你不懂运营，AI 可以当增长顾问。
你不懂营销，AI 可以当文案总监。
你不懂广告，AI 可以当投放教练。
但听清楚，别飘。
AI 可以让你像一个团队一样工作，但不会自动让你像一个 CEO 一样判断。Wharton 的文章里，Mollick 特别提到创业者通常是多面手，AI 能在法律审查、营销网站、编程建议、资助申请、新闻稿、社交内容等方面帮助创始人。
这就是独立开发者的机会。
以前一个人创业，最大的问题是“缺人”。
现在一个人创业，最大的问题变成“你会不会指挥”。
你不是在使用 AI。
你是在管理一支看不见的临时团队。
5. 第一条的反面教材
有三种人会输。
第一种，不邀请 AI 进场。
他们还在用 2015 年的方法工作，靠手搓、靠硬熬、靠所谓“真实能力”。问题是，真实能力不等于拒绝杠杆。巴菲特不会因为自己会算数就不用计算器。
第二种，只在低价值任务里用 AI。
比如只让 AI 写几句祝福语、生成几个标题。不是不行，但太浅了。你要让它进入高杠杆任务：选市场、定用户、拆商业模式、做用户访谈、写销售页、分析失败原因。
第三种，让 AI 一上来就替你做最终决定。
这就不是邀请 AI 上桌了，这是你自己离桌了。
原则二：Be the human in the loop
1. 这句话真正的意思
AI 进场以后，谁负责？
你负责。
这条原则是四条里面最冷酷的一条。因为它告诉你：
AI 犯错，最后买单的人不是 AI，是你。
Big Think 对第二条的解释很直接：AI 会犯错，会幻觉；人必须监督它，否则就像开车时在方向盘前睡着。
这不是理论问题，现实里已经发生过很多次。
2. 案例一：咨询顾问用 AI，强的更强，错的更错
哈佛、沃顿、BCG 等研究者做过一个很有名的实验，研究对象是 758 名 BCG 顾问。结果非常漂亮，也非常危险。
在 AI 能力边界内的任务上，使用 GPT-4 的顾问完成任务更多、速度更快、质量更高；研究报告写到，AI 用户完成任务数量提升 12.2%，速度快 25.1%，质量提升超过 40%。但在 AI 能力边界外的任务上，使用 AI 的顾问反而更容易给出错误答案。研究论文把这种现象称作 jagged technological frontier，也就是参差不齐的技术边界。
BCG 自己对这项研究的总结也很醒目：在创意类产品创新任务上，约 90% 的参与者表现提升，平均表现高出约 40%；但在某些商业问题解决任务上，使用 GPT-4 的人表现反而低了 23%。更麻烦的是，即使参与者被提醒 AI 可能出错，很多人仍然接受了错误输出。
这个案例几乎把 AI 的本质讲透了。
AI 是放大器。
你清醒，它放大你的清醒。
你糊涂，它放大你的糊涂。
你有判断力，它是翅膀。
你没有判断力，它是悬崖边的顺风。
3. 案例二：律师用了假案例，被法院制裁
2023 年，美国有律师在法律文件中使用 ChatGPT 生成的虚假判例引用，后来被法官制裁。Reuters 报道中提到，法官认为两名纽约律师提交了由 ChatGPT 生成的六个虚构案例引用，并对他们处以 5000 美元罚款。
这件事的教训很简单：
专业人士不是因为用了 AI 出事，而是因为用了 AI 以后没有做专业人士该做的验证。
你是律师，引用案例必须核。
你是医生，诊断建议必须核。
你是创业者，市场判断必须核。
你是开发者，上线代码必须测。
你是写作者，事实、数字、人名、出处必须查。
AI 可以帮你起草。
不能替你背锅。
4. 案例三：Air Canada 聊天机器人说错，公司照样负责
Air Canada 的聊天机器人曾给一名乘客提供错误的丧亲票价退款信息。后来加拿大相关机构裁定，Air Canada 需要为聊天机器人在官网上给出的错误信息负责，并要求赔偿。报道里还提到，Air Canada 曾试图把聊天机器人说成一个独立的法律主体，但裁决方没有接受这种说法。
这个故事更像企业版的第二原则：
你不能说“这是 AI 说的，不关我事”。
公司用了 AI，责任仍然是公司的。
个人用了 AI，责任仍然是个人的。
这对你未来做产品尤其重要。只要你的产品里接入 AI，用户看到的是你的产品，不是模型供应商。AI 胡说八道，用户不会骂模型，用户会骂你。
5. 实操：人类在回路里，到底要做什么
“人在回路”不是一句漂亮话。它至少包括六件事。
第一，定义目标。
AI 不知道你真正要赢什么。你要说清楚目标是赚钱、留存、转化、学习、传播、合规，还是节省时间。
第二，设定边界。
哪些不能做，哪些不能假设，哪些需要引用来源，哪些必须保守回答。
第三，检查事实。
尤其是数字、法律、价格、政策、引用、竞品信息、人物信息、时间线。
第四，判断语境。
AI 不知道你和用户之间的微妙关系。它可能写得正确，但不合时宜。
第五，承担价值判断。
哪些话能说，哪些话不该说；哪些用户该服务，哪些钱不该赚；哪些增长手段短期有效但长期伤人。这不是 AI 能替你做的。
第六，做最终决策。
AI 可以给建议，但最后按下按钮的人必须是你。
6. 一个非常实用的验证提示词
以后你让 AI 输出完任何重要内容，都加这一句：
请你现在切换成审计员，不要继续完善答案，而是专门找错。请列出：
哪些结论可能是错的； 哪些地方缺少证据； 哪些假设没有被验证； 如果我要公开发布或拿去做商业决策，最需要人工核查的 10 个点； 请按风险从高到低排序。
这个提示词的价值很大。它把 AI 从“创作者”切换成“审计者”。
你别只让 AI 帮你冲锋。
你还要让 AI 帮你踩刹车。
原则三：Treat AI like a person, but tell it what kind of person it is
1. 这句话很容易被误解
Mollick 不是说 AI 真的有人格、有意识、有感情。
他真正的意思是：
你要用对待人的沟通方式来指挥 AI，因为自然语言模型对角色、语境、目标、标准非常敏感。
Wharton 的文章中，Mollick 提到，我们很容易把生成式 AI 当人看，而实际最好的方式某种程度上也是像对待人一样对待它，但同时要记住它仍然是一个软件过程。
Big Think 对第三条的总结也类似：你可以给 AI 设定角色、语境和任务，但别忘了它没有真正的心智、情绪或人格。
这句话很妙。
因为它既反对“AI 只是计算器”，也反对“AI 是神秘灵魂”。
更准确地说：
AI 不是人，但你要像管理人一样管理它。
2. 为什么“角色”这么重要
你跟一个真实员工沟通时，如果只说“帮我弄一下”，他大概率也会弄得很烂。
你得告诉他：
你现在的身份是什么。
你要服务谁。
你要解决什么问题。
你有什么资源。
你的输出标准是什么。
你不能碰什么红线。
你先问问题，还是直接给方案。
你要严厉，还是温柔。
你要保守，还是大胆。
你要像 CFO，还是像增长黑客。
AI 也是这样。
OpenAI 的官方提示工程文档也强调，可以通过指令定义模型的行为、语气、目标和示例；清晰分隔任务说明与上下文、提供示例、给出具体目标和格式，通常会改善输出质量。
换句话说，很多人觉得 AI 不好用，不是 AI 笨，是他自己像一个烂老板。
你给一个聪明员工三句话：
“帮我写个方案，专业一点，快点。”
然后你骂他方案垃圾。
这不叫管理，这叫甩锅。
3. 一个好提示词的底层结构
你以后记住这个公式：
角色 + 目标 + 背景 + 约束 + 标准 + 流程 + 输出格式
比如：
你现在是一位极其务实的 B2B SaaS 产品顾问，擅长帮助独立开发者在 30 天内验证一个能收费的小产品。
我的背景是：我不懂代码、不懂产品、不懂运营，但执行力很强，目标是尽快找到真实付费用户。
你的任务不是鼓励我，而是帮我减少幻想。请你基于我下面的想法，判断它是否值得做。
请按以下结构输出：
一句话判断； 目标用户是谁； 用户现在为什么痛； 他们现在怎么解决； 我能不能在 7 天内做出低保真验证； 最大风险； 今天必须做的 3 个动作。 限制：不要给空泛建议，不要说“可以考虑”，每条建议都必须具体到动作。
这就是“告诉它是什么样的人”。
你不是在求 AI。
你是在任命 AI。
4. 小故事：AI 董事会
想象你一个人创业，晚上两点坐在电脑前，脑子里全是噪音。
这个产品到底要不要做？
定价 9 美元还是 49 美元？
先做功能还是先找用户？
要不要发 Twitter？
要不要做英文市场？
要不要上广告？
如果你自己硬想，很容易陷入情绪。
但你可以开一个 AI 董事会：
请你模拟一场董事会。参与者包括：
冷酷 CFO，只关心现金流； 增长负责人，只关心获客； 产品经理，只关心用户体验； 工程负责人，只关心实现成本； 法务顾问，只关心风险； 一个愤怒用户，只关心这东西到底有没有用。 他们要围绕我的产品想法进行争论。每个人都必须提出反对意见，最后给出是否值得做的投票。
这就是 AI 的神奇之处。
它不能替你真实拥有六个高管，但它可以让你在做决定前，先听到六种声音。
你一个人创业，最怕的不是没人帮你干活。
最怕的是脑子里只有一种声音。
5. 但为什么还要提醒“but tell it what kind of person it is”
因为 AI 默认不是一个稳定的人。
你这次问，它像老师。
下次问，它像客服。
再问，它像鸡汤博主。
再问，它像过度自信的实习生。
所以你必须每次重新校准它的身份，或者建立固定工作流。
比如：
写文案时：
你是一个直接、克制、擅长转化的 SaaS 文案负责人，不要夸张，不要营销腔。
做技术判断时：
你是一个保守的资深工程师，优先考虑可维护性、安全性和最小可行实现。
做商业判断时：
你是一个非常现实的创业投资人，请用商业常识拆穿这个想法。
做学习计划时：
你是一个严厉但高效的教练，目标是让我用最短路径掌握可用于赚钱的知识。
你给 AI 的角色越清楚，它越像一个可以合作的人。
你给 AI 的角色越模糊，它越像一个会说漂亮废话的网友。
原则四：Assume this is the worst AI you will ever use
1. 这句话是最有远见的一条
这句话翻译一下：
别用今天的 AI 能力，判断未来的 AI 价值。
今天你觉得 AI 写代码还有 bug，未来可能越来越少。
今天你觉得 AI 做设计还俗，未来可能越来越好。
今天你觉得 AI 代理做任务还不稳定，未来可能越来越强。
今天你觉得 AI 会幻觉，未来不一定消失，但验证、工具调用、检索、代理流程会不断进步。
所以你今天真正该学的不是某个模型的技巧，而是：
如何把 AI 嵌入你的工作系统。
Big Think 对第四条的解释是：AI 正在快速演进，要假设今天的 AI 是你将来会用到的最差 AI，因此现在就应该积累基础经验。
Stanford 2026 AI Index 也显示，AI 能力并没有停滞；报告提到模型在某些领域达到或超过人类基准，组织采用率大幅上升，生成式 AI 在学生和普通人中的使用也快速扩散。同时报告也强调 AI 仍有参差不齐的边界，比如模型可以在高难度数学竞赛中表现突出，但在一些视觉或代理任务上仍会失败。
这就是现实：
AI 会越来越强，但不会线性地、均匀地变强。
它会一块一块突破，也会一块一块翻车。
2. 小故事：今天嫌它慢的人，明天会嫌自己慢
很多人现在说：
“AI 写得还是不如我。”
“AI 代码还是要改。”
“AI 画图还是有瑕疵。”
“AI 做产品还是不懂人性。”
对，很多时候都对。
但这句话里藏着一个危险的傲慢：
你在拿今天的 AI 和今天的你比，却没有拿明年的 AI 和停滞的你比。
真正的竞争不是“你 vs AI”。
真正的竞争是：
会用 AI 的你 vs 不会用 AI 的你。
会用 AI 的别人 vs 不会用 AI 的你。
这才是残酷的地方。
你不用 AI，不是保持纯粹。
你可能只是在训练自己变慢。
3. 第四条的实际含义：不要做一次性提示词，要做可升级系统
很多人学 AI，沉迷于收藏提示词。
这很短视。
提示词当然有用，但提示词会过期。模型变了，工具变了，上下文窗口变了，联网能力变了，多模态能力变了，代理能力变了，你那条神奇提示词可能就没那么神了。
你应该建立的是这些东西：
第一，任务库。
记录你哪些任务可以用 AI：写作、调研、代码、客服、产品、销售、运营、复盘。
第二，提示词模板。
不是死记，而是模板化：角色、目标、背景、约束、输出格式、验证点。
第三，质量标准。
什么叫好？什么叫不能用？比如文案要清楚、可信、有具体利益点；代码要能跑、有测试、有注释；研究要有来源、有不确定性说明。
第四，验证流程。
哪些输出必须人工核查？哪些需要第二个模型交叉检查？哪些需要真实用户验证？
第五，版本迭代。
每隔一段时间，重新测试模型能力。今天不能做的，三个月后可能能做。今天能做的，也可能换模型以后更便宜、更快、更稳。
这就是第四条真正的操作化：
别问“AI 现在能不能替我”。
要问“我现在能不能建立一个随着 AI 变强而自动升值的工作系统”。
四条原则合起来，怎么形成一个完整工作流
你可以把它想成一场会议。
第一条：邀请 AI 到场。
会议一开始，AI 坐下。
第二条：你做主席。
AI 可以发言，但不能拍板。
第三条：给 AI 安排职位。
它这次是财务顾问、产品经理、增长专家、教练，还是批判者？
第四条：每次会议后升级系统。
记录它哪里帮了你，哪里误导你，下次怎么用得更好。
所以，每次你用 AI，都不要只拿一个答案。
你要拿三个东西：
答案。
过程。
可复用方法。
普通人只拿答案。
高手拿系统。
一个完整案例：独立开发者 7 天验证小产品
假设你想做一个 AI 工具，帮助小红书博主把爆款笔记拆成可复用模板。
你完全可以用这四条原则跑一个 7 天验证。
Day 1：邀请 AI 进场，拆机会
你先不要急着做产品。你问 AI：
我想做一个工具，帮助小红书博主分析爆款笔记，并生成可复用的选题、标题和结构模板。
请你作为创业顾问，帮我判断：这个想法的目标用户是谁、痛点是什么、他们现在怎么解决、是否愿意付费、最大风险是什么。
请不要鼓励我，优先找问题。
AI 可能会告诉你：
目标用户不是所有博主，而是刚起号、缺选题、缺结构感的小博主。
痛点不是“不知道写什么”，而是“不知道为什么别人爆，自己不爆”。
付费点不是生成文案，而是缩短试错周期。
最大风险是平台规则、内容同质化、用户不信任自动生成内容。
这一步，AI 是桌边顾问。
但你不能直接信。你要进入第二条。
Day 2：人类在回路，找真人验证
你让 AI 生成 20 个访谈问题：
请帮我设计一套用户访谈问题，用来验证小红书博主是否愿意为爆款笔记分析工具付费。问题要能挖出真实行为，不要问“你愿不愿意付费”这种虚假问题。
AI 给你问题后，你去找 10 个真实博主聊。
这一步很关键。
AI 可以模拟用户，但不能替代真实用户。
真实用户会说一些 AI 编不出来的话，比如：
“我不是不会写，我是每天打开手机就焦虑。”
“我不想要 AI 帮我写，我想知道我为什么没流量。”
“我愿意付费，但前提是你能分析我自己的账号，不是泛泛讲道理。”
这就是人类回路的价值。
AI 给结构。
现实给真相。
Day 3：给 AI 角色，设计 MVP
现在你让 AI 扮演产品经理：
你是一个极其克制的 MVP 产品经理。
目标：用 7 天做出一个最低成本验证版本，不写复杂代码，先验证用户是否愿意付费。
请基于访谈反馈，设计一个 MVP。
限制：功能不能超过 3 个，用户必须在 5 分钟内看到价值。
AI 可能会给出：
功能一：粘贴笔记链接或文本，提取结构。
功能二：输出标题套路、开头方式、情绪钩子、行动引导。
功能三：根据用户账号定位，生成 5 个相似但不抄袭的选题。
你再让 AI 扮演工程师，判断最小实现方式。
让它扮演增长顾问，设计 landing page。
让它扮演用户，吐槽这个页面哪里假。
这就是第三条的威力：
你不是问一个 AI，你是在调度多个“角色”。
Day 4：人类继续把关，别被 AI 造梦
AI 很可能会给你一大堆功能建议。
什么账号诊断、趋势追踪、竞品监控、自动发布、矩阵号管理。
你这时候要骂醒自己：
别装大厂。
别造航母。
你现在只需要证明一个小问题：有没有人愿意为一次分析付钱？
所以你把 MVP 砍到最小：
用户发 3 篇自己的笔记 + 3 篇对标爆款。
你用 AI 辅助分析。
你人工整理一份报告。
收费 19 美元或 99 元。
先卖 10 单。
这比开发一个完整 SaaS 更聪明。
你不是先做产品再找人买。
你是先证明有人买，再决定要不要做产品。
Day 5：AI 当销售教练
你让 AI 写冷启动私信：
你是一个不油腻、不冒犯人的增长顾问。
我想私信小红书博主，邀请她们试用一个爆款笔记分析服务。
请写 5 个版本，要求：真诚、短、具体、有边界，不要像群发广告。
然后你自己改。
AI 写第一版。
你加入人味。
你发出去。
这就是最好的协作方式。
AI 的文字往往太完整，太顺，太像“营销材料”。
真人的文字要有一点具体、一点笨拙、一点真诚。
比如不要说：
“我们致力于帮助内容创作者提升商业价值。”
你说：
“我看了你最近三篇笔记，感觉选题其实不错，但开头钩子有点弱。我在做一个小工具，想帮你拆一下为什么同类笔记能爆。你愿意让我免费分析一篇吗？”
这才像人话。
Day 6：AI 当复盘员
你发了 50 条私信，只有 3 人回复。
普通人会崩。
高手会复盘。
你把回复和未回复情况给 AI：
请作为增长分析师，基于这些私信结果，判断：
哪些话术有效； 哪些话术让人反感； 用户真正关心什么； 下一轮应该如何改； 我是否应该换目标用户。
AI 会帮你看模式。
但你要做最终判断。
Day 7：升级系统
最后你总结：
哪些任务 AI 帮上忙了？
哪些地方 AI 给了废话？
哪些提示词好用？
哪些输出必须人工改？
哪些用户反馈推翻了 AI 的判断？
下次验证能不能更快？
这就是第四条。
你不是只做了一个项目。
你训练了一套“AI 辅助创业操作系统”。
这东西会复利。
常用提示词模板
1. AI 入场模板
我正在处理这个任务：
【任务描述】请你先不要直接给答案。请先判断：
这个任务可以拆成哪些子任务； 哪些子任务适合 AI 帮助； 哪些必须由人类判断或验证； 最大风险是什么； 我应该先做哪一步。
2. 角色设定模板
你现在是【角色】，你的风格是【风格】，你的目标是【目标】。
背景：
【我的背景 / 用户背景 / 商业背景】任务：
【具体任务】限制：
【不能做什么 / 不要什么风格 / 不允许假设什么】输出格式：
【表格 / 步骤 / 清单 / 方案 / 代码 / 文案】质量标准：
【什么叫好答案】请先指出你需要注意的风险，再输出结果。
3. 反对者模板
请你不要优化我的想法，而是反驳它。
你现在是一个冷酷、现实、见过大量失败案例的审查者。
请指出：
这个想法为什么可能失败； 哪些假设最脆弱； 哪些地方是我在自嗨； 如果只能验证一个关键假设，应该验证哪个； 最便宜的验证方法是什么。
4. 人类验证模板
请列出这个答案中所有需要人工核查的地方。
按风险分为：
高风险：错了会造成法律、金钱、声誉或安全问题；
中风险：错了会影响决策质量；
低风险：错了只是表达不够好。每个风险点请给出核查方法。
5. 升级工作流模板
请复盘我这次使用 AI 的过程。
输出：
哪些环节 AI 明显提高了效率； 哪些环节 AI 误导了我； 哪些提示词值得保存； 下次如何更快； 哪些地方应该建立固定 SOP。
5W2H：这四条原则怎么落地
| What，是什么 | |
| Why，为什么 | |
| Who，谁来用 | |
| When，什么时候用 | |
| Where，在哪里用 | |
| How，怎么用 | |
| How much，投入多少 |
SOP：AI 协作标准流程
Step 1：定义任务
先写清楚：
我要完成什么？
给谁用？
成功标准是什么？
时间限制是什么？
风险有多高？
不要一上来就问 AI。
你得先知道自己要去哪儿。
Step 2：邀请 AI 拆任务
让 AI 判断：
任务可以拆成哪些部分？
哪些适合 AI？
哪些不适合 AI？
哪些需要真人确认？
这一步对应第一原则。
Step 3：给 AI 指定角色
不要说“帮我”。
要说“你现在是……”
比如：
你是产品经理。
你是资深工程师。
你是增长顾问。
你是冷酷投资人。
你是法务审查员。
你是愤怒用户。
你是 0 基础学习教练。
这一步对应第三原则。
Step 4：让 AI 先输出多个选项
不要只要一个答案。
至少要 3 到 5 个方案。
因为 AI 最大的价值之一是扩展可能性。
Step 5：让 AI 自我审查
输出后立刻问：
哪里可能错？
哪些是假设？
哪些需要证据？
哪些地方可能误导我？
最坏后果是什么？
这一步对应第二原则。
Step 6：人类验证
你亲自核：
事实是否正确。
数据是否有来源。
逻辑是否通。
用户是否真实需要。
法律和伦理是否安全。
执行成本是否可承受。
不要偷懒。
偷懒的人用 AI，只会更快地犯错。
Step 7：执行最小动作
不要让 AI 方案停留在纸面。
把它压缩成今天能做的一件事：
发 10 条私信。
采访 3 个用户。
上线一个表单。
写一页 landing page。
做一个可点击原型。
跑一个 20 美元广告测试。
交付一个人工版服务。
Step 8：复盘并沉淀
每次用完 AI，保存三类东西：
好提示词。
好流程。
踩坑记录。
你的目标不是这次得到一个答案。
你的目标是下一次更快、更准、更稳。
Checking List：每次用 AI 前后检查
使用前
[ ] 我有没有说清楚任务目标？ [ ] 我有没有说清楚目标用户或受众？ [ ] 我有没有指定 AI 的角色？ [ ] 我有没有给足背景？ [ ] 我有没有说明限制条件？ [ ] 我有没有定义输出格式？ [ ] 我有没有说明什么叫好结果？
使用中
[ ] 我有没有让 AI 给多个方案，而不是只给一个？ [ ] 我有没有让 AI 解释假设？ [ ] 我有没有让 AI 标出不确定性？ [ ] 我有没有让 AI 扮演反对者？ [ ] 我有没有追问“还有没有更简单的方法”？ [ ] 我有没有追问“这个方案哪里可能失败”？
使用后
[ ] 事实有没有核查？ [ ] 数据有没有来源？ [ ] 法律、财务、医疗、安全等高风险内容有没有人工确认？ [ ] 这个输出是否符合真实用户语境？ [ ] 我是否保留了最终判断权？ [ ] 我有没有把好提示词保存下来？ [ ] 我有没有把这次经验升级成流程？
高风险场景额外检查
[ ] 是否涉及法律责任？ [ ] 是否涉及金钱损失？ [ ] 是否涉及用户隐私？ [ ] 是否涉及公开传播？ [ ] 是否涉及健康、安全、身份、招聘、金融决策？ [ ] 是否可能让用户误解这是确定事实？ [ ] 是否需要引用可靠来源或专家复核？
最后说狠一点
这四条原则最可怕的地方，不是它们教你“怎么用 AI”。
而是它们重新定义了聪明人和普通人的差距。
过去，聪明人是脑子快、知识多、表达好。
现在，聪明人是能指挥 AI、能判断 AI、能训练流程、能快速验证现实的人。
你不能只做“努力的人”。
努力如果没有杠杆，就是在搬石头感动自己。
你也不能做“迷信 AI 的人”。
迷信 AI，本质上是把自己的判断力外包出去。
真正正确的位置是：
把 AI 当成桌上的第二个大脑，
但把自己的灵魂留在驾驶座上。
这四条记成一句话：
凡事让 AI 参与，凡责由人承担；
凡用先定角色，凡事持续升级。