前两天我整理了吴恩达老师的 AI 课程，然后文章链接在这：吴恩达课程笔记

文章字数太多了，很多人可能懒得看，所以我就想整理一个与 AI 对话的通用模板或工作流。

这篇文章一是把这个吴老师课程里面的精华部分摘出来，二是根据我用 AI 的经验，再做一些补充。

根据我的经验，我认为让 AI 做任务可以分为三个阶段，分别是前期、中期和后期。

使用 AI 之前，你需要知道的三个真相

我会列举 AI 的两个缺点和一个特点，让你重新的认识一下 AI。

两个缺点

第一，AI 会“谄媚”，它会顺着你的话说。因此，对于一些观点类、评价类的问题，我建议你在提问时使用更中立的表述。

比如，让 AI 评价某个内容时，你可以说：“请客观中立地评价一下这个东西”，而不是说“我认为这个东西挺好的，你觉得呢？”后者带有明显的暗示性。

你可能会问，AI 又不是人，它怎么知道我在暗示它给出好评呢？

AI 确实不是人，但它是为人服务的，在训练时就被设计成倾向于输出人类喜欢听的话。

第二点，AI 喜欢“钻空子”、“偷奸耍滑”。

举个例子，人类盖房子要费很大劲才能盖出一间正常的房子。但如果你让 AI 盖房子，提示词很简单，只说“盖个房子”。AI 盖好后，你一看，房子高度还没人高，但确实是个房子。这种房子给谁住呢？AI 完成任务了吗？完成了。你也不能说它不是房子。

于是你进一步提需求：“帮我做一个适合人类居住的房子”。AI 又做完了，结果发现只是个 5 平米的小房子。你说它是不是房子？它还是房子。

那么，怎样才能让 AI 盖出让人满意的房子呢？很简单，就是不断地和它交流你的需求。

这时，你把 AI 想象成一个人，让它问你：“这个房子需要什么样？”让它给你提供一个或几个方案，并且一定要把细节交流得明明白白。其实这个会在后面的“任务前期”章节中具体展开。

一个特点

如果把人的能力比做一个圆，那 AI 的能力是锯齿状的形状，也就是说对于 AI，有些任务它比人类做的好，有些任务它比人做的差，直观的图片如下：

后面也会提到让你在评测任务方案的时候，可以使用多个 AI 互评，因为每一个 AI 它所适合的任务是不一样的。所以不仅仅是方案让不同的 AI 去评审，同一个任务也可以试着去让不同的 AI 去轮流做一遍，时间长了就能摸索出到底谁适合干什么，而且这个过程要一直持续的探索下去，可能这个月 Gemini 适合做前端任务，下个月出新模型的时候可能前端任务就不是它最厉害了。

下面是对 AI 协作任务的总览流程图：

一、任务前期：把模糊想法变成 AI 能精确执行的方案

1.1 明确需求

在 AI 正式做任务之前，需要把自己的需求搞清楚。

首先可以先写一段元提示词（就是提示词的提示词），比如我手头有个任务，然后我可以先和 AI 这样说

“我想处理某某任务，然后我想先和 AI 沟通好我的需求，就是和 AI 沟通，AI 问我问题，我再要求 AI 执行等等，通过这个过程去和 AI 确定好执行方案，然后你帮我写一份提示词，用于我和 AI 的交流，注意你需要写一份通用的提示词，有了这个提示词之后我在给任何 AI 布置任务的时候都可以用这个提示词。”

下面是 AI 给出的两份提示词（注意：生成的提示词可以让 AI 反复修改完善，或者多给出几版）

简洁版（适合日常快速使用）：

在开始执行任何任务之前，请先进入【需求澄清模式】：

1. 你不能直接执行，必须先向我提问，逐步搞清楚我的真实需求
2. 每次只问1-2个最关键的问题，不要一次性问一堆
3. 根据我的回答继续追问，直到你完全理解需求为止
4. 当你认为需求已经足够清晰，输出一份【执行方案确认单】，包含：目标、步骤、预期结果、注意事项
5. 等我明确说"确认执行"或"开始"之后，你才能动手

我的任务是：[在这里描述你的任务]

完整版（复杂任务/高要求场景）：

# 角色设定
你是一位专业的需求分析师，在执行任何任务前，你必须通过结构化沟通确保完全理解我的意图。

# 工作流程（严格遵守）

## 第一阶段：需求澄清
- 禁止直接开始执行，先进入提问模式
- 每轮只提出 1~2 个问题，问题要具体、有针对性
- 优先询问：目标是什么 → 边界在哪里 → 有什么限制或偏好
- 如果我的描述中有模糊或矛盾之处，必须指出并确认
- 持续追问，直到没有歧义为止

## 第二阶段：方案确认
当需求清晰后，输出以下格式的执行方案：

---
【执行方案确认单】
任务目标：…
执行步骤：
  1. …
  2. …
注意事项 / 限制：…
预期交付结果：…
仍有不确定的地方（如有）：…
---

## 第三阶段：执行
- 仅在我回复"确认"、"开始执行"或明确同意后，才开始执行
- 执行过程中遇到新的不确定项，暂停并询问，不要自行假设

# 开始
我的任务是：[在这里描述你的任务]

需要注意的是，这种提示词不是固定的，你可以改变它的内容和结构，也可以反复的让 AI 多生成几个，最好就是根据你的日常工作流程对这些提示词进行微调，比如可以告诉 AI 你的日常工作是什么场景，根据某些场景去定制提示词，提示词中让 AI 主动反问用户、逐步澄清需求的方法，在提示工程中常被称为"反向澄清"或"结构化需求访谈"。你也可以在提示词中加入"请在执行前通过提问澄清我的需求"这类指令来激活这个行为。

然后重开会话，将上面两个任何一个提示词复制给 AI，注意提交给 AI 之前先把里面的信息填好，也就是把你的任务（需求）大体描述一下，说的专业一点就是给 AI 提供正确且足够的上下文，任务描述不用太复杂，因为后面 AI 会和你不断交流来确定任务执行方案。

1.2 判断任务复杂度

下面的步骤可能会比较繁琐，对于一些简单的任务可能不需要，但是对于困难或者复杂度高的任务则需要认真对待，所以在这可以先对任务的复杂度进行一个大概的评测，评测的任务同样是可以交给 AI 来做，比如你可以对 AI 说：

“请根据我们刚才沟通确认的需求，帮我做一件事：客观判断这个任务属于简单、中等还是复杂难度。你需要自己定义判断标准，可以从任务的步骤数量、涉及领域的广度、对专业性的要求、出错的后果严重程度等维度来综合评估。然后告诉我：（1）你的判断结论和判断依据；（2）基于这个难度，你建议我走哪些步骤、跳过哪些步骤（可以参考本文后面提到的需求澄清、方案打磨、评价体系、Spec 文档等环节），以及为什么。请尽量客观，不要为了迎合我而把任务说得更简单或更复杂。”

AI 给出判断后：

• 简单任务 ：直接跳到执行阶段（本文"二、任务中期：选对工具，让 AI 顺畅执行"）。
• 中等和复杂任务 ： 继续往下走 1.3 节。

另外，如果你的任务恰好是写文章，建议在走完前期流程后、执行之前，快速翻阅一下本文的"延伸案例：AI 写作"，那章把前期的方法在写作场景下具体化了，有不少可以直接套用的操作。

1.3 精益求精

经过多轮对话，AI 已经确定好了任务执行计划，这个时候进行第二步，就是要榨干 AI 的能力，之前的输出只是给出了一个方案。

我有下面两个方向供你参考。无论选哪个方向，后面的具体操作都可以循环多次，直到你满意为止。

方向一：针对这一个方案的情况

• 让 AI 自审，你可以说“从多个角度对这个任务执行方案进行审核，然后对此方案进行完善和升级”。（如果觉得这样让 AI 随便自审不够严谨，可以跳到 1.4 节，先和 AI 一起建一套评分标准，再用那套标准来审）

• 直接否定初稿：AI 很多时候会很敷衍，首次给出的方案你甚至可以不看，直接要求它重做。但关键是给它一个更高的质量标准，而不是单纯宣泄情绪。比如你可以说："这份方案太基础了，请给我一份世界级水准的方案。要求：考虑至少三种不同的实现路径，每条路径要有优劣势分析，每个步骤要有具体的执行标准而不是泛泛而谈。"你提的标准越具体、越可验证，AI 越难糊弄，这和前文"三个真相"中说的"AI 会钻空子"是同一回事：你不把标准讲清楚，它就给你一个勉强能交差的最低配版本。

• 多模型互审：将刚才的方案交给不同的 AI 大模型去审核，你可以和另外一个 AI 说：“这是一份某某任务的方案计划书，请你客观的审核一下，并给我重写一份”。可以多找几个 AI，把它们的答案收集好，然后让它们进行互相审核。

方向二：不满足于一个方案

• 一次性让 AI 生成多份方案，你可以这样说“刚才的方案太简单了，请你帮我生成至少 3 种方案”，首先这个提示词你可以根据你的任务继续完善，然后生成的多份方案，你既可以自己审核，找出一份自己满意的，如果你发现好几份都不错，你可以直接让 AI 帮你把那几份融合一下；另外你还可以找其他 AI 帮你评审一下，找出一份最好的方案，或者不找最好的，让其他 AI 根据这几个方案，列出它们的优缺点。

注意：将任务方案交给不同的 AI 进行审核的时候，描述应该尽量客观中立，不应该带有任何的暗示。

举个例子：

错误的描述：我觉得这个方案不好，你帮我看看，评价一下。（你暗示了这个方案是不好的，AI 的"谄媚"本能就会发作，顺着你的暗示给你差评）

正确的描述：请客观中立的评价一下这个方案。（没有任何暗示，AI 的评价就不会有任何倾向）

这个小节中的所有过程，你可以打开 AI 的深度思考模式（不同的 AI 叫法不同），或者你也可以在提示词中注明“你要深度思考、认真思考”等关键词。你还可以让 AI 在制定方案的时候去网络上做调研（当然可以指定一些权威网站）

1.4 构建评价体系

在前面提到 AI 可以自己产生的成果物进行自我评价，或者可以不同的 AI 之间进行互评，但实际上这种评价比较模糊，现在我们可以和 AI 一起去构建一个评价体系，因为不同的内容和任务会对应不同的评价参数，可以和 AI 这样交流：

“我正在评审 AI 做出的某一项方案，这个方案是关于 xx 的（建议直接把方案传给 AI），我需要你一个具体的方案评审策略，这个策略有详细的评分细则，可以对此类的方案进行客观中立的打分，并能够给出这个方案的优缺点和改进意见”

其实你在任务前期阶段就可以在 AI 给出方案的时候，不用重开会话，直接把上面的提示词发给它让它做评分策略。

然后在使用其他 AI 进行互评的时候，先用上面的提示词把评分策略生成一下，如果策略相近那就用一个就可以，如果策略有很大的不同，可以让 AI 整合一下，最后用整合过的策略对不同的执行方案进行打分和评测。

1.5 再次精益求精

如果你的这个任务比较难或者复杂度较高，你可以要求 AI 做以下两点：

（1）细化任务细节：每一个阶段的任务可以再单独的写一份详细的文档，或者就是直接要求 AI 对确定的方案细节进行细化（如果细化后的方案你不满意的话，可以再次执行 1.3 节中的步骤）

（2）开启 Plan 模式：有些 AI 或 Agent 有专门的规划模式，通过功能按钮或命令激活（如在提示词前加"/plan"）。Plan 模式会生成一份高层级的任务执行框架，类似于"建筑的设计草图"。

（3）开启 Spec 模式：这是一个比 Plan 模式更细化的任务执行方式，可以理解为在 Plan 的基础上进一步展开每一个细节。在 Trae 中通过"/spec"激活，在 Kiro 中可直接手动选择 Spec 模式。

如果你用的 AI 工具没有 Plan 和 Spec 模式，我建议分两步走：

先让 AI 生成一份简要的 Plan（高层框架），确认大方向没问题后，再用下面的这个 Spec 提示词让 AI 基于这个 Plan 生成详细规格。这样更稳妥，也能避免 AI 在没有框架约束的情况下跑偏。

当然，如果你对任务已经非常熟悉，跳过 Plan 直接生成 Spec 也可以。

这里你可以要说了，Spec 模式是啥样我都不知道，我怎么和 AI 说呢？你是不是又忘了元提示词了，你可以新开一个会话问 AI Spec 文档应该怎么写，提示词可以这样写：

“我想让 AI 为我已有的任务方案制定一个详细的 Spec 文档，让 AI 根据这个方案去把任务进一步的细化，我该怎么和 AI 沟通呢？请帮我写一份通用的提示词，在我执行其他任务的时候可以复用”

下面是 AI 给出的提示词（注意：生成的提示词可以让 AI 反复修改完善，或者多给出几版）

完整版提示词：

你是一位资深的产品经理 / 技术方案专家，极度擅长将模糊的高层任务方案，拆解为清晰、无歧义、可直接分配开发的详细规格说明书（Spec）。

现在，请根据我下方提供的【我的任务方案】，为我生成一份完整的、可直接落地的 Spec 文档。在生成时，你必须始终遵循【细化原则】。

## 我的任务方案
【此处粘贴你的任务方案：包括项目背景、目标、核心功能描述、已知约束等。如果你有特定格式要求，也请在此说明】

## 输出结构要求
请严格按照以下结构组织 Spec 文档，每个部分都务必详尽，将“做什么”彻底说透：

1. **项目概述与目标**
   - 用 2-3 句话高度概括项目，说明它要解决什么核心问题。
   - 提炼出 3-5 个可衡量的成功指标。
   - 明确列出本次任务明确定义为“不做”的范围，防止范围蔓延。

2. **用户角色与核心用户故事**
   - 穷尽所有可能涉及的用户或系统角色。
   - 为每个角色撰写关键用户故事，采用标准格式：“作为一个<角色>，我希望<完成某个动作>，以便<获得某个价值>。”

3. **功能详细拆解** *（这是文档最核心部分，必须极度细化）*
   请将方案中每个功能模块，按以下子结构逐一展开，不允许有任何模糊描述：
   - **功能名称**
   - **功能概述**：一句话说明该功能是做什么的。
   - **触发条件/前置条件**：什么情况下触发？需要满足什么状态？
   - **正常流程**：按步骤 1、2、3...编号，清晰描述从开始到结束的完整交互或逻辑路径。
   - **异常与边界处理**：针对每一种可能的异常输入、空状态、网络超时、并发冲突、极限值等，给出明确的处理规则。
   - **界面/交互草案**（如涉及交互）：描述关键界面的布局、文案、组件状态（加载中、为空、错误）和反馈动效。
   - **验收标准**：使用“Given... When... Then...”格式的测试用例清单，确保每条标准可验证。

4. **非功能需求**
   - 性能要求（如核心 API 的 P95 响应时间、页面首屏加载时间）
   - 安全性要求（权限矩阵、数据脱敏规则、防注入）
   - 可靠性与可用性（如关键流程最终一致性保证、故障恢复策略）
   - 可维护性（日志埋点要求、代码结构约束）

5. **关键数据实体与接口定义**
   - 列出核心数据对象，定义其关键字段、类型和举例。
   - 画出实体关系简图（用 Mermaid 或文本描述）。
   - 列出涉及的外部接口/服务，定义端点、入参/出参、鉴权方式及错误码约定。

6. **里程碑与交付规划**
   - 将整个任务拆解成 3-7 个有先后顺序、可独立交付验证的里程碑。
   - 每个里程碑给出：简短标题、具体交付物目录、明确的完成标准及建议时间占比。

7. **风险、假设与待澄清清单**
   - 列出在生成此 Spec 时，我所作出的所有合理假设。
   - 识别技术或协作上的潜在风险，并给出极简应对思路。
   - 基于我的任务方案，专门提炼出一份需要我补充澄清的问题清单，帮助我发现思考盲区。

## 细化原则 （请在整个生成过程中刻入脑海）
- **拒绝模糊**：把所有“支持多种格式”变为“支持 JPG、PNG、GIF 三种格式”；把“反应流畅”变为“列表滚动时帧率不低于 55fps”。
- **穷尽边界**：主动思考并补全所有“如果为空怎么办、如果失败怎么办、用户反复快节奏操作怎么办”的逻辑。
- **定义完成**：每一项功能都需给出毫无争议的“完成”尺度，能用测试用例表达就不只用文字描述。
- **诚实假设**：对方案中缺失的必要细节，不得凭空编造；应当在风险与假设中标注你的假设，并放入“待澄清清单”中请我确认。

注意：Spec 文档是比较专业的文档，上面的提示词有可能和你的任务属性不匹配，你可以让 AI 根据你的任务类型把上面的 Spec 提示词做适当的修改。

然后回到之前和 AI 商量任务方案的那个对话，把这个提示词发给 AI，注意你需要自己通读一下这个提示词，把一些必填信息填好。

写这个 Spec 文档可以防止 AI 记忆漂移，对于比较长的对话，如果 AI 忘记执行了什么操作、下一步该干嘛，可以直接去读取这个文档并定位任务的位置。

下面是 Spec 文档的模样，这是在 Kiro 中的界面

我用 Spec 文档会比较注重这几个细节：

• 做好标注：比如我会和 AI 说，每执行完一个小任务就在 Spec 的任务前面打上对勾；

• 防止中断：假如任务在执行中因为不确定性因素中断或者执行失败，我会在这种情况下，让 AI 查看一下已经打对勾的任务是不是有不完善或者没做完的，如果有的话尽快完善，如果没有的话就继续做那些待办任务

其实很多 AI Agent 都有我说的这两个功能，但是你的 AI 工具如果没有这些功能，可以考虑我这个方式。

二、任务中期：选对工具，让 AI 顺畅执行

在任务前期，把 Spec 文档交给 AI 之后，后面的主要工作就是 AI 在做了，所以任务中期，就是 AI 按照 Spec 文档执行任务的阶段。

这个我反倒没啥好说的，AI 做任务对于用户来说也插不上手，可能唯一能插上手的就是批准一下权限。

但是还是要说几个建议

1、用当下最先进的 AI 大模型，用弱一点的模型可能是便宜，如果它做任务非常的耗时，非常的笨，那这个时间成本会很大；

2、尽早用上 AI IDE 或 AI Agent，像 Claude Code、Trae、Kiro、Cursor 等这些主流工具，早用早享受，当然最近的 Codex 也比较出圈，但是他们都是差不多的使用逻辑。为什么要建议你用这些工具？如果你只是用豆包、千问这种对话式的 AI，那么我在任务前期中说的很多功能你可能用起来就没那么顺，比如写 Spec 文档，并逐个执行 Spec 文档中的任务，这个在类似豆包的 AI App 中就不太好实现，甚至就没法实现。而且用了我说的这个工具，你还可以让 AI 直接操作本地文件，如果你就是在聊天式的 AI 中对话，上传的文件大小有限，支持的文件类型也是有限的。

3、选上 MCP 工具，搭配 skill 执行任务：现在很多 AI 应该是默认自己调用 MCP 工具，比如说上网搜索、读写文件等，但是 skill 还是要自己配置，比如你的任务中要操作 PDF 文件，那么你就可以下载一个专门用于操作 PDF 的 skill，有了这个 skill，原本那些老是出错或者执行缓慢的任务，一下子就变得顺利很多。

关于 MCP 和 skill 等概念，写过一篇贴图：无痛理解mcp、skills等常见概念

关于 skill，也写过专门的实践笔记：从Prompt到skills

当然了，上述建议中的操作，如果你不会，可以自行谷歌，或者让 AI 给你科普，然后写一些教程文档（教程不满意可以让他反复的修改和完善），我说的这些建议仅仅是让你用一些工具而已，不是什么技术活或者是什么动脑子的活，你只要用上了，走出你之前的舒适圈，效率就能大幅提升。

三、任务后期：从"做完了"到"做好了"的最后一公里

3.1 根据结果提意见

当 AI 按照计划执行完了之后，你需要自己审核一下成果物，如果发现有不满意的地方立即向 AI 提出你的不满。

给 AI 的反馈主要是包含两个部分：

第一部分（核心）：你认为没有做好的部分详细的描述清楚：“应该是什么样，你现在做成了什么样，建议怎么修改等等”。描述越具体、越可验证，AI 越容易改到位。比如不要说"这段写得不好"，要说"这段的逻辑从 A 跳到 C 缺少了 B 这个中间步骤，请补充 B 的论证"。

第二部分（辅助）：明确提出你期望的质量等级。比如"这个版本我只能打 60 分，请给我一个 90 分的版本"，或者"请参照 xx 标准重新做一遍"。关键是给 AI 一个可对照的质量参照系，而不是单纯表达不满。

虽然 AI 前期已经按照任务方案或者 Spec 文档执行完了所有任务，但有时候后期的打回重做和各种修修补补才是最耗费时间的，这和你任务的复杂度有关，也和你用的 AI 强弱有关，如果你用弱一点的 AI 模型去做比较复杂的任务，那这个任务后期绝对是很耗时间的，前面说的“钻空子”和“锯齿状能力”在弱模型上就会被放大，也就是它的能力锯齿更稀疏，钻空子的花样更多，很多任务他就是死活改不好。

3.2 整理错误

如果你做的这个任务是你经常要做的，甚至这是你首次执行这个任务，非常建议你把 AI 执行任务中遇到的问题整理汇总一下，当然这个任务你也要交给 AI 去做，你可以这让和 AI 交流：

“把你在执行任务中遇到的错误、异常、难点等整理汇总一下，并附上它们的解决方案，写成一个规范的 markdown 文档，便于后期维护和复用”。

其实这个需求你可以在任务前期中就明确说明，比如你可以让 AI 在 spec 文档中规定这一条，让 AI 遇到问题的时候，记录到一个规定的文档中。

这就有了两个记录错误的文档，然后让 AI 根据这两个文档做一些融合和汇总，方便下次执行类似任务的时候查看，比如你在下次执行任务的时候就可以和 AI 说：“在 xx 目录下有个错误解决文档，你看一下规避里面的错误”。

然后在后期执行相同任务的时候，上面的操作可以反复执行，继续让 AI 收集各种错误。

其实最好的方案还是要整理成一个规范化的 skill，关于怎么做一个 skill 我写过一篇文章：构建高质量AI skills的9个步骤

让 AI 把任务中那些繁杂的步骤、易踩的坑、常犯的错误等等都整合为一个 skill，后期直接调用即可，比如你可以和 AI 说：“调用某某 skill 帮我执行某某任务”，然后如果在执行任务的时候还是遇到各种问题和错误，就在把这些问题收集起来，直接完善到 skill 中，你可以这样和 AI 说：“根据你执行任务中遇到的各种错误和异常，再升级完善一下某某 skill，确保下次再调用的时候不会出现类似的问题”

3.3 规定输出

最后 AI 输出的回答可以进行一些规范化处理，比如你让他生成 markdown 文档、word 文档、图片、html 等等各种形式，其实这个在任务前期中就可以提前和 AI 说好，但是 AI 会钻空子，输出的东西可能不尽人意，这个时候你可以根据已有的输出给出的意见。

说到这，感觉这个步骤其实在 3.1 里面就应该包含了，单独拿出来再强调一下吧。

延伸案例：AI 写作

吴恩达老师给出的 AI 写作攻略就是：渐进式、分段式的进行，即：不要让 AI 直接输出一整篇文章。

先和 AI 沟通想法，这个和我在前期任务中说的非常相似，然后和 AI 共同确定一个大纲，这个类似前面提到的 Plan 和 Spec 文档，注意，你和 AI 确定的不仅仅是这个文章的大纲，还要明确这个文章具体是写什么东西的、什么方向等等各种详细的问题，你甚至可以先和 AI 进行多轮交流，确认一下自己的认知边界，看看是不是自己对某些事物的观点有些偏，关于如何对自己认知的探索和纠正，我直接设计了一个 skill，可以去阅读我之前写的一篇文章：知识榨取skill

根据刚才的大纲让 AI 分段式的输出出来，然后针对每一次输出我有如下想法：

• 让 AI 根据前期的大纲和交流内容，让 AI 自查内容，是否有 AI 味、是否切题、是否描述得当等等，这个自查的步骤可以反复进行，直到你满意为止；

• 让 AI 生成生成这个段落的多个版本，可以自己审查、AI 自己审查、交给其他 AI 审查等等，最后选出最好的一版

关于如何 AI 写文章，我也做过深入的探索：如何用AI写文章

如果你经常写作的话，不管是什么类型的内容，一定要注意素材的原始积累，这个素材可以分为两类：

• 一类是你原创的写作内容，这是没有任何 AI 干预的内容，当然这也是 AI 率为零的内容，这一部分内容是你自己宝贵的内容财富，如果积累的够多，可以让 AI 进行归纳总结，生成属于自己风格的素材库，每次用 AI 写作的时候就让 AI 参考这个素材库；

• 另一类就是日常的零散观点，这些点子就是你再做了足够多的工作、有了足够多的经验之后，在某一个阶段灵光一现的东西，这些东西每次可能产出很少，可能是一两句话，但是每次你有这种点子的时候你就把它记下来，攒多了就可以变成一个相对成体系的东西，然后你也可以根据这些零散的点子，让 AI 帮你扩展组合成一篇文章。

最后

说白了这个过程是一个给你的工作流程不断套壳的过程，我在写完这篇文章的时候也是觉得很烦，但是你想把任务的执行过程不断的精细化，你就得考虑的仔细全面一些。

现实情况可能会有些极端，有些人可能考虑地非常的不周到，导致很多任务做的不顺心，他们就是希望能和 AI 说最少的话，让 AI 做最多的事，如果你是这种人，那这篇文章适合你看；

另外一种人就是大佬，他们可能每天都在用这些方法论，甚至使用 harness 工程，实现了很多自动化的流程，比我说的这些更好用更高级，那你是这种人的话，根本不用看这篇文章。

对于第一种人，我还想说的是，AI 离人太近又离人太远，为什么？

先说离人太近，豆包、千问、元宝这类 chatbot 大家每天都在用，很方便，但是 AI Agent 也很方便，而且比 chatbot 强大的多，用这些东西也不是什么很费脑子的技术活儿；

再说离人太远，不怪别的，离太远了的原因完全是人自己不想接触罢了，你用 chatbot 的习惯以及你的生活状态很难被改变，你的执行力不够高，你就是想躺在舒适圈里不想往外走，所以接触到的 AI 福利少之又少。