ARTICLE · 1043830
最近做了一个笔记软件,用20亿 Token 换来一条AI协作产线心法
先看看Tina Focus⬇️
下面这套方法论绝不是一条轻松的捷径～ AI可以解决工作的便利，但替代不了思维的懒惰，如果认为使用AI是一件容易的事情，注定会被更会用它的人淘汰
过去半年多，我一直在一点点磨自己的产品线：写小说长文的 Tina Story、管视频运营的 Tina Movie，还有前后改版三次的 Tina Focus。在把它们推倒重来的漫长周期里，我踩完了几乎所有内容人和研究者都会踩的坑：纯靠人工，产能会崩；直接扔给 AI 一句模糊的要求，它又会给你吐出一堆充满幻觉、套话连篇、看似工整实则平庸的垃圾。
直到有天回顾自己的token账单，发现自己为了“找感觉”白白烧掉了20亿 token 时，才被结结实实地打醒：
我以前用 AI 的方式，本质上是在赛博许愿
要想把大模型真正接进深度写作、研究分析和产品设计里，核心不是多么厉害的提示词，而是把创作从“许愿式的灵感抽卡”，彻底重构为一条可追溯、可操纵、可验证的产线
序：三条不可妥协的交付底线
在谈具体工序前，我给自己立了三条硬性底线，任何没有穿透这三条底线的输出，我绝不让它进入交付环节：
1.过程必须白盒化：可追溯、可监督、可验证
在严肃的智力工作中，黑箱是最大的毒药。幻觉、假数据、偷换概念都会在黑箱里发生。我们不能只要一个表面光鲜的结果，必须能看清它引用的材料出处与推演逻辑。
2.流程必须绝对可操纵
必须能掌控模型在哪个环节慢下来做严谨校验，在哪个环节放宽做创意发散，你是在设计流水线，不是在买彩票碰运气。
3.以“日常在用”和“敢于署名”做最终质检
很多方法论喜欢问“你愿不愿意把名字署上去？”。署名当然是底线——如果你不敢署名，说明你的意志根本没有贯彻进去，质量彻底失控。
但做产品和写深度内容还有一个更苛刻的尺度：日常使用。署名是一次性的，发出去就结束了；但日用是每天都在发生的摩擦，你糊弄不过去。
一、千篇一律与白烧 Token，是同一个病症
用 AI 产出的东西千篇一律，以及在反复重试中烧掉巨额额度，表面看是两个问题，本质是一个毛病的两种症状：你交出去的不是具体需求，而是一个抽象的愿望。
“帮我写篇有深度的文章”、“做个好用的笔记软件”、“把这段界面改得优雅点”——这些话从嘴里说出来时，我们以为自己表达得很清楚，但大模型拿到的是另一套东西
它不知道你做给谁、不知道你厌恶什么、更不知道你心里“好用”的标准是什么。面对这种真空，模型只能选择阻力最小、最省算力的方式把空缺填上：
调用全人类互联网文本的平均概率，拼凑出一个最中庸的行活儿～
千篇一律，是它在替你填补你偷懒没交代的空白；而反复点击重试烧掉的 token，就是你为这片空白支付的学费。
因为手里没有客观的判别标准，你只能一遍遍说“感觉不对，再换一版”，然后把成本耗死在无意义的许愿抽卡式的创作中，又抱怨额度不够用～
二、转折点不是换模型，而是先理顺人工链路
在做 Tina Focus 的前期，我一度以为是模型不够聪明。我换过最新版本，也试过各种热门底模，后来发现根本没用，问题不在它，而在我这里：
如果一个人自己的思考和研究流程本身就是散漫的、凭灵感的、材料未加清洗的，那么接进任何 AI 都只能放大混乱。
你不能试图从刀耕火种的农业时代，一步跳进全自动化工厂
我更早做过一个叫“拾间”的网站，犯的是一模一样的错：界面充斥着冗余的接口，笔记让 AI 整理完，我还得手动复制粘贴回去。当时 AI 给我的页面里塞满了无数复杂的按钮
“按钮特别多”这五个字我记了很久。那就是我脑海里偷懒留下的窟窿——我没有给出明确的交互流，AI 就只能用线性的流水线逻辑把能想到的零件全堆在屏幕上
大模型只能承接你“可描述、可复现”的那部分工作。决定交付上限的从来不是模型参数，而是创作者能否把手头的工作，以及用很好的逻辑组织出来
三、把大模型当作工作台：我立下的五条生产规程
当我开始把模型当成流水线上的工位、而非无所不能的神仙之后，我重构了自己的协作动作：
1. 明确边界：把目标和禁忌写成硬约束，彻底弃绝形容词
在让 AI 动任何一行字之前，必须先把工单钉死。做 Tina Focus 迎来转机的那天，是我在文档顶部写下了这段极具颗粒度的话：
“面向 AI 时代的普通创作者，解决在频繁与AI的交互中个人资产沉淀、管理与跨平台迁移的痛点，以及如何让 AI 辅助个人搭建起真正可用的知识库。”
更关键的是设立禁区清单。告诉它你绝不接受什么：禁止车轱辘套话、禁止伪深刻的连环排比、禁止增加二级交互按钮。不划清红线，模型就会默认顺着平均惯性去踩雷
2. 预期管理：把它当成“重点大学的优秀本科实习生”
不要迷信全知全能，对于深度行业逻辑或独特的叙事品味，默认它一无所知
对待实习生，你不能空喊“写好点”，你得给标杆范例、给拆解步骤、给参考语料，它擅长的是在harness里做微观填补，但框架怎么立、边界在哪，必须由你亲手搭好
3. 多模型赛马：给不同工具建立工位画像
把大模型当团队管，有些模型语感出色、行文松弛，适合做首轮素材的草拟与润色；有些模型逻辑严密、长文本抓取准，适合充当严苛的“反方审稿人”来挑刺；有些模型擅长结构化抽象，适合出骨架，在关键环节上，同一个任务至少跑两到三个模型，借此摸清每个工具的手感与边界
4. 步步逼近：坚持白盒分段，严禁“一步到位”
要求模型一次吐出万字成品，质量必定下降，而且也不符合你的预期，必须把长链路切碎成受控的工作步骤：
第一步 仅提炼材料的核心事实清单
第二步 搭建逻辑论证的大纲架构
第三步 单节注入论据并逐段填充
第四步 核验事实并做文本抛光
每一步验收通过再推下一步，错了当场退回。把隐性的标准写进显性流程，才能从根源上消灭偏差滚雪球。
5. 坚持“信息压缩”，警惕“凭空膨胀”
大模型做信息提炼与高维萃取的稳定性，远胜于无中生有的凭空捏造
不要试图用两句短提示词让它凭空扩充出深度报告。正确的姿势是：把杂乱的网页、论文、访谈纪要清洗成纯净的 Markdown，剔除排版噪音，喂足海量的一手材料，让模型在充足的底料上完成萃取、压缩与重构
四、创作者的角色重塑：做行政总厨，别做修稿杂工
在人机协作里，很多文字功底扎实的人最容易死在“修稿陷阱”里：
模型给了一个 60 分的草稿，你觉得哪哪不对，亲自动手改两下；改着改着变成了全篇重写，最后精疲力竭地感叹“还不如自己来”，转身彻底弃用
这是典型的越俎代庖，顶级餐厅的行政总厨，绝不会亲自挽起袖子去洗菜切黄瓜
总厨的核心职责是：定好配方与标准、在每个工位端出半成品时尝一口、准确指出哪里火候不到或咸淡失控、然后勒令厨师退回重做
对待 AI 同样如此：
克制动手精修的冲动
面对不合格的输出，立刻倒查上游流程——是输入材料不干净，还是约束指令没给准？去调整产线逻辑提高整体平均分，而不是替单次残次品不停的擦屁股
用高频采样打破平庸
单次索取往往得到保守的中位数。要高频采样，比如一次摘要要 5 个版本，导语一次拉出 5 种不同叙事切角做盲测，选题一次性产出 50 个来聚类挑选，让模型多生产，人来负责判断。
五、算清代价与适用边界
这并不是一件轻松的事情
前期极慢
在敲代码或动笔写正文前，先把受众、场景、标准和步骤一条条拆出来，耗费的脑力丝毫不亚于自己蛮干，但很重要，哪怕是非常潦草，毫无表达逻辑的草稿，只要思考的主线是清晰的
维护成本高
标准、禁忌清单和语料库都是动态资产，需要人持续打理和迭代
心态拉扯
当你看到满屏“一键生成长文”、“几分钟批量出片”的狂欢时，你坐在这里抠边界、卡步骤，往往会自我怀疑到底值不值
因此，它有非常明确的放弃边界：
1.不需要署名和日用的东西，别这么干
内部草稿、临时速记，60 分拿去用即可，不用大费周章
2.自己毫无认知储备的领域，这套方法彻底失效
人机协作的前提是你有辨别好坏的审美与判断力；没有判断力，堆砌再多规则也是空中楼阁
3.极度赶时间的死线任务或碎片文案
两小时内要交的急活，或者几十字的短回复，搬出产线只会拖垮效率
终局公式：材料 × 品味
在这场技术浪潮里折腾了很久，我愈发笃信一个简单的公式：
作品的终极上限 ＝ 真实世界的一手材料 × 创作者的独特品味
大模型无论演进到多高的参数，这两件事始终不可替代：
材料来自物理现实
哪怕用最普通的模型，但你手里握有扎实的调研、自己的思考与原始数据，做出来的东西也必然碾压用顶配模型拼凑公共二手信息的产物
品味来自不可速成的长期训练
在生成成本无限趋近于零的时代，真正稀缺的是你一眼看穿什么选题值得写、哪组论据立得住、哪种叙事具有直击人心的力量
AI 改变的只是你和材料打交道的阻力与流转效率；但整条产线里，主语永远是创作者，宾语永远是现实材料，AI 只是那个负责加速的动词
现在每天早晨打开 Tina Focus，我心里觉得踏实，它成了我真正想要、并且每天都离不开的工作台。
如果你手上也有那么几个当初兴致勃勃折腾完、如今自己碰都不想碰的废稿或半成品，不妨抽空把它翻出来看一眼：
你当初是没把它向模型交代清楚，还是压根自己就没想清楚？
方法论参考：汉洋《给人文工作者的 AI 使用指南》（hanyang.wtf/p/ai，2026-03-05，整理自播客《诗梳风》）。本文的实践与判断来自我自己的项目。