用了很久AI以后,我们越来越觉得:重要的不是Prompt,而是怎么和一起工作

这几年，使用AI的频率越来越高。

科研中讨论研究问题、梳理数学模型、修改论文；教学中设计课程、准备PPT、讨论课堂问题；平时写微信公众号、整理材料、制作配图，也经常会用到AI。

用得多了以后，最近反而重新开始思考一个很基础的问题：

到底应该怎样使用AI？

以前我们谈AI使用，经常会谈Prompt。

比如，要给AI足够的上下文；要给AI设定角色；要把复杂问题拆解成多个步骤；要明确输出格式……

这些当然都没有错。

但使用时间长了以后，我们越来越觉得，真正重要的可能已经不是“怎样写出一个厉害的Prompt”，而是：

怎样形成一种适合自己的、人与AI共同工作的方式。

一、在问AI之前，先把自己的想法写下来

这是一个个人习惯问题。

遇到一个稍微复杂的问题，我们一般不会马上打开AI，输入一句：

“这个问题应该怎么办？”

更多时候，我们会先自己想一遍。

而且不仅是在脑子里想，我们通常会把想到的东西写下来。

有时候写在Word里，有时候直接写在对话框里。

刚开始写出来的内容，往往并不完整。

可能有几个想法，有几个疑问，有一些相互关联但还没有完全理清楚的东西。有时写着写着，还会发现前面的想法有问题，于是再补充几段。

最后贴给AI的，常常不是一句精心设计的Prompt，而是一大段有点零散、但包含了我们真实思考过程的文字。

我们发现，这种方式可能适合AI。

因为“写下来”本身就是一次轻度的思考和整理。

很多原本只存在于脑子里的模糊想法，一旦试着用文字表达出来，问题本身就会清楚一些。

而AI又特别擅长做另外一件事情：

把人已经想到、但还比较零散的内容进一步梳理、结构化，并帮助我们继续往下推演。

所以，我们现在越来越喜欢这样一个过程：

自己先想 → 把想法写下来 → 交给AI梳理 → 再继续判断和思考。

这里有一个很微妙的区别。

我们并不认为一定要把问题完全想清楚以后，才能去问AI。

如果已经全部想清楚了，很多时候也没有必要问了。

但另一方面，也不太建议自己还没有开始思考，就把整个问题直接扔给AI。

所以更准确地说：

不必等想清楚了才问AI，但最好先想、先写，再和AI一起把它想清楚。

二、好的结果，很多时候并不是因为有一个“神奇的Prompt”

以前学习AI使用时，大家很喜欢研究Prompt。

比如：

“你是一名具有20年经验的资深编辑……”

“请按照以下五个步骤进行分析……”

“请从专业性、逻辑性、创新性三个方面进行评价……”

这些方法当然有用。

但我们现在越来越觉得，很多时候决定AI回答质量的，并不是最后这一句话写得有多漂亮，而是前面已经积累了多少有效的上下文。

举一个常遇到的例子。

写微信公众号文章时，经常需要给文章配一张图。

通常我们不会一开始就告诉AI：

“请生成一张16:9的图片，采用某某配色，左边放什么，右边放什么……”

实际过程往往完全不是这样。

我们可能先和AI讨论很久这篇文章到底要讲什么。

核心观点是什么？

内容应该分成几个部分？

不同内容之间是什么关系？

用什么样的比喻比较合适？

标题怎么写？

甚至具体哪句话放在图上，我们也可能讨论几轮。

等这些事情都讨论清楚以后，我们最后可能只说一句：

“请帮我配个图，发微信公众号用。”

结果生成出来的图片往往就比较符合预期。

如果把这句话单独拿出来，它显然算不上一个好的Prompt。

但真正发挥作用的，并不只有最后这一句话，而是前面整个讨论过程形成的Context。

所以有时候别人看到公众号里的图片，会问：

“这个图是用什么Skill画的？”

我们反而不知道应该怎么回答。

因为很多时候并没有一个专门的“绘图Skill”。

这张图只是前面整个思考过程最后的视觉表达。

内容已经想清楚了，信息结构已经梳理好了，层次已经确定了，文字也已经确定了，最后“出图”反而变成了一件很自然的事情。

所以我们现在越来越觉得：

一张好图，不一定来自一个很厉害的绘图Prompt；很多时候，是因为前面的事情已经想清楚了。

三、比“角色设定”更重要的，是告诉AI目的和标准

以前讲Prompt时，还有一个很常见的方法，就是给AI设定角色。

比如：

“你是一名资深学术编辑。”

“你是一名运筹优化领域的专家。”

“你是一名有丰富教学经验的大学教师。”

角色设定依然有用。

它可以帮助AI快速建立一个工作视角。

但现在我们觉得，仅仅告诉AI“你是谁”，还不够。

更重要的是告诉它：

我们现在为什么要做这件事情，以及什么样的结果才算好。

比如修改论文，与其只说：

“你是一名资深学术编辑，请帮我修改下面这段文字。”

不如进一步告诉AI：

这是一篇准备投稿高水平学术期刊的论文；希望表达严谨、简洁；不要为了语言华丽增加没有必要的内容；专业术语要保持准确；修改文字的同时不要改变原来的研究逻辑。

这些信息比“资深学术编辑”这个角色本身更加重要。

所以现在如果重新总结这一点，我们可能不会再简单地说“给AI设定角色”，而会说：

告诉AI工作的背景、目的和质量标准。

角色只是其中的一种方式。

四、复杂的问题，不要急着让AI一次做完

这是我们在科研中感受特别明显的一点。

比如建立一个数学模型。

理论上，我们完全可以把数据、研究背景和已有材料全部交给AI，然后说：

“请建立一个完整的数学模型。”

AI现在确实越来越有能力完成这样的任务。

但我们一般不太喜欢这么做。

我们更习惯一步一步讨论。

我们研究的到底是什么问题？

决策变量是什么？

目标函数应该表达什么？

为什么要加入这个约束？

这个变量到底有没有必要？

如果模型求出来以后出现某种结果，从实际管理角度能不能解释？

讨论到一半，如果发现最开始的思路有问题，就退回来重新讨论。

有时候一个模型会这样来来回回很多轮。

从效率上看，这似乎比“一次生成完整模型”慢很多。

但对科研来说，这些中间过程恰恰是最重要的部分。

因为科研并不只是最后得到一个公式、一张表或者一篇论文。

为什么这样做，而不是那样做？

这个假设是否合理？

这个结论到底说明了什么？

这些判断本身就是研究的一部分。

所以我们现在更愿意把AI看成一个可以不断讨论问题的搭档，而不是一个“输入问题—输出答案”的机器。

复杂问题真正有价值的使用方式，往往不是：

问题 → AI → 答案

而是：

人的初步判断 → AI反馈 → 人的评价 → 修改问题 → 再讨论 → 再判断……

在这个过程中，AI参与了思考，但人并没有退出思考。

五、人与AI之间，其实也需要“磨合”

还有一个感受，是长期使用以后才越来越明显的。

人与AI之间其实也存在一个相互熟悉的过程。

刚开始使用时，我们需要不断告诉AI：

我在做什么；

我的专业背景是什么；

这项工作的目标是什么；

我喜欢什么样的表达方式；

哪些东西我比较在意。

但是使用时间长了以后，一方面，AI逐渐能够利用项目、历史对话和长期上下文，更好地理解我们的工作背景和一些稳定偏好。

另一方面，人其实也在不断了解AI。

我们会慢慢知道：

什么事情AI特别擅长；

什么事情它看起来很有信心，其实容易出错；

什么时候应该给它更多上下文；

什么时候应该把问题拆开；

什么时候适合直接生成图片；

什么时候数学图必须用Python精确绘制；

什么时候应该让AI快速回答，什么时候值得让它进行更深入的推理。

这其实是一个双向的过程。

所以我们现在觉得，“学会使用AI”并不只是：

人学会怎样问AI。

更进一步，是：

人和AI逐渐学会怎样一起做事情。

这有点像两个人长期搭档。

第一次合作时，很多事情都要解释得非常详细。

合作久了以后，一句话，对方可能就知道你大概想做什么。

当然，这种“默契”并不意味着AI会永远准确记住所有事情。重要的资料、确定的结论和正式成果，仍然应该通过文件、项目资料等方式保存下来。

但长期磨合本身，确实会显著改变人与AI协作的体验。

六、Chat、Work、Agent，并不是从“初级”到“高级”

现在AI又出现了另外一个明显趋势：越来越强调Agent。

除了普通的聊天式问答，还有Work模式、Codex等。

一种很容易形成的印象是：

普通聊天比较初级；

Work更高级；

Agent更高级。

但我们现在不太这样理解。

它们更像是不同的人机分工方式。

普通Chat的特点是，人参与得非常频繁。

我们提出一个想法，AI回答；我们判断以后继续追问；发现不对，再退回来。

它特别适合：

我和AI一起想。

Work更适合把一个相对完整的任务交给AI。

给它资料，告诉它目标和要求，让它完成比较长的、多步骤的工作，中间人在必要的时候进行监督和纠偏。

它更接近：

我把一项工作交给AI完成。

Codex这样的Agent，则特别适合代码、数据处理、软件工程等技术任务。

所以我并不觉得，AI使用能力提高以后，就一定应该逐渐从Chat转向Agent。

对于科研来说，很多时候我们反而非常喜欢普通的对话模式。

因为在研究问题还没有想清楚的时候，我们需要的不是一个Agent替我连续工作半个小时，然后交给我一个完整结果。

我们需要的是：

它每走一步，我都能想一想；我想完以后，我们再走下一步。

当然，等研究方案已经确定，需要整理大量资料、处理数据、执行代码或者制作完整成果时，把这些工作交给Agent又非常合适。

所以真正需要判断的可能不是：

“我要不要使用Agent？”

而是：

这件事情，现在应该和AI一起想，还是已经可以交给AI去做？

七、也不必总想着使用“最强”的模式

类似的情况还出现在模型和推理强度的选择上。

现在AI往往提供即时、中、高等不同的推理强度。

我们平时其实很少来回切换。

大多数时候，我们更喜欢使用自己已经熟悉、响应速度快、工作节奏稳定的模式。

遇到特别复杂、确实需要深入推理的问题，再考虑提高推理强度。

原因也很简单。

AI现在已经越来越像一种日常生产力工具。

生产力工具当然越强越好。

但与此同时，稳定、熟悉、响应速度以及人与工具之间已经形成的工作节奏，本身也是生产力。

有时候，一个问题让AI一次思考很久，给出一份非常完整的答案，并不一定比人与AI快速来回讨论五轮更有效。

特别是在科研和教学设计中，我们往往更喜欢后者。

因为在来回讨论的过程中，我们自己也一直在思考。

八、最后：AI是在帮助我们形成能力，还是帮助我们绕过能力？

最近给研究生讲AI使用时，我一直在问学生一个问题：

AI是在帮助我形成能力，还是帮助我绕过能力？

我觉得这个问题可能比“怎样写Prompt”“怎样用Agent”更加重要。

AI越来越强，我们当然可以把越来越多的事情交给它。

以前需要几个小时完成的事情，现在可能几分钟就能完成。

这当然是技术进步带来的生产力提升。

但对于学习和科研来说，我们可能还需要多问一步：

哪些事情可以放心交给AI？

哪些事情应该和AI一起完成？

哪些判断仍然必须由自己做？

如果一个学生还不会建立数学模型，就让AI直接生成完整模型；还没有理解论文，就让AI直接写综述；还没有形成自己的判断，就让AI直接告诉自己“应该怎么想”——那么效率虽然提高了，但一些本来应该形成的能力，也可能被绕过去了。

反过来，如果自己已经有了初步思考，把这些想法写下来，让AI帮助梳理；利用AI发现逻辑漏洞；让AI提出不同观点；在反复讨论中修改自己的判断，那么AI就不只是一个替我们完成任务的工具。

它也可以成为一个帮助我们思考的工具。

所以，用了很久AI以后，我现在越来越觉得：

真正重要的，已经不是学会几个Prompt，也不是永远追求最强的模型、最复杂的Skill或者最先进的Agent。

更重要的是，在不断使用的过程中，逐渐找到一套适合自己的工作方式：

什么时候自己先想，什么时候和AI一起想，什么时候可以放心地交给AI去做。

也许，这才是AI真正成为生产力工具之后，我们更需要学习的一件事情。