两个让你心头一紧的场景
上个月,一位在金融行业做 CTO 的老朋友给我发微信吐槽:
"我让 AI 帮我写一份数据中心年度规划报告,它洋洋洒洒憋出 2000 字——通篇都是'需要综合考虑''建议加强协同''持续优化架构'。看似专业,一句能用的都没有。"
几乎同一周,另一位在制造业做战略的客户更直接:
"我让 AI 分析两家 GPU 算力虚拟化厂商的方案,它列的对比看起来都对,结论却似是而非——我完全没法基于它做决策,万一信错了呢?"
作为长期服务运营商、金融、制造、能源行业企业客户的顾问,我几乎每周都能听到类似吐槽。大家嘴里说的是"AI 不够聪明",心里想的是"是不是该换个模型"。
但在深度用了 AI 两年之后,我越来越确定一件事:AI 并没有变笨,是我们没学会和它协作。
问题根源:我们只训练了提示词,没训练"协作能力"
国内现在讲 AI 的内容,80% 都在教"怎么写提示词"。但提示词只是冰山一角。真正拉开差距的,是一整套与 AI 协作的元能力——包括把什么交给它、怎么跟它说、怎么判断它给的是不是对的、以及我作为人要担哪些责任。
我最近关注Anthropic 官方资源 ,它比较系统地把这件事讲清楚了。

AI Fluency 的完整骨架:4D 框架
Anthropic 把"和 AI 高质量协作的能力"拆成四个维度,四个都以字母 D 开头,分别是 Delegation(委派)、Description(描述)、Discernment(辨识)、Diligence(尽责)。
四个维度不是并列的清单,而是一个闭环工作流:
先判断什么该交给 AI(Delegation)→ 把意图清晰地说出来(Description)→ 批判性地检查产出(Discernment)→ 对最终结果担起责任(Diligence)。
这四步,缺任何一步,AI 协作都会出问题。大多数人一头扎进第二步"写提示词",但上游的 Delegation 没做好、下游的 Discernment 和 Diligence 全靠"感觉"——这才是真正的产出质量瓶颈。下面我一个维度一个维度拆给你看。
Delegation · 不是什么都该给 AI 做
Delegation 回答的是一个最容易被跳过的问题:这件事,到底该不该交给 AI?
它有三个子能力:
Problem Awareness(认识问题)——在让 AI 动手之前,你得先想清楚:我真正要解决的问题是什么?很多人上来就让 AI "帮我写个营销方案",但没意识到真正要解决的是"下周董事会的决策沟通"。问题定义错,AI 做得再漂亮都是白忙。
Platform Awareness(认识工具)——不是所有问题都适合 AI,也不是所有 AI 都一样。让 Claude 帮你处理长文档结构化、让 ChatGPT 处理英文创意、用国内模型处理监管合规场景——这是不同的平台判断力。更进一步:有些问题根本不该交给 AI(比如涉及公司机密数据的分析,或者需要现场把控的客户沟通)。
Task Delegation(任务拆分)——一个复杂任务,哪部分交给 AI、哪部分自己做?我的经验是:AI 擅长规模、速度、穷举;人擅长判断、共情、取舍。 咨询项目里,我会让 AI 做资料汇总、竞品整理、结构化对比,但战略判断、客户关系、最终结论永远是我自己写。这不是保守,是分工。
Description · 把话说清楚的 3P 框架

决定好交给 AI 之后,下一步是 Description——怎么把你的意图讲清楚。这一层有个极其好用的方法论叫 3P 框架:Product(产出)、Process(过程)、Performance(风格)。
Product Description · 产出描述——你要的交付物是什么?读者是谁、形态如何、篇幅多长、结构怎样。从"帮我写一份报告"到"写一份面向金融行业 CTO 的 GPU 算力市场分析,约 1500 字,分三章:市场格局、主流厂商对比、金融行业选型建议",质量立刻换档。
Process Description · 过程描述——你希望 AI 按什么路径思考?从"帮我做竞品分析"到"先对比技术架构(内核层虚拟化 vs 用户态劫持),再从性能损耗、兼容性、运维三个维度打分,最后总结差异化优势"。这一步把 AI 的推理路径"定制化",输出会立刻变得结构化。
Performance Description · 风格描述——以什么身份、什么语气表达?从"翻译得好一点"到"面向无技术背景的美国消费者,产品说明文风,美式英语,避免行业术语"。
顾问视角的一句话总结:交付物、路径、风格,任何一个缺失,AI 都只能靠"猜"。而 AI 的猜,永远是回归均值的"通用废话"。
Discernment · 与 3P 对镜检查

这是最被低估的一层。大多数人写完提示词、看到输出就直接复制走——问题是,AI 会一本正经地胡说八道。Discernment 就是那层"验收过滤"。
它的精妙之处在于:Discernment 的结构和 Description 完全对镜。
你对 AI 说了 Product,就要对照产出查:事实是否准确?结构是否完整?有没有编造的数据或不存在的引用?
你对 AI 说了 Process,就要对照路径查:它的推理有没有跳步?得出的每一个结论是否可以追溯?有没有用了你没要求的方法?
你对 AI 说了 Performance,就要对照风格查:语气是否匹配读者?用词是否适合场景?是不是又滑回了 AI 的"默认腔调"?
顾问视角的经验:我带团队时有个硬规矩——AI 的任何输出都必须"三层回查"。尤其是涉及数据、法规、竞品信息的场景。不盲信、但也不盲怀——按你说过的维度,逐项核对,这是企业场景下使用 AI 的底线能力。
Diligence · 你最终要替这份产出担责
Diligence 是 4D 的最后一块,也是大多数个人用户直接忽略的一块。它回答:我作为人,对这份 AI 协作的产物,要担什么责任?
它的三个子层是:
Creation Diligence(创作尽责)——该查的事实要查,该标注的引用要标,不能把 AI 的幻觉直接当成自己的洞察。
Transparency Diligence(透明披露)——在合适的场合,坦诚说明 AI 的参与程度。这不是贬低自己的工作,而是建立长期信任的基础——尤其对顾问、分析师、研究者这类"以输出为信任资产"的职业。
Deployment Diligence(部署影响)——这份产出交出去会产生什么影响?会被谁看到、用在什么决策上?如果可能造成伤害(比如误导决策、传播错误信息),你有责任在发出去之前把关。
一句话总结:AI 不是你责任的借口,是你能力的放大器。能力越大,责任越大,这句话在 AI 时代不是口号,是职场法则。
我的升级版:Why / What / How / Result 四维思考框架

3P 很扎实,但在实际服务企业客户的过程中,我发现它少了最关键的一环——Why(为什么)。
Product 和 Process 更多在讲"做什么""怎么做",但没有把"上下文和动机"显式拎出来。 而在真实的企业场景里,"为什么做这件事"往往决定了 AI 如何取舍、侧重哪个角度、规避哪些风险。
所以我在 3P 的基础上,沉淀出一个自己在所有提示词里都会用的四维框架:
- Why · 动机与上下文
——我为什么做?读者是谁?这份产出将用在哪个具体决策里?行业背景是什么?(3P 未显式覆盖,是核心升级) - What · 交付物
——形态、结构、篇幅、章节(≈ Product Description) - How · 过程
——推理路径、维度、先后顺序(≈ Process Description) - Result · 验收标准
——读者读完能做什么?风格是否匹配?(= Performance + Discernment)
这四步的顺序不是可选的,是刻意的:Why 决定 What,What 约束 How,How 产出 Result。上游没定,下游必漂。
举一个我最近真实用过的例子——OrionX vs HAMi 的竞品分析提示词:
Why:我在为某制造业客户的 AI 平台选型做技术建议。客户关心长期运维成本和国产化适配,决策要在下周选型会上拍板。What:一份 1200 字的竞品分析文档,三章:技术架构原理、核心能力对比、制造业行业适配建议。How:先拆解两者的虚拟化实现(内核层 vs 用户态);再用表格对比性能/兼容性/运维/成本四个维度;最后给出"制造业场景优先选哪一个"的明确结论。Result:读完这份文档,客户技术决策人能直接在选型会上拍板,文字风格偏"内部技术备忘录",不做营销话术。
加上 Why 之后,AI 产出的就不是"通用对比",而是"为这个客户、这个场景、这个决策定制的分析"。
这就是顾问和普通用户最大的区别:你不是在使用 AI,你在和 AI 共同思考。
今天就能做的一件事
读到这里,我建议你花 5 分钟做一件小练习:
打开你最近一次不满意的 AI 对话,用 Why / What / How / Result 四个维度重写一次提示词,再跑一遍。
对比两次产出,你会立刻感受到"讲清楚上下文"带来的质变。
企业 AI 落地的最大瓶颈,从来不是买模型、接 API——而是:企业的知识工作者有没有能力把业务意图翻译给 AI 听懂,又把 AI 产出判别清楚。 4D 是这份能力的底座,Why/What/How/Result 是我在一线摸出来的趁手工具。
会这一步的人,正在悄悄拉开和同事的差距。
这是我的「企业级 GenAI 落地」系列第一篇。后续会继续写:
如何为组织设计一份"AI 协作 SOP" 面向企业知识库的 RAG 实践陷阱 AI 时代,顾问/分析师这类职业的护城河在哪里
如果今天这篇对你有启发,欢迎留言分享你用 Why/What/How/Result 重写提示词后的第一个"惊喜时刻"。
作者:十余年企业 IT 咨询顾问与管理者,长期服务国内金融、制造、能源行业企业客户,现在深度使用 AI 的一线从业者。
夜雨聆风