夜雨聆风最近，海龙老师在公众号和微信群里面，教很多财务人使用vibecoding工具，解决自己的问题，在使用 AI 编程工具时，发现两种误区：
👶 保姆式
"帮我读这个 Excel，对比那个 Excel，按金额匹配，误差 0.01 算相同，输出差异……"
结果：你步步紧盯，害怕说漏一个细节就跑不通，人累得半死。
🛋️ 甩手掌柜式
"帮我做个对账工具。"
结果：等 AI 盲猜业务逻辑。跑出来的东西完全不符合实际，根本不能用。
这两种都不合适。前者累人，后者雷人。
如今的 AI 编程工具早已超越"执行指令"阶段，它能做需求拆解、出技术方案、自动写测试。但它不是神仙：它不懂你的业务场景，也不清楚你的数据长什么样。
正确用法是：你定方向，AI 出方案；AI 先自测，你最后抽查。
我把这套方法总结为一个词：意图驱动法
一、什么是意图（Inten）？
Intent 来自拉丁语 intendere： in- = 向内、朝向，endere = 拉伸、指向
字面意思："将注意力拉伸向某个方向"。
它不是"想法"（idea），不是"要求"（request），而是你心里那个明确的指向。
一句话理解：提示词不是"说什么"，而是"指向哪"。
Intent 的三个层次
写提示词前，先问自己：我到底在哪一层？
🔹 Surface Intent（表面意图）• 含义：你嘴上说的• 提示词表现："帮我写一篇文章"• 问题：太宽泛，AI 只能猜
🔹 Deep Intent（深层意图）• 含义：你真正想要的• 提示词表现："让读者看完后愿意付费报名"• 关键：把业务目标翻译成语言
🔹 Root Intent（根意图）• 含义：你为什么要这个• 提示词表现："完成本月营收目标，验证新渠道转化效率"• 价值：让 AI 理解上下文，做出更精准判断
🚫 常见误区：大多数人只写了 Surface Intent，然后抱怨 AI 不够聪明。
✅ 正确做法：写提示词时，至少写到 Deep Intent 层。
从第一性原理看：
LLM 的本质是一个"意图放大器"。
你给一个模糊的意图 → 它放大模糊 → 产出垃圾。你给一个精确的意图 → 它放大精确 → 产出利器。
AI 不是在"猜"你的意思，而是在把你给的意图拉伸到最大。所以：
📌 提示词的质量 = 意图的清晰度 × 意图的完整度
• 词藻再华丽，意图模糊 = 0• 文字再粗糙，意图清晰 = 有效
💡 核心认知：不要追求"写得好"，要追求"指得准
二、核心框架，与AI共舞
（下面的示例，只是举例，启发思路，并不代表真实有效）
第一步：提意图 + 给指导
你不需要教 AI 怎么读文件、怎么写循环。但你也不能只甩一句"做个对账工具"。
你需要提供两类信息：
1️⃣ 说清楚意图（我要解决什么问题？天天加班很累也是个意图）
2️⃣ 给关键指导（数据特征 / 历史经验 / 硬性规则）
🚫 错误示范（纯意图）："帮我做个对账工具。"
🚫 错误示范（纯保姆）："读 A 文件，读 B 文件，按金额匹配，误差 0.01，输出 C……"
✅ 正确示范（意图 + 指导）：
目的：把银行流水和账面数据对清楚，找出差异。
指导：
数据为Excel，注意读取方式 跨行转账有 1-3 天延迟，日期匹配可放宽 ±3 天 历史输出格式：匹配成功放 Sheet1，银行有、账面无、放 Sheet2（标黄），反之为 Sheet3（标红） 请帮我规划实现方案。
💡 技巧：意图是方向，指导是路标。路怎么走，让 AI 自己规划。
第二步：AI 规划 + 人确认
输入意图后，优秀的 AI 会先输出工作方案，而非直接写代码。
🤖 AI 典型回复示例：
为实现银行对账，建议以下步骤：
- 读取数据
：加载两个 Excel - 数据清洗
：统一日期格式（YYYY-MM-DD），金额保留两位小数，过滤空行 - 匹配策略
：主匹配（金额相同 + 日期相近±3 天）；辅助匹配（金额相同 + 摘要含相同关键词） - 输出结果
：按分表存放，附统计汇总 Sheet 请确认方案是否符合业务实际？
👤 你的动作：审核与拍板
方案是否覆盖全部业务规则？ 是否有脱离实际的假设？ 补充边界条件
✅ 你的反馈示例：
方案可行。补充一点：金额相同但摘要完全不同的（如"货款"vs"服务费"），视为差异，不匹配。
教练式协作闭环：你提意图 → AI 出方案 → 你拍板 → AI 干活。
你不需要懂代码，只需要懂业务。
第三步：AI 执行 + AI 自测
⚠️很多人在这一步踩坑：AI 写完代码直接跑，报错再返工，效率极低。
✅ 标准动作：要求 AI 先自测
写完后，请自动生成 500组模拟数据覆盖常规与边界场景，跑通测试并输出报告。确认无误后再交付最终脚本。
为什么必须自测？
过滤 80% 语法错误与逻辑漏洞 避免你拿到半成品反复调试 测试报告本身就能暴露 AI 的理解偏差
📊 AI 自测报告示例：
测试完成（通过）
正常数据匹配 → 通过 金额相同、日期差 2 天 → 通过 金额相同、摘要不同 → 通过（正确识别为差异） 空行处理 → 通过 编码兼容性 → 通过 脚本已就绪，请运行。
第四步：人抽查 + 迭代
AI 自测通过 ≠ 结果 100% 正确。真实数据永远比模拟数据复杂。建议用"抽查三板斧"验证：
查总量：核对笔数是否对得上。若发现匹配数 + 差异数≠总数，直接反馈："检查匹配逻辑，增加去重处理。"
查明细：随机抽样 10 条。若发现 0.01 误差被错误匹配，反馈："金额匹配改为严格相等，取消容差。"
查边界：检查退款（负数）、跨月、特殊字符等场景。发现问题直接描述现象，让 AI 补充逻辑。
💡 技巧：信任是动态比例，不是一次性决定
AI 自测 5/5 → 基础信任 80% 你抽查 10 条全对 → 信任升至 95% 发现 1 处偏差 → 信任回调，反馈修复后重新校准 AI 改代码的成本趋近于 0。迭代，才是杠杆。
三、信任分配模型：人机协作的最优解
海龙老师虽然天天吹捧AI，但AI并不是万能的，人类社会仍然将长期处于人机协作阶段，它不是"谁替代谁"，而是信任比例的动态分配。
AI 擅长：重复劳动、精确执行、批量处理、自我测试人擅长：定义目标、理解业务、判断边界、抽查验证
组合起来，就是岗位Agent化、财务智能体落地的最优解。
四、最后，海龙老师今天的文章，主要内容就是我们要学会和AI对话，要压榨AI，毕竟你是充了值，买了服务，AI要干好活，不能轻饶了它，但不意味着你当甩手掌柜，任由AI胡来，人类才是万物之灵长，你才是世界的主宰！
💡 核心原则：不当保姆，不当甩手掌柜。当教练。
💡 核心心法：信任是个比例问题，迭代是最佳杠杆。
📢 加入 AI 原生财务智能体社区
👉 入群请添加微信：linzhonglu267762