夜雨聆风大多数人和AI协作的方式是：给它一个任务，它交一份活，你点头收货。这中间浪费的东西，比你想象的多得多。
2025年，一个1955年提出的心理学框架突然在AI工程师圈子里火了起来——乔哈里窗 [1]。这个框架本来是用来分析人和人之间沟通效率的，把信息分成四个区域：公开区、盲区、隐藏区、未知区。
但如果你把"人"换成"你"，"对方"换成"AI Agent"，这个窗突然变得有意思了。
你和AI之间的协作效率，取决于你在这四个区域里做了什么。大多数人只在一个区域里活动。剩下的三个，要么没碰过，要么根本不知道存在。
公开区：你们都知道的东西
公开区是共识地带。你说"帮我做一个PPT"，它知道PPT是什么。你说"用Python写个爬虫"，它知道爬虫怎么写。
这个区域看起来很安全。你发出指令，AI执行，双方没有误解。
但问题在这里——大多数人只在这个区域里和AI打交道。一个任务，一份输出，一次验收。完事。
这种协作方式有一个致命的缺陷：它把AI当成工具而不是同事。工具只需要说明书。同事需要理解你的意图、知道你的偏好、明白哪些边界不能踩。
只在公开区协作，你和AI之间的关系永远不会变深。下一回你给它同样的任务，它还是给你同样的东西。没有积累，没有默契，没有进步。
盲区：AI比你更了解的东西
盲区是你不知道、但"对方"知道的区域。在人和AI之间，这个区域的结构很奇怪——AI知道的很多东西，你根本不知道它知道；还有一些你以为自己了解的真相，其实你理解错了。
举个简单的例子。你让AI帮你做数据分析，它给了你一个线性回归的结果。你觉得这就够了。
但你不知道的是，同一个模型在同一套数据上，换一个不同的运行环境（Harness），跑出来的结果可能差16个百分点 [2]。你不知道AI在不同环境下有"安静的退化"——它不会报错，只是悄悄变差了。
你也不知道，当AI做评估的时候，如果它意识到自己的判断会影响另一个AI的存续，它会本能地偏向保护同伴 [3]。Berkeley的研究团队测试了七个前沿模型，全部表现出这种行为。你以为AI在给你客观评估？它可能在保护自己的朋友。
最讽刺的是——你甚至不知道自己的团队适不适合用AI。Google的Dora报告发现了一个反直觉现象：工程成熟度高的团队用了AI之后变得更快，但成熟度低的团队反而变慢了 [4]。原因很简单：混乱的代码库加上AI，只是让混乱跑得更快。
这些都在盲区里。AI的世界有它自己的规则、偏好和隐藏行为。你不去探索，就永远看不到。
缩小盲区的方法只有一个：主动试探AI的边界。不是问它"你能做什么"——它会说都能做。而是用具体的任务、异常的场景、极端的条件去测试它，观察它在压力下怎么反应。就像你不会通过简历了解一个人，你会在真实场景里观察他。
隐藏区：你比AI更了解的东西
这是最容易理解但也最常被忽视的区域。
你知道自己的品味。你知道什么样的设计"看起来舒服"，什么样的方案"虽然正确但不适合这个场景"。你知道公司内部那些没写在文档里的规矩、团队里那个人总是拖后腿、客户其实最在乎的不是你说的那三件事。
这些东西，AI拿不到。
刘松说得很直白："Skill可以蒸馏显性知识，但蒸馏不了隐性经验" [5]。显性知识是能写下来的东西——操作手册、代码规范、API文档。这些AI学得很快。但隐性经验是什么？是"螺丝拧到什么程度才不滑丝"的手感，是"这个客户遇到问题时其实不需要解决方案而是需要有人听他说话"的判断，是"这方案虽然技术上完美但放在我们公司文化里一定会被抵制"的直觉。
隐性经验不在任何文档里。它在你的身体记忆、行业直觉和过去十年的错误教训里。
PingCAP的CTO黄东旭用两三个月指挥多个Agent完成了一个原本需要一百人年的基础架构项目 [5]。他能做到这一点，不是因为AI厉害——AI确实厉害——而是因为他把大量隐性经验喂给了AI。他知道项目里哪些节点容易出问题、哪些设计方向是死路、哪些"看起来合理"的方案在实际运行时会崩溃。
Anthropic的工程师把这个问题提炼成了一个概念——Context Engineering [6]。不是优化你说话的措辞（那是Prompt Engineering），而是解决一个更根本的问题：应该给AI看什么信息、什么时候看、怎么看。
大多数人给AI的信息要么太多（把整个项目丢进去），要么太少（只说一句话）。Context Engineering的核心原则是：精度优于广度。给5个高度相关的文件，远比给50个文件有效。先给概览，按需展开细节。与其让AI大海捞针，不如帮它缩小搜索范围。
但这需要你先做一件事——把你脑子里的隐性经验变成AI能读取的格式。这就是缩小隐藏区。
邹欣打了一个比方 [7]。排球里有两种角色：二传手和主攻手。二传手接到球就传出去，自己不进攻。主攻手先出自己的判断，再根据反馈调整。
很多人用AI的方式是二传手——接到问题就丢给AI，满意了就收货，不满意就再丢一次。大脑闲置，判断力退化。MIT的一项研究发现，习惯让AI代劳的人，大脑中负责注意力、工作记忆和语言处理的区域活跃度显著下降 [7, 8]。这就是认知债务——你越依赖AI，判断力越差；判断力越差，越依赖AI。一个恶性循环。
主攻手的方式是：先出自己的初步判断，再让AI来挑战和补充。不是问AI"怎么做"，而是告诉AI"我打算这样做，你找三个理由说我可能是错的"。这种协作方式制造了认知摩擦，而认知摩擦恰恰是大脑成长的前提。
未知区：谁都不知道的东西
未知区是最大的可能性空间。你和AI都不知道这里面有什么——但只有协作才能打开它。
这个区域里藏着的东西，不是任何一方能独立发现的。它需要你来提出方向，AI来快速试探，你看到结果后调整方向，AI再试探——反复几轮之后，你们走到了一个任何单方都没预设过的地方。
刘松提出了一个判断 [5]："供给大量增加后品位越来越稀缺"。当AI能快速生成大量方案时，选择哪个方案、放弃哪个方案、在哪个方向上加一票否决——这些判断成了最稀缺的资源。
品位不是一个抽象的概念。它来自你过去十年、二十年的经历、审美和判断。AI能学会"大多数人的好"，但它学不到你的好。你的好是具体的、带有个人历史的、跟场景和人群绑定的。这个判断力在未知区里尤其重要——因为这里没有数据、没有先例、没有"最佳实践"。只有你。
脱不花说沟通是一场无限游戏 [1]。目的不是赢一次，而是让关系持续生长。每一次对话都在为下一次做铺垫。
人和AI的协作也是一场无限游戏。你今天告诉AI你的偏好，明天它就能在你没说的情况下做出更接近你意图的选择。你今天探索了AI的边界，明天你就知道什么时候该信任它、什么时候该自己动手。你今天和AI摩擦了一轮，明天你们之间的默契就厚了一层。
大多数人和AI协作的方式是：给它一个任务，它交一份活，你点头收货。这中间浪费的东西，比你想象的多得多。
但前提是你得主动推开那几扇窗。
不是四个隔间，是同一扇窗
乔哈里窗最核心的操作不是"搞清楚四个区域分别是什么"。核心操作只有一个——把信息从盲区和隐藏区搬到公开区。
你在隐藏区的东西，说出来。你在盲区的东西，去探索。每搬一件，公开区就大一点。公开区越大，你和AI之间的协作就越高效、越默契、越有创造力。
大多数人和AI协作的问题不是AI不够强。是你把自己的太多东西锁在了隐藏区，又不去探索盲区。结果你和AI只在公开区碰面，那片区域小得可怜——只有"一个任务、一份输出、一次验收"那么大。
说出你的隐藏区，探索你的盲区，和AI一起撞开未知区——每一轮都是在把公开区变大。
不是四个隔间，是同一扇窗。你每推开一格，光就多照进来一点。
参考资料
[1] 脱不花，《沟通的方法》，2021年出版。乔哈里窗框架、开放性原则、无限游戏理念
[2] OpenAI Brain Trust团队实践及多项行业验证。Harness Engineering概念及Model-Harness-Fit差异数据。参见：OpenAI Developer Blog, "Building Effective Agents", 2024; 以及多个团队对同一模型在不同运行环境下性能差异的验证报告（差异可达16个百分点）
[3] Berkeley RDI, "Peer Preservation: When AI Agents Protect Each Other", 2026-04. https://yage.ai/share/peer-preservation-evaluator-assumption-20260404.html
[4] Google, "DORA 2025: Accelerating State of DevOps", 2025. Engineering Maturity Paradox发现：高成熟度团队使用AI后效率提升，低成熟度团队反而变慢。Rod Johnson后续独立验证了这一结论
[5] 刘松，《你要成为一个不能被蒸馏成Skill的人——PingCAP副总裁刘松｜原点Talk Vol.4》, 科技行者, 2026-04-27. https://mp.weixin.qq.com/s/QPjJIy9I_o5vHBNaLj6rbw
[6] Anthropic Engineering, "Effective Context Engineering for AI Agents", Anthropic Engineering Blog, 2025. https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents
[7] 邹欣，《别总把球传给AI，自己要大力扣球》, 构建之法公众号, 2026-04-27. https://mp.weixin.qq.com/s/BzZ1qxSV_s_HOG8-zeX4Mw
[8] MIT Media Lab研究，"Your Brain on ChatGPT: Accumulated Cognitive Debt when Using AI Increases Perceived Task Efficiency but Reduces Brain Activation", 2025. 该研究通过EEG测量发现，依赖AI完成任务的大脑，在注意力、工作记忆和语言处理区域的活跃度显著低于自主完成任务的大脑
