夜雨聆风同一个 AI，为什么换个工具就像换了个人？
我的Hermes 起初接的是GPT 5.5模型，用的特别顺手，
后面接了我的Codex CLI里的API进去使用，模型都是一样的，
使用后我第一反应不是“太厉害了”。
而是：
这个东西怎么这么像一个临时工？
它把活往前推了，可我总觉得哪里不对。 它给了结果，但没有告诉我为什么这么做。 它改了文件，但没有把风险、过程、下一步讲清楚。 它像一个很能干的人突然闯进办公室，拿起刀就开始干活。
问题是，我要的不是一个只会动手的人。
我要的是一个知道我怎么做事的人。
这件事让我重新确认了一个观点：
你以为 AI 好不好用，取决于模型。
但真正决定体验的，往往是模型背后的那套工作系统。
一台发动机，装到不同车上，开起来不一样
很多人买 AI 工具时，最关心一个问题：
它用的是什么模型？
GPT？Claude？Gemini？DeepSeek？
这个问题当然重要。
但只看模型，就像买车只看发动机。
同一台发动机，装在跑车上，追求速度。 装在救护车上，追求稳定和安全。 装在卡车上，追求载重和耐用。
发动机一样，车完全不一样。
AI 也是这样。
同一个模型，放进不同工具里，会变成不同的人。
有的像程序员，擅长改代码。 有的像客服，擅长说好听的话。 有的像搜索助手，擅长找资料。 有的像项目助理，会先问目标、查现状、做记录、留交接。
模型只是发动机。
真正决定它像谁的，是外面那辆车。
为什么同一个 AI，有时像熟人，有时像陌生人
我以前也容易低估这件事。
以为只要模型够强，换到哪里都差不多。
后来发现不是。
一个 AI 要变得“好用”，至少要有四样东西。
第一，它要知道自己是谁。
不是简单说一句“你是一个助手”。
而是要明确：你负责什么，不负责什么。什么时候可以直接动手，什么时候必须先停下来问。你是写代码的，还是做内容的，还是帮我管理项目的。
如果没有这个角色边界，它就会什么都想做，最后做得很乱。
第二，它要知道我怎么做事。
比如我不喜欢只听一句“完成了”。
我需要看到路径、证据、验证结果。
文件在哪里？改了什么？有没有风险？失败了卡在哪？下次谁接手要先看什么？
这些习惯不是模型天生知道的。
你不告诉它，它就会按普通工具的方式交差。
第三，它要能接上项目现场。
一个真正能干活的 AI，不应该每次都从零开始问：你现在做到哪了？
它应该先看项目记录。
现在版本是什么？上一次卡在哪里？哪些文件已经生成？哪些结果还没验证？
没有现场记录，AI 再聪明也只能靠猜。
第四，它要有收尾动作。
很多 AI 工具最大的问题，不是不会干活。
是干完以后现场一片狼藉。
文件散着。 命名乱着。 风险没人说。 下一步没人留。
你第二天回来，还得重新摸一遍。
这就是为什么有些 AI 看起来很强，用起来却很累。
它只完成了任务，没有维护系统。
真正的差别，不在“智商”，在“习惯”
一个很简单的例子。
你让两个人整理一个房间。
第一个人动作很快。
他把东西全塞进柜子，地面看起来干净了，然后告诉你：整理完了。
第二个人慢一点。
他会先问哪些东西常用，哪些要归档，哪些不能丢。 整理完以后，还会贴标签，留下清单，告诉你下次去哪里找。
表面看，两个人都完成了“整理房间”。
但你下次真正要用的时候，差别就出来了。
AI 也是一样。
一个 AI 如果只追求“把任务做完”，它就是一次性劳动力。
一个 AI 如果能把过程、风险、资料、下一步都留下来，它才开始像一个长期同事。
这不是玄学。
这是工作习惯。
让 AI 变好用的，不是多写几句提示词
很多人遇到 AI 不听话，第一反应是写更长的提示词。
“你要认真。” “你要专业。” “你要一步一步思考。” “你要符合我的风格。”
这些话有用，但不够。
因为真正的问题不是一句提示词太短。
而是你没有给 AI 一套可以反复执行的工作环境。
如果你希望 AI 长期帮你干活，可以从五件小事开始。
一，给它一张角色卡
不要只说“你是我的助手”。
要写清楚：
你负责什么。 你不负责什么。 你遇到风险时怎么处理。 你做完以后要交付什么。
比如一个写代码的 AI，就不要让它随便改你的内容策略。
一个写文章的 AI，也不要让它随便碰你的系统配置。
人要分工，AI 也要分工。
二，给项目留一张进度表
每个项目都应该有一个很简单的状态文件。
不用复杂。
只要写清楚：
现在做到哪一步。 已经有哪些产物。 哪些已经验证。 哪些还没做。 下一步建议是什么。
这样任何 AI 接手，都不用靠猜。
它先读现场，再继续干活。
三，给操作划边界
有些事可以直接做。
比如读文件、查资料、整理草稿。
有些事必须先问。
比如改配置、删文件、发布内容、动账号、碰支付。
这个边界不提前写清楚，AI 就容易出现两种问题。
要么太怂，什么都问。
要么太猛，什么都敢动。
好用的 AI，不是胆子大。
是知道什么时候该快，什么时候该停。
四，让它每次都留下接续包
一个任务结束，不能只说“完成”。
至少要留下六样东西：
产物在哪里。 改了哪些文件。 怎么验证的。 还有什么风险。 哪些地方不确定。 下一步怎么接。
这一步很小，但非常关键。
因为 AI 最大的浪费，往往不是算错。
是每次换工具、换窗口、换模型，都要重新解释一遍。
五，把好方法沉淀下来
如果某次任务跑通了，不要只高兴一下。
把它变成模板。
下次再做同类事情，就不用重新摸索。
如果某次踩坑了，也不要只骂工具。
把坑写下来。
下次 AI 再遇到同类问题，就知道怎么避开。
这才是个人使用 AI 和真正搭系统的区别。
不要迷信“同一个模型”
以后判断一个 AI 工具，不要只问：
它是不是用了最强模型？
更应该问：
它有没有角色？ 它有没有记忆？ 它有没有项目现场？ 它有没有权限边界？ 它有没有交接习惯？
没有这些东西，再强的模型也只是一个聪明的临时工。
有了这些东西，模型才会慢慢变成你的工作伙伴。
这也是我这次最大的感受。
AI 的能力当然重要。
但真正拉开差距的，不是某个模型参数多一点。
而是你有没有把自己的做事方式，变成一套能被 AI 继承的系统。
模型会变。
工具会变。
但你的工作方法不能每次都从零开始。
如果你现在也觉得 AI 工具“有时候很强，有时候又很不像自己人”，可以先做一个最小动作：
给你最常用的 AI 写一张角色卡。
只写四行就够：
你是谁。 你负责什么。 你不能碰什么。 你做完必须留下什么。
别急着追下一个新模型。
先让现在这个 AI，学会怎么在你的世界里干活。
元核子AI · 看完就知道 AI 真能干活
* 文中配图由 AI 生成/辅助制作