夜雨聆风事情是这样的。
上周六我在家闲着没事，打开自己的 ChatGPT 和 Claude 对话记录，一条一条往回翻。翻了大概一个多小时。翻完之后我坐在椅子上愣了大概三十秒。
因为发现了一个我自己都没想到的事。
我原以为我用 AI 的方式挺多样的，写文章、查资料、改代码、整理笔记、翻译东西、头脑风暴，每天点开十几个对话，每个都在做不同的事。但当我真的把它们一条一条列出来，我发现根本不是这样。所有任务，我做过的所有 AI 任务，翻来覆去就四种。
不是"用 AI 能做什么"的那种大分类。是你在打开对话框之前，就应该先判断这次属于哪种，因为不同类型的任务，你对待它的策略应该完全不一样。用错了策略，你不是在偷懒，你是在给自己制造未来的返工。
我先把这四种列出来，然后再一个一个说为什么用错策略的后果比你想象的严重。
第一种，一次性查询。
就是那种你问完拿到答案就关掉，下周、下个月、明年都不会再来一遍的任务。比如你想快速了解一下某个新概念是什么意思，想让 AI 帮你算个数，翻译一段话，查一个冷门事实，把一段文字换个语气。你干完这票就收工，下次不会再问同一个问题。
这类任务最怕什么？
最怕的是你花十分钟调 Prompt。
你写了一个特别精致的指令，告诉 AI 请用表格输出，请分三个维度，请附带一个案例，请用某某某的语气。你花了十分钟，拿到一个漂亮的答案。然后你关掉了。再也没打开过。
这十分钟是你那天最大的时间浪费。
我说这个不是让你从此随便写 Prompt。是你得分清楚，这个任务值不值得我们花那个时间。你给一次性查询写了个十分钟的 Prompt，就像一个路人问你路，你给他画了一张全彩色带比例尺和等高线的地图。他人很好，收到地图很开心，然后拐了个弯再也没出现过。
我问过很多身边的朋友，你们有没有过这种经历，给一个其实只用一次的问题写了特别长的 Prompt？十个人里有九个说有过。包括我自己。人在刚接触一个新工具的时候特别容易这样，觉得要认真对待每一次跟 AI 的对话让它发挥最大价值。
但你不认真对待的恰恰不是这一次对话。
你不认真对待的是你真正需要花时间的那些任务。
一次性查询的判断标准很简单。每次点开 AI 之前，问自己一句话，下周我会不会再做一遍这件事？答案是「不会」。快进快出。Prompt 写到够用就行，AI 答得大概对你就大概用，一分钟问完一分钟走人。
好，那如果是「会」呢？
那就是第二种了。
第二种，重复执行。
这类任务特别好认。你做着做着突然发现，咦怎么每次打开 AI 说的第一段话都长得差不多？「我是一个公众号博主，我的读者主要是...」「我有一份项目周报，包含了以下几个部分...」「请帮我检查这段代码，格式规范参考...」
你每天都在跟 AI 重新自我介绍一遍。
说真的，我自己以前也是这样。每天早上打开 Claude，第一件事就是粘贴一段项目背景，告诉它我在维护一个知识库，目录结构是什么样的，哪些文件不要碰，输出的格式该长什么样。每天。每天早上。天天如此。我大概重复了快两个星期。
有一天我突然在想，我在干什么？我为什么要每天早上都跟一个记性跟我一样差的东西重新自我介绍？AI 是没有长期记忆的，但我有啊。我可以把这段自我介绍存下来啊。
然后我就存了。就两段话。一段告诉它是谁在干嘛背景是什么，一段告诉它输出什么格式字数多少。每次直接粘贴，五秒钟。不用再每天花两分钟解释一遍了。
但这个故事的真正重点不是你省了多少时间。
两分钟一天，你感觉不出来。人类对两分钟没有什么实感。但如果一个任务你每天都要做，一年就是七百分钟，十几个小时。你拿这十几个小时去睡觉、去看个电影、去跟朋友吃顿饭，哪个不比每天跟 AI 自我介绍一遍强？
而且人类的大脑对「微小但重复的时间浪费」有一个特别有意思的盲区。你每天花两分钟跟 AI 解释自己是谁，你不会感到疼。你真的感觉不到。但如果告诉你一年要花十几个小时做这件事，你就会觉得疼了。
这个盲区有个名字。
心理学上叫「峰终定律」的一个变体，诺贝尔奖得主卡尼曼提出来的。人对痛苦的感知不是总量的累加，而是由最痛苦的那一刻和结束那一刻决定的。每天两分钟的微小消耗，因为没有"最痛苦的那一刻"，所以你的大脑直接忽略了它。
这就是为什么很多人一年下来觉得「我一直在用 AI 但好像也没省多少时间」。
不是没省。是省下来的时间被你更大量地浪费在了一些你根本感觉不到的微小重复里了。
所以第二类的策略简单到不像话。模板化。一次写好，每次粘贴。如果一件事你连续做了三次以上，输入和输出都长得差不多，立即写模板。不要等。不要觉得「哎这个太简单了不值得」。就是因为它太简单了，它才每天偷你的时间你还没感觉。
好，第三种。
需要判断。
这类任务的典型场景是这样的。你让 AI 给你 5 个选题，你得挑哪个能写。你让 AI 生成一份合同草案，你得改条款。你让 AI 搭了一套工作流，你得验收是不是每个节点都跑通了。
AI 能出方案，但方案好不好、能不能用，你说了算。
这类任务最容易掉进的坑是什么？
把判断权交给 AI。
你肯定见过这种场景。AI 给了 5 个选题，第一个看起来还不错，你就直接拿去写了。AI 给了一个文案方案，扫了一眼觉得「还行」，改了两个错别字就发出去了。AI 帮你总结了一份行业报告，你看都没看仔细就放进周报里了。
我以前也这样。经常这样。直到有一次我让 AI 帮我写了一篇稿子，我觉得写得挺好的，准备直接用。然后我一个朋友路过看了一眼，说，「哎你这个开头说的去年发生了什么什么，这个数据不对吧？」
我当时就愣住了。
不是他不信我。是我自己都没认真看过那个数据。
后来我就养成了一个习惯。不是写更好的 Prompt。是每次收到 AI 的答案之后,先花三十秒问自己三个问题。第一，它说的有没有踩到你已知的坑？第二，这个答案能不能直接交给下一个人，你的设计师、你的客户、你的编辑能不能看懂直接拿去用？第三，你有没有一种「说不上来哪里不对但就是不太对」的感觉？
这三个问题每问一次大概花三十秒。但三十秒能省下来的返工时间，我跟你讲，远了去了。
发现没有，这三个问题没有一个是让 AI 变得更聪明的。它们都是在问我自己，你到底知不知道你要的是什么。说真的我有时候觉得我们对 Prompt Engineering 这件事有一点过度迷恋了。大家都在拼命研究怎么写好 Prompt，怎么用 CO-STAR 框架，怎么让 AI 输出得更精准。
但没人告诉你一件事。
如果你没有验收标准，AI 输出得再精准你也不知道它是不是对的。
就像你让一个人去帮你买东西，你的清单写得再详细，「买三斤苹果、要红的、不能有磕碰、装在纸袋里不要塑料袋」。很详细。人家买回来了。然后呢？你是不是还是要自己看一眼苹果有没有坏的？
你看那一眼，就是验收标准。
你觉得 Prompt 是解决问题的关键。但真正解决问题的是你知道什么答案是对的。很多人花大量时间把购物清单写得更详细，却从来不花时间想清楚什么样的苹果算好苹果。
这个逻辑延伸出去其实挺可怕的。你想想看，如果你做任何一个 AI 任务都没有验收标准，AI 给你的答案是 A，你觉得还行。AI 给你的答案是 B，你也觉得还行。时间长了，你慢慢就不知道 A 和 B 的区别了。你丧失了判断的能力。
不是被 AI 取代。是你把自己判断的能力主动让渡给了 AI。
所以对于需要判断的任务，我的策略是倒过来的。不要先想怎么把 Prompt 写得更漂亮。先想怎么判断 AI 的答案能不能用。验收标准比 Prompt 花活重要一百倍。
最后一种，需要积累。
这个我最有感触。
这类任务会反复出现，而且你每次做完都会学到一点东西。下次做应该比这次更聪明。但不一定是被动的变聪明，是你主动把学到的东西存下来了。
举个我自己的例子。我日常会让 Claude Code 帮我维护我的知识库。第一次让它干的时候，它一口气改了一堆不该动的文件。我花了一个小时恢复。然后我在规则文件里加了一条：不要动 X 目录。第二次它倒是不动 X 了，它去动了 Y。我又加了一条：目录规则扩展到 X、Y、Z 全部三个目录。第三次它又想动我的 frontmatter 里的一个字段。我又加了一条。
你看到这个过程了吗？
每一次 AI 跑偏，不是骂一句关掉。是花一分钟，把这条经验存下来。现在我的规则文件里大概有四十条禁止项。每一条都是一个真实的、发生过的事故。
这东西现在是我最值钱的资产。不是因为它里面有多少高深的知识，是因为每一行字背后都是一次我亲自踩过、亲自修好、亲自存下来的教训。
任何一个人拿到我的这个规则文件，把同样的 AI 配上去，可以少踩我这四十个坑。这就是积累的复利。
但你必须得做这件事。就是每次做完任务，花一分钟问自己，「这次有没有什么值得下次复用的？」
这个问题我几乎每天都在问自己。有时候是发现了一个好用的 Prompt 片段，存下来。有时候是发现以后不要再说某句话了，记下来。有时候是 AI 的输出格式老是不对，写一个格式模板，以后自动引用。
存下来这动作每次只花一分钟。
但存三十次之后，你打开的是三十条以后不用再解释的东西。存到一定数量，你每一次用 AI 都比上一次更省力，因为你昨天存的规则，今天会自动生效。
这其实是一个非常古老的智慧。
安德鲁·卡内基有一句话被引用过无数次，「把我所有的工厂、设备、市场、资金全部拿走，只要保留我的组织人员，四年以后我仍然会是一个钢铁大王。」很多人拿这句话讲人才重要，但我觉得这话里藏着另一个意思。真正让你值钱的不是你现在拥有的任何一件资产，是你积累下来的「怎么把一件事做对、做快、不要再犯上次那个错」的经验系统。
卡内基的组织人员就是他的经验系统。我的规则文件也是。你的呢？
好，四种都讲完了。
我把它们放在一起给你看一眼。
一次性查询，问完就关，最怕花十分钟调 Prompt，策略是够用就走。
重复执行，天天做差不多的事，最怕每次都从零解释，策略是写一次模板用一百次。
需要判断，AI 出方案你来选，最怕把判断权交给 AI，策略是先想怎么判，再想怎么问。
需要积累，越做越聪明，最怕做了十次没变聪明，策略是每次踩坑补一条规则。
你发现没有。
这四种类型的核心问题都不是「AI 够不够聪明」。
是一次性查询你花了重复执行的时间。重复执行你当成一次性查询在做。需要判断你没有验收标准。需要积累你从来不记录。
Prompt Engineering 能解决的问题是什么？AI 能不能听懂你。
但分类框架解决的问题是，你值不值得花时间让 AI 听懂你。
不是所有任务都值得。
你今天就可以做一个小实验。把你过去一周的 AI 对话记录打开，每条对话扔进这四类。
然后你会发现三件事。
第一，哪些一次性查询你花了重复执行的时间。你给一个只用一次的问题写了精致 Prompt。
第二，哪些重复执行的任务你当成一次性查询在做。你每天都在跟 AI 重新自我介绍。
第三，哪些需要积累的任务你做了三个月，但没有留下任何东西。你每次踩同一个坑，但从来没把坑记下来。
这三件事比你背任何 Prompt 框架都管用。
因为框架教你怎么问。
但这四种分类教你什么时候该问，什么时候不该花时间问，什么时候问完了还得知道怎么判，什么时候问完了还得把学到的东西存下来。
这个世界上有太多人在教你写更好的 Prompt。
但我真心觉得。
在这之前。
你得先知道，这次值不值得写。
