夜雨聆风我用 Codex 做了个自动填表脚本。把一家三口的护照信息存进 Excel，让它识别字段、填进申根签证表，几秒钟，逐项核对，0错误。
这是 AI 最擅长的事：重复的、机械的、不需要任何判断的工作。
于是我顺手让它处理签证照片——35×45mm，排版到 6 寸相纸，方便打印。
第一版，差强人意。我开始补指令：强调尺寸，分辨率，裁切。第二版，更差。继续改。它在比例、边距、像素之间反复横跳，像一个被骂懵了的人，每次修改都在重新理解这件事，而不是在上一轮的基础上往前走。
最后的结果，不如第一版。
很多人把这个体验归因于"AI 还不够好"，但微软研究院和 Salesforce 去年发表的联合论文给了另一个解释：测试 15 个主流模型，同样任务单轮完成率约 90%，拆成多轮对话后平均跌到 65%。更关键的是——一旦模型在某一轮走错了方向，无论你怎么继续对话，都很难把它拉回来。
研究者给这个现象起了个名字：lost in conversation。迷失在对话里。
这就是"AI 实习生"这个比喻最大的问题。
实习生做错了，你指出来，他在原有基础上改——80分、85分、90分，线性收敛，最终停在他的能力上限。AI 不是这样工作的。你以为在给反馈，它其实在做一道越来越复杂的方程：变量越多，解越不稳定。你以为在调教它，它其实在平衡所有历史指令的综合压力，每往前一步，都在扰动之前已经稳定的部分。
你给它加一个约束，它就在别处松一颗螺丝。
这里有一个我们集体信以为真的幻觉：和 AI 交互越久，它就越懂你。这个直觉从人类协作经验里来，合情合理——但AI 没有记忆，没有情绪，也没有"吸取教训"的机制。每一轮对话，它都在重新权衡，而不是在积累。
我们把"多轮对话"体验理解成"协作关系"，但它其实更像是：每次你说一句话，它就重新洗一次牌。
所以那个最常见的用法——"把任务丢给 AI，不断提出要求，直到满意"——恰恰是最低效的用法。
AI 能做的：有明确输入、固定规则、单轮可以判断完的任务。
AI 不适合的：需要在反馈中持续校准、最终对齐一个模糊目标的过程。
后者，是专业人士花了几十年才学会的东西。不是因为它难，而是因为这件事的本质不是"执行"，是"判断"——而判断，是从错误里长出来的，不是从指令里读出来的。
我最后放弃了让 AI 做签证照片，自己手动做完。
让 AI 快速把你从 0 带到 80%，然后自己接手。因为最后那 20%，不是靠加一条指令解决的。
那 20%，是经验。
