【深度 · AI时代的逻辑思维】驾驭AI技巧之:给 AI 参照系,别给答案

给 AI 参照系，别给 AI 答案

前几天我纠正 Lisa 的配图，一句规范都没讲。

Lisa 是我用 Claude Code 搭的内容 Agent，公众号、朋友圈、小红书都归它做。它给文章配的图，一直有个毛病：好看，但没用——做成了那种漂漂亮亮的氛围背景图，光影、渐变、科技感都在，可你盯着看半天，不知道它到底想说什么。

我没有打开对话框，跟它讲"配图第一要传达信息、第二要有版式、第三要……"那一套。我只是把两个文件夹甩了过去，里面是我自己一直在用的几十张信息图，然后说了一句话：

你参考一下，自己总结一套规范出来，给生图指令做一个框架。

就这一句。

结果它总结出来的东西，比我自己坐下来写一份规范还到位。它不光说清了"公众号配图不是装饰背景，而是信息图"这个核心，还自己归纳出了一张配图结构选型表——什么观点用对比型、什么观点用流程型、什么观点用卡片并列型——外加一套"先定结构、再填文字、最后加视觉"的写指令三步法。

我看完就在想：这件事，值得写一篇文章。

高手不给 AI 答案，给 AI 参照系

我先把这件事的判断说在前面。

很多人用 AI 用得很累，累在哪儿？累在他们总想"把答案告诉 AI"。他们以为自己越勤快、把规则写得越细、把每一步都规定死，AI 就做得越好。于是一份指令越写越长，一条规范改了又改，最后人比 AI 还累。

真正会用 AI 的人，做法是反过来的。

他们不亲手把框架喂给 AI。他们给 AI 两样东西：一批高质量的样本，和一个说清楚的目标。然后让 AI 自己去归纳出那个框架。

这就是我想说的那句话——给 AI 参照系，别给 AI 答案。

参照系是什么？是一组真实的、能看出门道的例子。答案是什么？是你替它想好的、嚼碎了的结论。

把答案喂给 AI，你得到的是一个执行你指令的工具。给 AI 参照系，你得到的是一个能自己长出判断力的协作者。这两者之间，差的不是一点点。

我之前写过一篇文章，讲跟 AI 协作的六个习惯——先说目的、划清正反边界、让它先复述理解、分步决策、预判危险、最后验收。那篇讲的是"怎么把话说清楚"，是沟通的颗粒度。今天这篇不一样，今天讲的是更上面一层的事：你到底该把什么交给 AI 去做。是委托的颗粒度。

这一层，比把话说清楚更难，也更值钱。

这件事的完整经过

我把 Lisa 配图这件事，从头到尾讲一遍，你就明白"给参照系"具体是怎么发生的。

第一步，我没有先讲道理。

按一般人的做法，纠正配图，第一反应是打开对话框开始讲："配图要承载信息，不能只是背景；要有标题，要有版式，最好分卡片，配色用深蓝……"讲一大段。这就是在喂答案。

问题是，我讲的这些，全是我脑子里已经抽象过一遍的结论。我把一手的、活的东西，压缩成了几句干巴巴的话再递给它。压缩的过程里，丢了大量信息。

第二步，我直接给了它原料。

我没讲道理，我把两个文件夹丢过去——里面是我实际在用的封面图、文中配图，几十张，全是真东西，不是我临时找的范例。然后只说：你参考一下，自己总结一套规范出来。

注意这里有两个关键动作：给的是真实在用的高质量样本，说清楚了要它产出什么（一套规范、一个框架）。

第三步，AI 自己抽象出了认知。

Lisa 看完这几十张图，自己得出了一个核心判断：原来公众号配图的本质是"信息图"，不是"装饰背景"。每一张图要独立讲清一个观点，要承载精准的文字，要用版式把抽象逻辑变得可视。

这个判断，我心里当然有，但我没说。是它自己从样本里看出来的。

第四步，它把认知变成了可执行的框架。

光有"配图=信息图"这个认知还不够，它接着把这套认知拆成了能直接用的工具：

一张配图结构选型表：对比型、卡片并列型、流程型、辐射型、时间线型、结构树型，每种对应什么样的观点；

一套写生图指令的三步法：先定这张图要表达什么观点、选哪种结构，再把每个位置的文字逐字写死，最后加配色、图标、箭头这些视觉元素；

还有一组实测出来的铁律，比如默认出 2K、文字越少越稳、复杂封面交给别的工具做。

你看，我给的是一句话加两个文件夹，它还我的是一套能立刻投入生产的方法论。

大多数人，是反着来的

讲到这儿，你可能会觉得这不是挺自然的吗？但现实里，大多数人用 AI，恰恰是反着来的。

他们的习惯是：先在自己脑子里把框架想好，再一条一条写给 AI。

要让 AI 写小红书，他们就先憋出一套"小红书爆文公式"，标题怎么写、开头几句、中间几段、结尾怎么收，写成长长的指令贴进去。要让 AI 做主图，他们就先总结"高点击率主图的十个要点"，再让 AI 照着十个要点画。

这么做，有三个躲不掉的问题。

第一，你把最难的活儿留给了自己。

归纳、抽象、提炼框架，本来就是最费脑子的部分。你把这部分自己扛了，再把现成结论喂给 AI，等于 AI 帮你干了体力活，你自己干了脑力活——可归纳恰恰是 AI 很擅长的事。你把擅长的留给了不该留的人。

第二，你写的框架，AI 执行起来总是打折。

这是最反直觉的一点。一套从外部塞给 AI 的规则，对它来说是"外来的条文"，它照着做，但不真正理解为什么。而 AI 自己从样本里归纳出来的框架，是它内化过的结构，它知道每一条背后对应着什么样的例子。同样一套规范，自己总结的，它执行得稳得多。

第三，你的描述，永远比样本损耗大。

你跟 AI 说"配图要做成信息图风格"，这八个字里，藏着你脑子里几十张图的印象，但 AI 接收到的只有这八个字。而你直接给它几十张图，它接收到的是几十张图的全部信息——版式、密度、配色、文字位置、留白节奏，全在里面。

一句话和几十张真图之间的信息量差距，是数量级的。你用一句抽象描述去替代一批高质量样本，本身就是一次巨大的信息浪费。

这是"给弹药"的升级版

我一直跟学员讲一个词，叫"给弹药"。意思是别指望大模型凭空懂你的生意，你得把你的产品资料、案例、数据这些"弹药"喂给它，它才打得准。

"给参照系"是"给弹药"的升级版。

它不只是给资源，它把归纳这一步本身，也一起委托出去了。你不光给原料，你还把"从原料里提炼出方法"这件事交给了 AI。

这背后是一个我认为越来越重要的概念：委托在正确的颗粒度上。

什么意思？你跟 AI 协作，本质上是在分活儿。哪些事你自己做，哪些事交给它做，这个边界划在哪里，决定了你们配合的效率。

划得太低，你什么都自己做完了，只让 AI 跑个腿，那 AI 的价值发挥不出来；划得太高，你什么都不交代，丢一句"帮我搞定"就走，AI 抓不住方向，做出来全是废的。

正确的颗粒度是：人负责提供高质量的原料、定义清楚要什么标准的产物；归纳、抽象、生成框架这些事，交给 AI。

回到配图那件事。我没有低到自己写一份完整规范（那是我替它把答案做完了），也没有高到只说一句"把配图搞好看点"（那是没给参照系、没说清目标）。我站在了正中间那个颗粒度上：给真实样本，定明确目标，让它归纳。

这个位置，就是驾驭 AI 的甜区。

但是，给参照系不等于撒手不管

我得把话说全，不然容易被理解偏。

"让 AI 自己归纳框架"，听起来很省事，好像人就可以躺平了。不是这样的。恰恰相反，要把这件事做对，对人的要求其实更高。它有两个前提，缺一个都不行。

前提一：你得拿得出高质量的样本。

Lisa 能归纳出那套配图规范，是因为我甩给它的几十张图，本身就是好东西——是我自己长期用、反复挑过的信息图。如果我丢给它的是一堆随手搜来的、良莠不齐的图，它归纳出来的框架只会是一团浆糊。

样本的质量，直接决定了 AI 归纳出的框架的质量。这意味着，你自己得先是这个领域的内行，你得有"好样本"，也得认得出什么是好样本。这一步，AI 替不了你。

前提二：你得守住价值判断这个位置。

AI 归纳完，给你一套框架，这套框架对不对、合不合你的调性，最终得你来判断。我看 Lisa 那套规范的时候，是真的在看的——它归纳得到位，我才认。如果它跑偏了，我会让它重来，或者把样本换一批。

我一直说，自动化里有几个节点，人是不能退出的，价值判断就是其中最重要的一个。什么是"好"、什么是"对的方向"，这件事 AI 可以给建议，但拍板的人必须是你。给参照系、让 AI 归纳，省的是你"从零写框架"的力气，但省不掉你"判断这个框架行不行"的责任。

所以这套打法的完整样子是：你给好样本 → AI 归纳出框架 → 你判断、校准 → 框架真正可用。人在头尾两端，中间那段最费脑子的归纳，交给 AI。

这才是委托在正确颗粒度上的全貌。不是甩手，是把手放在该放的地方。

落到电商企业：你做得好的东西，本身就是知识库

讲了半天 AI 配图，你可能会问，这跟我的生意有什么关系。

关系大了。这套思路，是电商企业整理私有知识库的一条捷径。

很多老板想给团队、给 AI 立规范，第一反应是坐下来"写 SOP"——把怎么做主图、怎么写小红书、怎么回客户，一条一条总结成文档。写过的人都知道，这件事极其痛苦，常常写到一半就卡住，因为把脑子里的隐性经验抽象成条文，本身就难。

换个思路：你不一定要自己写。

你手里那些真正做得好的东西——点击率高的主图、爆过的小红书笔记、成交率高的客服对话——它们本身就是最好的样本。与其逼自己把方法总结成文字，不如把这些真实的好案例整理出来，丢给 AI，跟它说：你研究一下这些，自己总结一套方法论出来。

AI 归纳出的那套方法论，就是你私有知识库的雏形。你再在上面做判断、做修正，一份能用的知识库就出来了。这比你对着空白文档硬憋，快得多，也准得多。

主图是这样，小红书是这样，客服话术、选品逻辑、详情页结构，都是这样。你企业里真正值钱的经验，很多时候不在文档里，在那些做得好的实例里。把实例当样本喂给 AI，让它替你把方法提炼出来——这是把个人经验变成团队资产、变成 AI 能调用的资产，一条特别现实的路。

这也是为什么我总说，企业 AI 化的核心不是追工具，是知识库。而知识库怎么来，"给参照系、让 AI 归纳"就是其中一种又快又好的生成方式。

工具会变，这套手感不会变

最后说回我自己。

我做 AI 电商培训这两年多，越来越确定一件事：工具是最不值得焦虑的东西。GPTs、Coze、Claude Code、Codex，今天这个明天那个，永远学不完，也不用都学完。

真正难、真正值钱、也真正能跟着你走很久的，是另一层东西——你到底会不会驾驭 AI。

会不会驾驭，不体现在你认识多少工具、记得多少指令技巧。体现在那些更细微的判断上：这件事我该自己做还是交给 AI？交的话，交到哪个颗粒度？我该给它讲答案，还是给它一组参照系，让它自己长出框架？什么时候我得守住，自己来拍板？

这些东西，没有一个工具能直接教给你。它是一种手感，得在一次次真实协作里慢慢养出来。我纠正 Lisa 配图的那一句"你参考一下，自己总结一套规范出来"，背后就是这种手感——它看起来很随意，其实是想清楚了"这个活儿该交到哪个颗粒度"之后，最省力的那个动作。

第 27 期课程，我花最多力气讲的，恰恰不是某个工具的按钮，而是这套"人怎么驾驭 AI"的认知和手感。从怎么给 AI 喂对原料、怎么整理私有知识库，到怎么把活儿委托到正确的颗粒度上、人该在哪些节点守住——这条线，才是工具换了一茬又一茬之后，真正留在你手里的东西。

6 月 27 日到 29 日，杭州·未来科技城。如果你也想把这套手感练出来，欢迎来现场。

工具会一直变。但"给 AI 参照系，别给 AI 答案"这种判断力，一旦长出来，就是你自己的了。