会用 AI 的人,不是在提问,是在发工单

AI 不是许愿池。你把硬币扔进去，它不会自动吐出一个靠谱项目。真正好用的方式，是把一句想法变成一张可以交付、可以验收、可以追责的工单。

很多人用 AI 的方式，其实还停留在“问答时代”。

“帮我写一篇公众号文章。”

“帮我优化这段代码。”

“帮我分析一下这个需求。”

这类话不能说错，但它们太像在办公室门口喊了一句“谁来帮个忙”。如果对面是一个经验丰富的人，他会反问你：目标是什么？给谁看？有什么限制？做到什么程度算完成？要不要上线？出了问题谁兜底？

AI 不一定会反问。它常常很礼貌地开始干活，然后产出一堆看似完整、实际没法直接用的东西。

问题不在于 AI 不够聪明，而在于你没有把“问题”变成“任务”。

提问和发工单，差别很大

提问追求的是回答，发工单追求的是交付。

提问可以很散：“帮我看看这个方案有没有问题。”发工单必须落地：“请审查这个方案是否满足 A、B、C 三个目标，重点检查成本、风险和遗漏项，最后输出三列表格：问题、影响、修改建议。”

提问默认 AI 自己判断边界，发工单会把边界写出来。比如：

哪些文件可以改，哪些不能动；
哪些资料是事实来源，哪些只是参考；
结果要给老板、用户还是工程师看；
不确定时应该停下来问，还是先给备选方案；
最后用什么证据证明完成。

这就是为什么同样一个模型，有人用起来像“万能实习生”，有人用起来像“喝多了的搜索框”。差距不只是提示词，而是任务管理能力。

一张好工单，要让 AI 少猜

AI 最擅长在模糊空间里补全。但真实工作里，最贵的往往也是这些“补全”。

你说“写得专业一点”，它不知道你要的是技术白皮书、销售方案、公众号口吻，还是老板能看懂的汇报材料。

你说“代码写得优雅点”，它可能给你加三层抽象、两个工厂、一个未来三年都用不上的接口。

你说“帮我整理资料”，它可能把事实、判断、猜测混在一起，最后看起来很顺，查起来很慌。

所以工单要尽量减少猜测空间。不是把上下文塞满，而是把任务结构说清楚。

可以直接用这个模板：

任务目标：
我要得到什么结果？最终交付物长什么样？

输入材料：
请基于哪些文件、链接、截图、日志、数据或历史结论？

背景说明：
为什么要做这件事？给谁用？当前卡点是什么？

边界约束：
哪些内容不能改？哪些假设不能做？哪些权限不能碰？

输出格式：
请用表格、清单、代码 diff、报告、发布稿，还是决策建议？

验收标准：
满足哪些条件才算完成？需要跑什么检查？需要列出什么证据？

停止条件：
遇到哪些不确定性必须暂停并向我确认？

这个模板看起来朴素，但它解决的是 AI 使用里最常见的三个坑：目标漂移、边界失控、自我验收。

把“帮我写文章”改成工单

比如你要写公众号文章，别这样说：

帮我写一篇关于 AI Agent 的文章，要专业一点。

可以改成：

任务目标：
写一篇公众号文章，主题是普通人如何把 AI 从聊天工具变成执行工具。

读者：
AI 重度使用者、程序员、小团队负责人。懂一点工具，但不想看论文腔。

核心观点：
会用 AI 的人不是在提问，而是在发工单。文章要强调任务结构、权限和验收。

文章要求：
字数 1800-2200 中文字。口吻自然，有一点幽默，但不要鸡汤。

必须包含：
1. 一个真实工作流例子；
2. 一张可复制的 AI 工单模板；
3. 三个常见错误；
4. 最后给出读者今天能做的动作。

禁止：
不要使用“颠覆”“赋能”“范式革命”等空泛词。
不要编造数据。

验收标准：
读者看完能照着写自己的 AI 工单。

这就不是聊天了。它更像给一个员工派活：目标、读者、边界、输出、验收都在。

工作流比提示词更重要

很多人热衷收藏提示词，像在收集武林秘籍。问题是，真实工作很少被一句提示词解决。

一个可复用的 AI 工作流，通常分五步：

收集事实：文件、链接、截图、日志、数据。
压缩上下文：只保留和任务有关的材料。
生成计划：让 AI 先说准备怎么做。
分步执行：每次只交付一个小结果。
独立验收：用测试、清单、人工审查或数据核对判断结果。

这里最关键的是第 2 步和第 5 步。

上下文不是越多越好。把整个仓库、全部聊天记录和三年前的会议纪要塞进去，常常只会增加成本和噪声。高质量上下文工程关注三件事：这一步真正需要哪些事实，哪些内容可以通过工具按需获取，哪些历史结论应该结构化保存。

验收也不能交给模型自己。AI 说“我已经完成了”只能算线索，不能算证据。代码要跑测试，文章要查事实，表格要核数字，发布前要看预览。

三个最容易犯的错误

第一，把目标说成愿望。

“帮我做得更好”不是目标。“把这篇文章改成面向程序员的公众号风格，删掉空话，保留技术判断，并在每节末尾给出可执行建议”才是目标。

第二，把上下文当垃圾桶。

很多人害怕 AI 不知道，于是什么都给。结果模型像被塞进一个堆满旧文件的会议室，能找到东西才怪。更好的做法是先给索引，再让它按需读取。

第三，让 AI 自己定义完成。

AI 很擅长写总结，也很擅长给自己鼓掌。关键任务一定要外置验收条件：输出格式、测试命令、事实来源、失败处理、人工确认点。

今天就能用的小办法

如果你只想先改一个习惯，可以从这句话开始：

在执行前，请先把我的需求改写成一张工单：目标、输入、边界、输出、验收、风险。等我确认后再执行。

这句话不神奇，但很管用。它会迫使 AI 先把模糊需求结构化，也迫使你自己看清楚：你到底想让它干什么。

再进一步，可以把你常做的事做成固定工单模板：

写文章工单；
改代码工单；
查资料工单；
做竞品分析工单；
自动填表工单；
公众号发布检查工单。

当模板稳定后，AI 就不再是一个每次都要重新沟通的聊天对象，而像一个能接活的执行节点。

这才是“把 AI 当员工用”的开始。

员工可以聪明，也可以偶尔犯蠢。但只要工单清楚、权限清楚、验收清楚，你至少不会在结果出来后才发现：它确实很努力，只是努力错了方向。