你只给提示词,AI 当然像智障

昨晚受花大宝邀请，我在她的会员群做了一场分享，主题是「Obsidian + Codex，搭建 AI 内容系统」。这个题目很容易被听成工具教程。Obsidian 怎么搭，Codex 怎么用，知识库怎么接进去，内容怎么跑出来，这些当然要讲，不讲工具大家没法落地。

但我真正想讲的不是工具。我想讲的是，为什么很多人用 AI 写内容，最后写出来的东西总是不像自己。这个问题我这几年遇到太多次了，自己也反复踩过。

一开始我也会把问题归到提示词上。是不是角色没设好，是不是要求没说细，是不是还缺一个更厉害的模板。后来改得多了才发现，提示词只能救这一轮。下一次新开对话，还是要重新来。

你是谁，做什么产品，服务什么人，说话习惯是什么，哪些词不能用，哪些表达不像你，这些东西都要再讲一遍。这件事很烦。它不像是在用一个长期合作的助手，更像每次都临时找了一个新人。

你要重新带他入职，重新讲背景，重新讲边界。最后他交出来的东西看起来结构完整，但你一看就知道，这不是你会说的话。不是 AI 不行，很多时候是它根本没有见过你。

它没看过你的旧文章，不知道你真实说话的方式，也不知道你过去怎么判断问题。它没见过你和客户沟通的原话，不知道你的产品边界在哪里，也不知道哪些表达是你会删掉的。所以它只能写成通用内容。

所以我这次讲 Obsidian + Codex，本质上不是在讲“怎么找一个更厉害的工具”。工具只是外壳。真正重要的是，你能不能先搭一套东西，让 AI 长期认识你。

这也是为什么我一直说，知识库不是资料仓库。以前我也走过这个弯路，看到一篇好文章就丢进去，写了一点笔记也丢进去。客户资料、课程资料、灵感、截图，全都往里面堆。看起来资料越来越多，其实更像一个巨大的收藏夹。

收藏夹不能自动变成内容资产。真正有用的知识库，至少要回答四个问题：我是谁，我服务谁，我怎么判断，我怎么表达。这四个问题没回答清楚，AI 读再多资料，也很难写出真正贴你的东西。

“我是谁”不是写一段个人简介。它包括你的经历、能力、产品经验、做过的项目，也包括你不想做什么。“我服务谁”也不是一句“服务一人公司”就够了。你要知道用户真实卡点是什么，他们经常问什么问题，在哪些场景里会急。

更重要的是“我怎么判断”。AI 时代，最值钱的不是工具，而是判断。你相信什么，反对什么，优先看什么，哪些东西你觉得是伪需求，哪些问题你觉得必须先拆清楚。这些东西 AI 不会天然知道，你不告诉它，它只会顺着你说。

你说自己缺流量，它就给你流量方案。你说自己缺标题，它就给你 50 个标题。你说想做一门课，它就给你排一个看起来很完整的大纲。如果你一开始判断对，它会让你快很多。如果你一开始判断错，它也会很认真地帮你往错的方向跑。

最后一个问题，是“我怎么表达”。哪些话像你，哪些话不像你。哪些句子你会保留，哪些词你一定会删掉。哪些说法太装，哪些说法太像课件。这个东西如果不沉淀下来，每次都只能靠手动纠正。

到这里会有一个误区。很多人一听知识库，就想把所有东西都丢给 AI。收藏的文章、下载的资料、聊天记录、课程笔记、项目文档，全都扔进去。感觉喂得越多，AI 应该越聪明。

但材料越多，不一定输出越准。没有判断的材料，只会增加噪音。有些素材之间观点是冲突的，有些内容只是当时看着有启发，但后来未必还认同。还有些东西涉及客户聊天、后台数据、隐私路径、密钥，这些更不能随便喂给 AI。

真正值得收回来的，是带判断的语料。比如看到一篇文章，不要只是收藏，最好顺手留一句：我为什么认同它，或者我为什么不认同它。它解决的是什么问题，适合什么场景，和我的业务有什么关系，这些判断比原文更重要。

客户原话也很重要。真实问题、真实卡点、真实表达，往往比自己总结出来的概念更有价值。还有一种语料很容易被忽略，就是改稿痕迹。哪些句子被删掉了，哪些表达被留下来了，哪些话太 AI，哪些话像自己，这些长期积累下来，就是表达边界。

我之前做过一件挺有意思的事。我把自己十年以来的微信聊天记录整理出来，让 Codex 帮我输出了一份语言指纹。后来它跟我对话，甚至帮我生成内容，都会越来越像我。

我还跟朋友开玩笑，说我的 AI 工具学坏了，学会骂人了。当然，这个事情不建议大家直接照做。聊天记录里有太多隐私，处理不好很危险。但这个例子能说明一件事：AI 写得像不像你，不是靠一句“请模仿我的风格”。

它需要见过足够多真实的你。一段好的语料，至少能沉淀成三类资产：判断资产、表达资产、案例资产。判断资产是你怎么看问题，什么该说，什么不该说。表达资产是你的句子、标题、语气、禁用表达。案例资产是你能反复引用的真实场景、客户原话和用户问题。

这些东西一旦沉淀下来，AI 才不只是帮你生成一篇文章。它是在调用你过去的判断、表达和案例。这就是内容系统和普通提示词最大的区别。

普通提示词解决的是这一轮生成。你告诉它角色、任务、格式，它帮你写一次。下一轮，还要重新说。内容系统解决的是下一轮能不能更准。你这次改掉了哪些 AI 腔，下一次系统知道。你这次发现哪个客户问题很关键，下一次选题能调用。

我一般会让 AI 做一件事，叫 ingest。这个词听起来技术，其实意思很简单：把原始语料拆成以后能调用的资产。它不是摘要。摘要只是告诉你这段内容说了什么。ingest 要做的是，把这段材料变成判断、案例、表达和流程。

比如一段客户聊天，不是总结成“客户有内容焦虑”就完了。要继续拆：客户真实问题是什么，他是怎么表达的，我当时是怎么判断的，这个问题以后能不能变成一篇公众号、一张贴图，或者一个产品说明。拆到这个程度，它才有长期价值。

后面再让 Codex 跑内容生产，就不是让它凭空写。它会先读知识库，知道你有哪些概念、案例和规则。然后再问你，这次要写长文、推文还是贴文。这篇内容落到哪个产品，目标读者是谁，错误归因是什么，核心判断是什么。

直播里我现场演示了一遍。我给 Codex 一个需求：明天想写一篇推文，主要讲内容和产品的关联性。它没有直接给我正文，而是先帮我拆选题，问我要长文还是贴图，问这篇文章要落知识库、陪跑还是训练营。

这就是我觉得它真正有用的地方。不是它能一下子写出完美文章，而是它不会像普通聊天机器人一样，我说什么它就立刻写什么。它会先把任务拆清楚，再进入生产。

当然，第一版也不一定能用。我经常会让它自检，哪里太像 AI，哪里太像课件，哪里不说人话，哪里又变成一句一段。然后继续改。真正关键的是，改完之后要写回系统。

如果每次改稿只是改完就算了，那下一次还会犯同样的问题。今天指出“不要一句一段”，它这次改了。可如果不沉淀成规则，下次新任务还是可能犯。

所以我会把输出写入台账。今天交付了什么，调用了哪些概念，暴露了哪些缺口，都记录下来。这一步很重要，因为知识库不是一味往里塞材料。它应该形成一个循环：输入语料，萃取资产，生成内容，人工修改，再把修改规则和暴露出的缺口写回去。

很多人做知识库，只进不出。越存越多，越看越累。真正有用的知识库，一定要不断输出。输出以后再回流，下一次才会更准。

如果刚开始做，不用一上来就搭一个很大的系统。先收 30 条真实语料就够了。可以是写过的文章，可以是对业务的判断，可以是和客户沟通的记录，也可以是客户反馈问题的原话。最好先用文字，因为文字对 AI 最省算力，也最容易被整理。

然后让 AI 帮你做一次拆解。这里面有哪些判断，哪些案例，哪些表达，哪些可以变成固定流程，哪些地方还缺证据。最后，再用这些语料跑一次输出。写一篇公众号也好，做一张贴图也好，整理一个产品介绍也好。

我昨晚最后想表达的，其实就是这个。对普通人来说，语料就是生产资料。AI 不是没用，恰恰相反，它非常有用。但前提是，不能把一个空空的上下文丢给它，然后期待它写出一个真正像你的东西。

别再只找万能提示词了。先把自己的语料、判断和表达存下来。让 AI 先认识你，再让它帮你写。最后留下来的，不是文章数量，而是系统厚度。

如果你也想搭一套自己的 AI 内容系统，可以先不用急着做大。先整理 30 条最能代表自己的真实语料：写过的内容，和客户聊过的问题，改稿时删掉和保留的表达。

如果不知道这 30 条语料该怎么选，可以在评论区留言，或者公众号后台私信我「语料」。我后面可以单独写一篇，讲普通人怎么给自己的 AI 准备第一批语料。