「今天起,养一个只属于你的AI小助手」

AI 不会读心术，它只能读懂你写下来、给清楚的东西。

今年是很多人嘴里的"AI 元年"。我自己的体感更具体：差不多半个月到一个月，就能听到某个模型又有了一次明显的进步。作为一直追着新模型、新能力跑的人，我挺享受这种"隔一阵就拆个新玩具"的感觉。

但我也注意到一个挺反差的现象：身边不少人也试了，浅浅试了一下，然后丢下一句——"AI 不过如此，做得也就一般般，达不到我的要求。"

这句话我听过太多次了。今天想认真聊聊：为什么同样是"用 AI"，有人觉得是神兵利器，有人觉得不过尔尔？我的答案可能有点扫兴——问题，常常不在模型，在我们自己。

一、半个月一个迭代，AI 今年跑得真快

先说大背景。今年以来，模型迭代的速度确实肉眼可见地快。今天这个能写长文，下个月那个能读图、能跑代码；上个月还很笨的 agent，这个月已经能替你拆任务、调工具了。

对喜欢折腾的人来说，这是好时候。新东西层出不穷，总有得玩。但"进步快"这件事，也带来一个副作用——很多人把"用过"当成了"会用"，把"没惊艳到"当成了"它不行"。

这就像你刚拿到一把电钻，拧了两颗螺丝没对准，就说"这玩意儿不如锤子"。不是工具的问题，是你还没搞明白它该用在哪种墙上。

我是教数学的，平时看学生最容易犯一类错：题都没读全，就开始套公式，算出个离谱的数，然后怪"这题出错了"。成年人和 AI 相处，有时候也这样。

更麻烦的是，模型进化太快——今天被你嫌弃的"笨"，可能下个月就补上了。可如果你从没认真用过，你脑子里记住的，永远是第一天的那个印象。所以很多人嘴里的"AI 不过如此"，说到底常常是"我半个月前随手试的那一下，不过如此"。

二、"AI 不过如此"？先别急着下结论

我想替 AI 说句公道话：很多时候，它"做得一般"，不是因为它能力天花板低，而是因为你给它的"需求"本身就飘在空中。

你可以回想自己：是不是也曾丢给它一句"帮我写个方案""给我讲讲这个概念"，然后看它回了一堆四平八稳、放之四海皆准的套话，就摇摇头关掉了？

问题往往出在这里——你没告诉它，你到底要什么；你也没告诉它，你手边有什么。

所以我觉得，比"催它变强"更紧迫的，是先搞清楚 AI 的能力边界：它能做什么？它现在能读取哪些格式的资料——文档、图片、表格、代码？你对成品的具体要求是什么？甚至，你愿不愿意先搭一个小小的样例，让它知道"我要的成品大概长这样"？

一旦你把边界说清、把样例给到，你会发现 AI 的反馈立刻不一样了——它给你的，是积极的、正面的、具体的东西。不是因为它突然开窍，是因为你终于把话说清楚了。

三、和它协作的第一课：摸清边界，给够样板

这一节我想展开说说"给样板"这件事，因为它性价比极高，却最容易被忽略。

打个比方。你是老师，让学生写作文，如果只说"写篇好作文"，三十个学生能写出三十种跑题。但如果你先给一篇范文、说清评分标准、再附一句"我们要的是这种结构和语气"，结果立刻可控。

AI 也一样。你给一个模糊需求，它只能按"最大公约数"猜；你给一个具体样例，它就拿到了坐标。

当然，我不是说你必须每次都准备完美素材。起步阶段，哪怕是一个粗糙的半成品、一张你拍的参考图、一段你随手记的要点，都比一句空泛的"帮我弄一下"强十倍。

AI 不会读心术，它只能读懂你写下来、给清楚的东西。

说个我自己真实经历的事。期末，我手里压着 687 张答题纸的扫描件，得一张张裁成两张：20 题一张、21 题一张，还得按规则命名。我把要求讲给 AI："文件名是 XXXX_00_2_1 的图片，裁成两张，分别以 -20 和 _21 命名。" 它没有立刻动手，反倒先问了我三个问题：输出什么格式？空白纸裁不裁？已有文件怎么办？我一作答，它先裁了 5 份让我验收。我一看，扫描本身有点偏移，个别内容被切到了。反馈回去，它调整算法、扩大范围，又裁 5 份——这次完美。接着批量处理全部 687 张，按 20 题、21 题归档，再用 Excel 考号匹配姓名、班级，自动生成 16 个班的 Word 文档。

回头看我做了什么？不过是把要求说清、验收小样、反馈问题；剩下的追问、试错、迭代、执行，全是它自己扛下来的。原来，把话说清楚，AI 就能把事情做漂亮。

四、需求说不清时，就别下指令，去讨论

但我也得诚实：不是所有事都能提前给样板。很多真正重要的问题——你要写的那篇文章的"腔调"、你要做的那个产品的"感觉"、你要解决的那个教学难题的"切入点"——你自己当时也是模糊的，根本说不清具体要什么。

这时候，千万别硬下指令。你越命令，它越胡编；你越把错的要求写具体，它越往沟里带。

我的做法是：把 AI 当成一个小助手，坐下来跟它"聊"。我把我现有的观点、我手头的资料、我脑子里那点还没成形的念头，一股脑抛给它，然后问它："你看这些能引出什么思路？"

有意思的地方就在这——当你给不出标准答案时，别把它当许愿池，把它当同事：一起把问题想明白，往往能聊出超预期的东西。它的思考撞上你的思考，常常冒出你一个人闷头想不出来的火花。

你可以回想自己某个卡住的时刻：与其命令 AI"给我答案"，不如说"我现在有 A 和 B 两个方向，但拿不准，你帮我推演一下各自的坑"。聊着聊着，路就清楚了。

最好的 AI 协作，不是你指挥它，而是你们一起，慢慢长出一套只属于你们的默契。

五、千人千面，AI 读懂你并不容易——但 agent 在悄悄记住你

聊到这儿，得泼一点冷水，也递一点希望。

冷水是：让 AI 真正理解"你内心那点想法"，真的很难。我们千千万万个人，各有各的脾气、各有各的角度、各有各的执念。你心里那句没说出口的"我要的不是这个"，AI 怎么抓？

但希望也在：现在的 agent——比如 Claude Code、WorkBuddy、Codex 这类——它们的工作方式不一样了。它们会基于你的使用记录、你的习惯、你反复纠正过的那些偏好，一点点积累"你这个人是谁、你大概率想要什么"。

也就是说，模型本身或许不懂你，但陪你用得越久的那个 agent，会越来越像你肚子里的蛔虫。这不是玄学，是数据和时间堆出来的"默契"。

模型会变强，但"懂你"这件事，得靠你一天天用出来、养出来。

六、现在就开始，养一个越用越懂你的小助手

写到结尾，我想落回一句实在话。

现在的模型，坦率讲，还不完美。有些事它做不到，有些事它做得到但麻烦、不够顺手。便利性上，提升空间还很大。但这恰恰是我建议"现在就开始"的理由——别等它完美了再上手，因为"懂你"这个能力，是养出来的，不是等出来的。

你越早开始用它、纠正它、告诉它你的偏好，它越早开始长成"你的"助手，而不是"别人的"通用工具。

我自己在做 MathClass 这个 AI 批改系统时就有体会：同样是调模型，用得越久，越知道哪些指令要写死、哪些反馈要留口子。这个"知道"，是时间和试错喂出来的，谁也替不了你。

所以，给还在观望的朋友一句话：挑一个你信得过的 agent，认真带它一阵子。等哪天模型能力边界再扩一圈，而你手里正好有个"既懂你、又能打"的小助手——那时候你就会发现，它在工作里、在生活里，真的能把你放大。

具体怎么做？不用宏大。明天写东西时，先花三十秒把"我要什么、手边有什么、成品大概长啥样"写在前头；卡住时，别急着要答案，先跟它把问题聊开。就这么一点点，习惯就养起来了。

从今天起，开始养你的小助手吧。它现在或许还不够聪明，但陪你走得够久，它会越来越像"你的"。