夜雨聆风一、前言
二、深度使用AI后的四个关键问题
三、深度用好AI工具后的提升
四、写在最后的话
坦率的讲，这篇文章我犹豫了很久要不要写。
因为用AI这事，我自己也还在摸索，也还在踩坑。用了半年，有时候被AI惊艳到拍大腿，有时候又被它气得想砸键盘。分享经验？说实话不太敢。
但有些东西确实是踩了半年坑才摸出来的，不说觉得可惜。
说真的，很多人觉得用AI的差距在模型。
谁用的模型更新、参数更大、价格更贵，谁就更强。
但我的实际体感不是这样。
同样一个任务，给WorkBuddy、给Kimi、给Claude，到头来产出质量的差距，远没有「同一个工具、不同人用」的差距大。
我身边有人用AI一个月就写得出让老板惊讶的方案，也有人用了半年还在「AI写的东西不靠谱」的抱怨里打转。
差距在哪？
不在模型，在判断。
说到底，是四个判断。
我把它叫作「AI使用的四道分水岭」。
什么时候该开新会话。什么时候该拆任务。什么时候该让AI先问问题。什么时候该自己介入。
每一个都是看着简单、做起来全靠经验的事。
但经验不一定要自己慢慢攒。下面这四道，我把自己踩过的坑和摸出来的规律直接摊开讲。
第一道，什么时候该开新会话。
一句话原则，上下文污染了，就果断开新的。
AI对话是基于上下文的。前面积累的信息越多，后续每次交互消耗的token越多，模型理解的噪音也越大。
你想想看，这就像你跟一个同事开会，从项目A聊到项目Z，聊了两个小时。这时候你再问他项目A的某个细节，他大概率记混了。不是他笨，是信息过载了。
AI也一样。
什么时候该开新会话？我总结了四个信号。
第一个，话题已经完全切换了。你还在旧会话里追问新问题，但前面的对话全是别的事。模型得在一堆无关信息里翻，浪费token不说，输出质量还会下降。
第二个，模型开始「忘事」或答非所问。上下文太长，注意力被稀释。它不是真的「忘了」，是你的关键信息被淹没了。
第三个，你发现自己在反复解释同一件事。这说明上下文已经帮不了你了，在拖后腿。
第四个，一个任务完成了，你顺手又塞了新需求。这是最常见的错误。干净起点等于干净输出，别在旧会话里堆任务。
我自己的工作流是这样的。一个明确任务一个会话，任务结束就关。同类重复任务可以放一个会话里，比如批量处理10份周报，但做完就开新的。
别把AI对话当成「常用聊天窗口」长期挂着。那不是高效，是在给模型制造混乱。
第二道，什么时候该拆任务。
一句话原则，一个会话干一件事，一次提示词解决一个问题。
很多人用AI的通病是，把整个需求一股脑扔过去，然后嫌结果不对。
这就好比你跟下属说「帮我把这个月的工作总结一下，顺便把下个月计划也写了，再帮我把周报模板改一下」，他大概率哪件都干不好。
AI也一样。
什么时候该拆？也有三个信号。
第一个，你的需求里有「然后」「接着」「再帮我」这些词。说明这是多个任务串在一起了，不是一件事。
第二个，模型输出质量忽高忽低。大概率是任务太复杂，模型顾此失彼。前面几个要点还行，后面的就开始凑数。
第三个，你发现自己在模型输出后还要大量修改。说明一次性要求太多了，模型只能给你一个「看起来都对但都不能直接用」的东西。
怎么拆？
大任务先拆成3到5个独立步骤，每步一个提示词。
举个真实例子。领导让我做薪酬方案，我的拆法是这样的。
第一步，让AI帮我梳理岗位价值评估框架，确认维度是否合理。第二步，基于确认的框架，生成薪酬带宽表的初稿。第三步，写方案正文，把框架和带宽表串成完整叙述。第四步，让AI帮我检查全文数据一致性，看有没有前后矛盾。
每个步骤输出确认没问题后，再推进下一步。
拆任务不是增加工作量，是减少返工量。这一点我自己感触很深，以前一整坨扔过去，改来改去花的时间反而是拆开来的两三倍。
第三道，什么时候该让AI先问问题。
一句话原则，你给的信息越精确，AI的输出越能用。信息模糊的时候，让AI帮你想清楚还需要补什么。
这是最容易被忽略的一个判断。
大多数人的习惯是直接下指令。「帮我写一份XX方案」「帮我分析一下XX问题」，然后拿到一堆「方向对但细节全不对」的东西，再花大量时间改。
回到这一道，其实有一种更高效的做法。在开始之前，让AI先问你问题。
什么时候该让AI先问？三个信号。
第一个，你的需求涉及具体场景、具体数据、具体约束条件。这些东西AI不可能自己猜对。你让它猜，它就会用「通用答案」糊弄你。
第二个，你发现上一次输出「看起来对但用不了」。大概率是初始信息不够，模型只能用假设填充空白。
第三个，任务比较专业，或者结果要拿给老板、客户看。容错率低，不如先让AI帮你检查信息完整度。
怎么用？在提示词末尾加一句，「如果信息不够，先问我最关键的3个问题，再开始输出」。
或者更直接一点，先让AI列一个「你需要我提供哪些信息」的清单，然后逐项补充。
尤其是写方案、做分析这类任务，让AI先问问题，比你直接写500字背景描述效率更高。
因为AI问的问题，往往能帮你想到你自己遗漏的约束条件。
这一点我自己感触很深。有几次我觉得自己需求已经说得很清楚了，结果AI一反问，才发现我漏了一个关键约束。如果没有那一步，后面整个方向就是偏的。
说实话，这种「被AI提醒」的感觉一开始有点挫败，但用多了你会发现，这才是真正高效的工作方式。
第四道，什么时候该自己介入。
一句话原则，AI出初稿，你出判断。永远不要在AI输出后直接「复制粘贴提交」。
AI能帮你把80%的执行工作做掉，但剩下20%的判断必须是你来做。这20%才是真正的价值所在。
什么时候该自己介入？四个信号。
第一个，输出涉及事实性判断。数据对不对、逻辑通不通、结论靠不靠谱，AI会编，你必须查。
第二个，输出要给第三方看。老板、客户、同事，你得对它负责。AI不会替你挨骂。
第三个，模型的语气、措辞明显不符合你的风格或场景。它不知道你的老板喜欢什么风格，不知道你的客户最在意什么。这个只有你知道。
第四个，涉及合规、风险、敏感信息。AI没有你的上下文，判断不了边界。特别是薪酬、人事、组织调整这类话题，差一个字意思可能完全不一样。
怎么用？每次输出后，花30秒快速扫描三个点。逻辑链完整吗？有没有明显错误？关键数据对吗？
发现不对的地方，不要自己改完就完事。告诉AI哪里不对、为什么不对，让它修正。这样下一轮输出会越来越好。
你的介入不是「替AI干活」，是在「训练AI理解你的标准」。
回答好这四个问题之后会怎样？
你从「用工具」变成了「驾驭工具」。
大多数人的AI使用停留在第一阶段，打开对话框，扔一段需求，拿到结果，不满意，再改。这个循环的token消耗是巨大的，因为你一直在试错。
回答好这四个问题后，你的使用模式会变。
开始任务的时候，不会用的人直接开写，会用的先判断开新会话还是续用旧会话。描述需求的时候，不会用的人一大段全扔过去，会用的拆步骤，每步一个清晰指令。信息不足的时候，不会用的人自己猜AI要什么，会用的让AI先问，自己精准补充。拿到结果的时候，不会用的人要么全信要么全否，会用的快速检查关键节点，针对性修正。
同样的任务，前者的token消耗可能是后者的3到5倍，而且结果质量还不如后者。
这就是「十亿token规则」的真正含义。不是让你无脑多刷对话量，而是让你在大量使用中快速建立起这四个判断的直觉。
直觉一旦形成，你的效率就不是「快一点」，而是数量级的提升。
我越来越觉得，AI这个东西跟开车很像。
每个人都能把车开起来，但老司机和新手的差距不在于车好不好，在于什么时候该踩刹车、什么时候该变道、什么时候该让一让。
这种判断力，没有捷径，只能靠开。
但你不需要从零开始摸索。上面这四道分水岭，就是踩过的坑里提炼出来的路标。
再多聊一句。AI的竞争已经不在「谁有」了，而在「谁会」。同样的AI，有人一天能产出过去一周的工作量，有人用了半天还不如自己手写。
差别不在工具，在用工具的人。
这四个判断，就是「会用」和「不会用」之间那道看不见的线。
做HR这些年，我越来越确信一件事。工具会迭代，模型会升级，但人对工具的判断力，永远是不可替代的那一层。
