从 2022 年底 ChatGPT 开放给公众那天起，我就一头扎了进去。三年多过去，主流模型轮番上阵，从最早那个「会写诗的玩具」，到如今能陪我把一个 Idea 跑成产品、再跑出第一笔商业化收入。如今 AI 已经成了我使用最高频、投入最多、ROI 最高的工具。
也因为这层关系，身边越来越多的朋友总会问我同一个问题：AI 到底该怎么用？
市面上 AI 教程已经过剩，多数在贩卖一种幻觉：仿佛复制一个神奇的提示词，就能点石成金。但现实是，多数人试过两次觉得不靠谱，从此再也没碰过。
这篇文章不教提示词。我把这三年踩过的坑、和验证过的几条习惯整理出来，希望能给同样在摸索的朋友一点参考。
重要的从来不是技巧，是手感。
一、AI 看遍了所有书，但没在你公司工作过一天
我对 AI 预期是这样的：一个看遍了所有书、考遍了所有试，但从没在你公司工作过一天的天才。
它知识满分，反应也快。但对你的业务一无所知：没开过你的会，没见过你的客户，不知道你的资源边界，更不知道你老板上周拍了什么板。
更要命的是，它不知道的时候，不会说「我不知道」，而是会一本正经地编一个看起来很对的答案给你看。
所以两件事很关键：
- 超出常识的内容，得喂给它。 行业报告、竞品资料、自己的判断，先丢进去。让 AI 凭空生成判断，注定是水货。
- 把它当一个新来的天才同事，而不是当行业专家。 它能补全脚手架、把素材织成可读的文本；但方向和判断仍然得来自你。这家公司、这个客户、这件事的来龙去脉，是 AI 永远不知道的。
这三年我越来越确信一句话：AI 时代真正值钱的，不是技术深度，而是业务判断力 × 工具使用能力。AI 帮你干活，但你得知道该干什么活。
二、它会偷偷骗你，越自信越得防
AI 犯错的方式很有欺骗性：它说得越自信，你越容易信，但它的自信和准确率之间，并没有必然关系。
几条底线得守住：
- 涉及事实的，一定交叉验证。 人名、日期、数据、引用、法条编号，AI 编造这些的能力堪称一绝。
- 涉及专业判断的，AI 只能做参考。 法律条文、医疗建议、财务决策，可以做初步调研，但最终决策必须由专业人士把关。
- 涉及隐私和敏感信息的，注意数据安全。 公司机密、个人身份、未公开的商业数据，别直接喂给公共 AI 服务。
也有些事，最好别交给 AI：
- 你自己根本不懂、又没法验证的领域，这种最容易被它的「自信废话」忽悠
- 涉及关键决策、需要你亲自担责的判断
- 高度依赖隐性知识、长期人际关系的事，比如要不要劝朋友离个婚
信任，但验证。 这是我和 AI 协作的基本态度，三年没变过。
三、AI 让「超级个体」成为可能
过去，要一个人高效完成跨职能的事，并不容易。产品经理想自己写代码，得脱产学几个月；设计师想独立做产品做运营，得补很多功底；内容创作者想做数据分析，得啃一遍统计基础。
每多跨一个领域，就要补一大堆基础，所以最经济的做法是分工。公司也因此越做越大、团队越做越臃肿。
AI 在改变这个等式。
未来的竞争力，已经不在于你是什么「岗位」，而在于你懂多少业务 × 会用多少工具 × 能用的多好。
下面这几件事，不是设想而是身边正在发生的：
- 我自己：原本要 7-8 人配合两个月的产品验证，现在一个人 4-10 天就能跑完一轮：写代码、做原型、出 PRD、写测试用例、跑数据全包。干活时桌面常常同时开着十几个 AI 对话窗口（当然我现在主要用终端），像随身带着一支微型团队
- 一个全职妈妈，一个人撑起几十万粉的公众号 + 短视频账号矩阵，写稿、配图、剪辑、回评论、谈商务全自助；过去这种规模，是要养一支编辑部加一个 MCN 的
- 一个 16 岁的高中生，独立做出上架应用商店的 App，下载量破万；过去这是科班毕业的程序员才敢挑的活
- 一对 60 岁的老夫妻，零基础开起一家网店，选品、拍照、写文案、做直播全自己上手；过去这是一家小公司全员的活，他们靠一台手机一台电脑就转起来了
- 一个普通公司的白领，下班后用 AI 接品牌咨询的活，副业月入逼平主业；过去这种活，得挂着一家咨询公司的牌子才接得下来
AI 不会取代团队，但它确实大幅压低了「独立完成一件复杂事情」的门槛，它在延长每个人的能力半径。你不需要成为每个领域的专家，只需要把任务描述清楚、交给 AI、再把关质量。
四、别许愿，下指令
很多人用 AI，其实是在「许愿」：
「帮我写一篇好文章」
「给我出个方案」
「解释写个视频脚本」
这就像你对一个刚入职的实习生说「把这事儿办好」，他不知道你要什么标准、给谁看、什么风格、哪些不能碰。
AI 不是阿拉丁神灯。它是一个极其勤快、但不了解你脑子里潜台词的同事。你给的指令越像一份「作业要求」，它交回来的东西，就越像样。
用了这么多年，我自己稳定下来的还是最朴素的一套：
[角色] 你是 ___（
[背景] 现在的情况是 ___
[任务] 请帮我 ___
[要求] 输出需要 ___（长度 / 语气 / 禁区 / 格式）举个例子。不要说「帮我写个会议通知」，而是：
- 角色：你是一个资深行政助理
- 背景：公司下周三要开季度复盘会，地点xxxx，人员xxxx…
- 任务：撰写正式的会议通知，格式要求：xxxx…
- 要求：包含时间地点议程，语气正式，500 字以内
就这四句话的差别，输出质量能从 40 分直接跳到 75 分。
（朴素，但有效。AI 不需要花活，需要的是清楚。）
五、修改你的指令，而不是结果
这一条特别送给有专业能力的朋友。
AI 出了一个 60 分的稿子，你手痒改两下变成 80 分，改着改着变成全部重写，最后说「还是我自己来吧」，从此再也不用 AI。
我见过太多人这么弃坑。
正确的做法是：当输出不满意时，不要去改它的结果，去改你的指令。
- 加更明确的角色定义
- 给参考范例（「模仿这个风格」）
- 设定禁区（「不要用这些词」）
- 拆分步骤（「先列大纲我确认，再展开写」）
你的目标不是让 AI 一次输出 100 分，而是让这套工作流能稳定输出 75-80 分；剩下的 20 分，由你来做最终判断和润色。
迭代流程，而不是迭代结果。
六、同一个问题，前期至少问三个 AI
我对刚开始上手 AI 的朋友的第一条建议是：前期同一个问题，至少抛给三个 AI。
每个模型都有自己的「性格」：
- Claude 写东西有品味，推理扎实，但有时候太礼貌、太谨慎
- ChatGPT 万金油，创意发散好，但容易「编得很像真的」
- Gemini 搜索整合强，适合做信息密集型的初步调研
- DeepSeek、Kimi 这些国产模型，在中文语境下有各自的优势
你不需要选出「最强模型」，你要的是长出手感：知道什么任务适合交给谁、谁出「第一稿」、谁做「审稿人」。这事和管理一个小团队没什么两样，得了解每个人的长板和短板。
（顺带一提：这条和上一条不冲突。前期多模型横评是为了「选人」，进入稳定工作流后该锁定主力就锁定主力；横评不是用来代替「改流程」的。）
过程可能要一两周。但一旦手感出来，效率提升是质变的。
七、把大任务拆成小步骤
AI 最大的优势不是「一步到位给你正确答案」，而是它能在你设计的流程里，稳定地完成很多小步骤。
你越是要它一口气搞定一个复杂任务，它就越容易「看似完整、实则偷工减料」。
比如要 AI 帮你写一份产品需求文档，不要说「帮我写个 PRD」。而是拆：
- 先描述用户场景与待解决的问题
- 输出产品目标和核心衡量指标
- 拆出主要功能模块的优先级
- 单个模块再展开用户故事 / 流程 / 边界
- 最后让它检查一遍逻辑漏洞
每一步都是一个明确的小任务，AI 在小任务上的完成度，远高于「一步登天」。
这套思路的本质，不是教 AI 一句万能咒语，而是教你自己一套工作流。
八、让它多产几个版本，再挑
只让 AI 给你一个答案，你拿到的通常是最中庸、最保险、最「AI 味」的那一个，就是那种四平八稳、没有人味、什么都对又什么都不痛不痒的腔调。
我自己的习惯是：
- 写文案标题？一次要 10 个
- 写小红书笔记？一次出 5 个版本
- 做创意选题？一次要 30-50 个，再分组筛选
- 起产品名称？一次要 20 个，按不同风格分类
用数量对抗平庸。 当你把平均分和产量都提上来，分布里自然会冒出几个让你眼前一亮的好东西。
这套思路，其实和互联网做增长是同一套底层：A/B Test 的本质，就是用数量和概率去取代「拍脑袋」。
九、把材料喂干净，再让它干活
很多人用 AI 时有个反直觉的误区：用 100 字的提示词，要求它写出 3000 字的文章。这就像让一个手头什么资料都没有的人凭空写论文，出来的东西注定是泛泛而谈的水货。
正确的做法反过来：
给它海量材料，让它帮你压缩、提炼、组织。
把会议录音转录稿、行业报告、竞品分析、客户反馈都喂进去，让它从中提取关键信息、整理结构、输出摘要。压缩比扩张容易：把 10 万字压到 1 万字，AI 做得很好；把 100 字扩到 1 万字，十有八九是灌水。
但喂材料也有讲究：AI 会走最省力的路径。给它一个 PDF，它可能只扫了个目录就开始编；给它一个网页链接，它可能根本没真正读完。
所以你要替它做一点「体力活」：
- PDF、网页内容，先转成纯文本或 Markdown；导航、广告、格式噪音，先去掉
- 长文章，先人工分段，明确告诉它「以下是第一部分，请先处理这部分」
- 图片内容，用文字描述补充，AI 对图片的理解远不如文字
你愿意做一点点准备，AI 的智力输出就会锋利很多。就像你给实习生准备好整理过的资料包，他干活效率自然高。
十、从你身边的小问题开始
不要上来就想着「让 AI 帮我重构整个业务」。从身边的「小问题」入手，是更靠谱的开场。
通用场景：
- 整理会议纪要：把录音转录稿扔进去，让它提炼要点和待办
- 润色一封邮件：把草稿给它，告诉它受众和语气
- 快速了解一个陌生领域：让它用「教小白」的方式给你讲
- 批量起标题 / 文案：给它范例和要求，一次出 10 个再挑
- 写 Excel 公式：用自然语言描述你要什么，让它替你写，让它替你整理报告
- 翻译或改写：中文改成英文商务邮件、技术文档改成产品文案
针对不同朋友的「第一个任务」：
- 做销售的：把客户公司官网、朋友圈最近 10 条、最近一篇公众号扔进去，让 AI 列 3 个谈资切入角度和对方可能关心的痛点
- 做内容的：把你过去 10 篇阅读量最高的文章丢进去，让 AI 总结你的风格画像，再用这个画像生成新选题
- 做产品的：把竞品 App 的评论区爬下来，让 AI 分类整理「用户最骂什么、最爱什么」
- 纯粹好奇的：找一本你想读但一直没空读的书，让 AI 当陪练，每天给你讲一章 + 出 3 个思考题
每一个小任务都能帮你省 15-30 分钟。一天做三四个，加起来就是一两个小时。用得越多，手感越好，你也会越清楚什么时候该用、什么时候不该用。
十一、现在就开始，不要等「更好的 AI」
这三年看过无数 AI 产品的起起落落，有一个规律非常明确：
真正从 AI 中获益的人，都是在它「还不够好」的时候就开始用的人。
不要等完美的模型出来，不要等最佳实践固化。AI 每隔几个月就有一次大升级，但你和它协作的「手感」，是要靠时间慢慢积累的：
- 知道什么任务值得交给 AI
- 知道怎么描述需求才能得到好结果
- 知道什么时候该追问，什么时候该换个模型
- 知道什么时候该自己动手
这些经验没有捷径，只能靠用。
模型会迭代，工具会更新；但你对 AI 的理解和驾驭能力，是真正属于你的资产。就像二十年前学电脑、十年前学智能手机一样，早用早受益，越用越顺手。
写在最后
AI 不是魔法，也不是骗局。它是一个正在快速变强的工具。
和所有工具一样，它放大的是使用者本身的能力。你有好的判断力、好的品味、好的业务理解，AI 就能帮你把这些十倍放大；反过来，你什么都没有，只是对着它许愿，它也只能还你一堆看似正确的废话。
材料 × 品味 × 工具使用能力
——这才是 AI 时代一个人的真正产出公式。
希望这篇对你有用。有问题，随时找我聊。