人文工作者没有创造世界变化，但他们却在承受世界变化。

有的时候我感觉，那些卖人工智能教程的号总是把 AI 当成一种魔法：给你一个神奇的 prompt，你就能做任何事儿。现实当然不是这样。过去的一段时间里，因为创立了 FUNES, 我们必须每天大量的通过 AI 进行生产。加之还有《蜉蝣天地》、我自己的写作等内容生产，光靠人力已经不够了。所以我们大量的尝试如何使用 AI 辅助我们的内容市场与人文学科研究工作。

后来公司有新同事入职，我就做了个简单的 Keynote。又一次得到的贾行家老师听说后，就邀请我去做个分享。我和合伙人可达给这个分享起名《给人文工作者的 AI 使用指南》。当时是纯私下的分享，主要是一些大方向上的原则。后来又做过几次，逐渐扩充。

过去一年多里，把这套怎么用 AI 的经验讲给过很多做内容、做研究、做知识产品的朋友。它的目标不是教你背几个神奇提示词，更不是把 AI 当成灵丹妙药；相反，它更像是一套工作方法：让你在不写代码的前提下，把大模型真正接进自己的写作、研究、编辑、选题、资料整理与生产流程里，并且做到可追溯、可监督、可验证，最后你依然愿意在作品上署名。

这套方法来自我们在真实项目里踩过的坑：当内容进入规模化生产，纯靠人力会崩；而 AI 直接写一篇又会幻觉、会偷懒、会写得像 AI。于是我们不得不把创作变成产线，把产线变成可迭代的系统。

当今天我不想直接给你各种提示词，我希望能给你一些关键的指导思想和原则。

写在原则之前：这份指南的三条底线

在具体方法之前，先明确三条底线。它们决定了你「怎么用 AI」，也决定了你「为什么要这样用」。

1. 过程必须可追溯、可监督、可验证
你不能只要一个结果、不要过程。对人文工作而言，黑箱最危险：幻觉、错引、偷换概念，都会在黑箱里悄悄发生。

2. 必须可操纵
你要能控制它怎么做、按什么标准做、在哪些地方慢一点、在哪些地方严一点。你不是在「抽卡」，你是在生产。

3. 最后你依然愿意署名
「我愿不愿意把名字放上去？」是最终质检。如果你不愿意署名，通常不是道德问题，而是过程里你的意志没有贯彻进去——也就意味着质量不可控。

原则 0：别对 AI 许愿，把它当作工作台

很多人用 AI 的方式，本质是在许愿：
「给我一个好段子」「帮我写一篇好文章」「解释这篇论文」。

问题在于——「解释」本身就有无数种解释：给外行、给本科生、给研究生、给同行，完全不是一个任务。AI 不可能默认知道你的背景、目的、口味和标准。你不说清楚，它就只能用「平均人类」的默认方式糊一份最省力的答案给你。

把大模型当工作台，意味着：你不向它索要结果，而是调动它的工具来完成一个过程。你要做的是把任务说清楚、把标准说清楚、把步骤安排出来。

比如让 AI 解释论文

你可以像这样把许愿式请求（给我解释这篇论文）改成工作台式任务：

· 明确目标受众：聪明、有好奇心，但不是该领域专家的研究生

· 明确讲解方式：启发式、循序渐进、有学术严谨性

· 明确结构要求：先讲意义，再补背景，再还原研究历程，再讲关键技术点，再提启示

· 明确语气：尊重智力、不居高临下、不假装对方已有深厚基础

你会发现：你给得越像「作业要求」，AI 就越不像 AI，越像一个真的会干活的助教。

原则 1：想要 AI 做好，先反思自己——你才是负责人

如果你雇了一个秘书，你不会只说：
「把汉洋那篇写美国锈带的文章改好。」

你一定会补充：

这篇文章为什么写、写给谁、现在卡在哪、你希望它解决什么问题、哪些地方不能动、你要什么风格、你最在意的指标是什么。

AI 也是一样。你要把它当成一个非常勤奋、非常礼貌、但不懂你脑内隐含前提的同事。真正的「提示词工程」不是技巧，而是一种责任感：任何任务仍然是你在做，AI 只是帮你干活。

当你对 AI 的输出不满意，最有效的第一反应不是「AI 不行」，而是：

· 我有没有说清楚「对象/受众/目的」？

· 我有没有提供足够的背景材料和约束？

· 我有没有把「抽象愿望」拆成「可执行动作」？

· 我有没有给到可判断对错的标准？

原则 2：同一个问题至少问 3 个模型——每个 AI 都有「性格」和擅长领域

在我们公司，任何初次接触大模型的同事我会希望他在前期使用中，每个问题问三个不同的 AI。AI 像人一样有差异：有的更擅长写作遣词，有的更擅长推理解题，有的更擅长代码或工具调用。更现实的一点是：同一家产品的模型、同一个模型的新版本，也会不断微调「风格」和「边界」。

所以一个很朴素但极有效的习惯是：同一个问题，至少抛给 3 个不同 AI，你会快速获得「手感」：

· 哪个更会写、哪个更会想、哪个更会查、哪个更容易偷懒

· 哪些任务适合谁做「第一稿」，哪些适合谁做「审稿人」

· 哪个更适合出「选题/结构」，哪个更适合出「段落/句子」

这一步的价值不在于「选出最强模型」，而在于：你开始像管理团队一样管理模型，而不是把它当唯一神谕。

原则 3：AI 不是全知全能——把它当成「好学校本科生」的常识水平

一个很实用的预期管理是：
AI 的常识水平≈一个 985 的本科生。

如果某件事你觉得「一个优秀本科生都未必知道」，那你就应该默认 AI 也不知道；至少默认它会在不知道的时候「编得很像知道」。

这会带来两个直接动作：

1. 任何超过常识的内容，都要你来教它
比如：你要它写段子、写真正有独特品味的文案、写高度专业的论证——你不能只给一句「写得好点」，你要给范例、给标准、给禁区、给语料。我相信你现在去和朋友解释你心中什么文字是好的，都需要点时间；那怎么能认为 AI 默认知道呢？

2. 你要把它当实习生协作，而不是当神
它能做很多「微观插值」的工作：把你给的脚手架补全，把你给的材料织成可读文本。但「脚手架」和「方向」仍然来自你。

原则 4：让 AI 一步一步逼近目标——白盒分步骤，比黑箱一次性更可靠

AI 的优势不是「直接给你正确答案」，而是它可以在你设计的流程里，稳定完成很多小步骤。你越是要求它「一步到位」，它越容易变成「看似完整、实则偷懒」的黑箱。

一个特别直观的例子是做 TTS（文本转语音）或朗读稿的处理。与其说「注意多音字、不要读错」，不如把任务拆成一串步骤，例如：

· 标出停顿/重音/语速变化的标记

· 识别潜在多音字

· 依据词典或权威读音做核对（必要时先检索再确定）

· 对容易误读但常见的字提前标注

· 实在不行就用同音无歧义字替换，从根上消灭误读可能

这类「显而易见的正确做法」，人类会默认自己会做；但 AI 不会默认。你不把「显而易见」写进流程，它就会在最省力的路径上犯错。

原则 5：先工业化，再 AI 化——你不能从农业时代一步跳到 AI 时代

如果你的写作/研究流程本身是随机的、凭灵感的、资料不管理的，那你确实很难把它交给 AI。因为 AI 只能接住你「可描述、可复现」的那部分。

更现实的路径是：

1. 先把工作变成「产线」：可拆分、可复用、可质检

2. 再把其中的子步骤交给 AI：让它当工位，而不是当上帝

我们做过一个很笨但很关键的工作：把我自己怎么写一篇非虚构文章的过程解出来。包括：

· 为什么用这个故事开头

· 为什么选这句话

· 如何给例子打分

· 如何起承转合、如何过渡、如何收尾

· 如何把小故事连接到更宏大的图景

最后拆成了几十个步骤，让不同的 AI 只做其中一个步骤。结果是：
不是模型突然变强了，而是流程把它「每次只能行一点点」的能力串起来了。

当你能清晰描述「我的文章是怎么做出来的」，你就会发现：决定质量上限的从来不是「用哪个大模型」，而是你有没有把工作方法讲清楚。

不过这段强烈建议你听节目，说得更详细。

原则 6：预判 AI 会偷懒——它会省算力，你要替它扫清「格式障碍」

AI 会偷懒，而且是「系统性偷懒」：能不打开网页就不打开，能不读 PDF 就不读，能跳过就跳过。不是它坏，而是它在算力与时间的约束下，天然倾向于走最省力路径。

所以你要做的是：把 AI 的算力用在「理解文本」，而不是浪费在「处理格式」。

非常有效的改法包括：

· 尽量把材料转成纯文本/Markdown，再喂给 AI

· 把网页内容复制成干净文本（去掉导航、广告、脚注噪音）

· 对长材料先做「事实提炼/结构提取」，再让它写作

· 把 PDF/EPUB/网页统一入库成可检索的 TXT，再做后续任务

你会发现：很多人抵触这种「体力活」，觉得「机器就该替我干脏活」。但在人机协作里恰恰相反——你愿意做一点点机械劳动，AI 的智力部分才会变得更锋利、更可靠。

原则 7：记住上下文有限——把任务尽量改成「压缩」，不要指望它「凭空扩张」

AI 有上下文窗口，有「记忆上限」。你给它两万字，它未必能记住多少；你给它二十万字，它可能只扫标题。一个形象的类比是：把人关进小房间一天，丢给他一本二十万字的书，出来让他背——能背多少，大概就是 AI 能「记住」的量。

因此有一个很反直觉但极重要的经验：

1. 压缩比扩张容易得多

把 100 万字压到 1 万字，往往比把 1 万字扩到 100 万字可靠。

这直接改变你向 AI 提需求的方式：

· 不要用 100 字提示词去要一篇论文

· 相反，把材料尽可能喂进去（分批、检索、RAG 都行），让它在充分材料基础上压缩出结构、观点和正文

你过去写文章、写论文，本来就是「读海量材料→提炼→组织→写作」（至少我是这样）。到了 AI 这里，不要突然双标，要求它凭空生长。

原则 8：克制「我妙手一改就好了」的冲动——改产线，不改结果

很多擅长写作的人，最容易在 AI 面前翻车：
AI 出了个 59 分的稿子，你觉得自己改两下就 80 分，于是你开始改；改着改着变成你重写；重写完你说「还是我自己来吧」，然后从此再也不用 AI。

解决办法不是更努力「改稿」，而是把关注点挪到更上游：

· 不要追求让 AI 直接写出 100 分

· 你的目标是让产线稳定产出 75～80 分

· 你要做的是迭代流程，让「平均分」提高，而不是让「单篇」完美

原则 9：把产线当产品迭代——可靠性本身就是价值

当你有一个系统能稳定给你 70 分的起点，它的价值不是「它像不像你」，而是：

· 你能在接近零成本的情况下拿到一个可用草稿

· 你能把精力集中在更高阶的判断：选题、结构、证据、品味与取舍

你要的不是一个能代替你的全能神，而是一个可靠的工厂：它不完美，但它稳定。

原则 10：数量第一要务——让它多产出，再筛选

只让 AI 给你一个版本，通常会得到最中庸、最保守、最「平均」的那一个。你要用「数量」对抗「平庸」。

更有效的做法是：

· 总结：一次要 5 个版本

· 开头：一次要 5 个开头，做 AB Test

· 选题：一次要 50 个选题，再分组、再挑

· 结构：一次要 3 套结构，再组合

· 表述：一次要 10 个不同措辞，再择优

当你提高平均分、提高产量，分布里自然会出现 85 分、90 分的「惊喜样本」。很多时候，好的不是「那一次神来之笔」，而是你终于开始用统计学的方式工作。

原则 11：别越俎代庖——像行政总厨一样指挥、品尝、让它回炉

如果你是餐厅的行政总厨，你不会亲自去拍黄瓜。你会：

· 尝一口

· 判断是否合格

· 给出明确反馈（哪里不行、要怎么改）

· 让厨师回去重做一遍

与 AI 协作也一样。你要尊重它「按它的方式生成」的主体性——你要做的是教它怎么达到你的标准，而不是自己跳下去把它每次的结果修成成品。

否则你会被无止尽的「修修补补」耗死。

最后一个底层原则：回到真实世界——材料 × 品味，决定作品上限

在 AI 时代，一个作品的质量越来越像是： 材料 × 品味。

模型会变，方法会迭代，但这两件事不变：

1. 材料来自真实世界

如果给你两种选择去写一篇文章：

· 用最新模型，但只能用网上资料

· 用老模型，但你有完整档案、口述史、实地采访

更可能做出好作品的，往往是后者。

2. 品味来自长期训练

当「生成」变得便宜，真正稀缺的是：

· 你知道什么值得写

· 你知道哪些证据更硬

· 你知道哪种叙述更有力量

· 你愿意为材料付出体力劳动：上穷碧落下黄泉，动手动脚翻资料

AI 改变的，是你和材料交互的效率与方式；但作品的主语仍然是你，宾语仍然是材料。AI 只是「动词」的一部分。

结语：把焦虑换成手感

很多人用 AI 用不起来，不是因为不聪明，而是因为一直停留在「许愿—失望—放弃」的循环里。真正能让你跨过去的，是把它当作工作台，把任务工程化，把流程白盒化，然后在不断摩擦里长出手感。

当你能做到这件事，你就不容易草率地下结论「AI 不行」；你会更像一个能管理新工具的新工种：既不俯视它，也不仰视它，把它放在流程里，放在现实里，放在你愿意署名的作品里。

原文链接