如果你已經(jīng)有用 AI 工作的經(jīng)驗(yàn)，那你一定經(jīng)歷過從初見 AI 智能的驚嘆，到看著AI給你整出的爛活恨不得口吐芬芳的過程。

同一個(gè)AI 兩種結(jié)果 | 作者 AI 制圖

可是，我們也經(jīng)常能看到有些講 AI 的博主或者 AI 用得好的同事，輕飄飄幾行提示詞，瞬間完成了自己和 AI 搏斗半天都沒法搞定的任務(wù)，你會(huì)不會(huì)也忍不住在想：難道 AI 也有別人家的 AI 嗎？

其實(shí)，真正的問題不在于 AI，而在于 AI 的使用方式。不過，影響 AI 出活質(zhì)量的因素有很多，篇幅所限，咱們今天先從其中最重要的基本原理和原則說起。

AI 是個(gè)辦公好搭子，然而……

人工智能（Artificial Intelligence，簡(jiǎn)稱 AI）是一個(gè)較為寬泛的概念，但日常工作占比最高、最實(shí)用，仍然主要是大語言模型（LLM），我們平時(shí)說“用 AI”其實(shí)用的就是大語言模型（簡(jiǎn)便起見下文中的“AI”均指的是大語言模型）。它們?cè)缫巡皇侵粫?huì)閑聊的玩具，在日常辦公中，最擅長(zhǎng)的就是處理那些規(guī)則相對(duì)明確、但又有點(diǎn)繁瑣的“文字工程”。

起草文書是最直接的，無論是寫一封得體的客戶道歉郵件還是一份項(xiàng)目啟動(dòng)通知。你只需要把要點(diǎn)丟給 AI，AI 就能迅速給你一份過得去的初稿。

信息整理與歸類也是常見的任務(wù)。面對(duì)幾十條雜亂無章的客戶反饋、產(chǎn)品評(píng)論，或者一份長(zhǎng)長(zhǎng)的項(xiàng)目待辦清單，AI 可以幫你快速排序與歸類。

AI 排序歸類很好用 | 作者截圖

日常工作也避免不了制表，梳理流程圖，這時(shí)候 AI 更是一大神器。

這些場(chǎng)景的共同點(diǎn)是：任務(wù)目標(biāo)明確，輸入信息充分，輸出格式有常規(guī)范式。它們不涉及深度的推理或創(chuàng)造，更像是“高級(jí)的文本模式轉(zhuǎn)換”。事實(shí)上，很多朋友初試 AI，往往都始于讓 AI 寫個(gè)周報(bào)、整理會(huì)議紀(jì)要，或者把一堆亂七八糟的數(shù)據(jù)變成清晰的表格。

但問題也來了——為什么這些任務(wù)這么明確，可AI 交出來的東西還常常讓你哭笑不得，甚至讓你想吐槽它蠢呢？這就引出了下一個(gè)關(guān)鍵——AI的工作模式。

AI 是怎么“想事兒”的？
要想讓 AI 不犯蠢，我們得先搞懂它到底是怎么工作的。首先我們要記住，雖然 AI 每次工作都好像在思考，但AI有一套特別的工作流程，而這與我們?nèi)祟惖乃伎歼^程很不一樣。

AI 的工作方式 | 作者 AI 制圖

你可以把AI（大語言模型）想象成一個(gè)世界上閱讀量最大、最會(huì)玩詞語接龍的玩家。 它的核心工作只有一件：根據(jù)你給它的所有文字（這叫“上下文”），猜出下一個(gè)最可能出現(xiàn)的詞。

說白了，它就像一個(gè)記憶力特別好，腦子特別快的猜詞玩家。你一說：“今天天氣真…”，它就會(huì)根據(jù)讀過的海量文章，會(huì)立刻猜出下一個(gè)詞很可能是“好”、“不錯(cuò)”或者“糟糕”。它其實(shí)并不理解天氣，只是在做概率計(jì)算：哪個(gè)詞正確的概率最高。

而上下文則是 AI 的工作基礎(chǔ)——你給 AI 的所有對(duì)話歷史、當(dāng)前問題、你提供的資料，共同構(gòu)成了它的“上下文”（Context）。當(dāng)你跟它詞語接龍，你說過什么將是它進(jìn)行猜測(cè)的唯一依據(jù)。

如果我們注意力不集中，猜詞的時(shí)候顯然表現(xiàn)就會(huì)差，而 AI 也有“注意力”的問題（Attention）。我們可以把 AI 的注意力想象成一種智能的資源分配器。面對(duì)一堆信息，它需要決定把“精力”重點(diǎn)投放在哪里。如果分配得當(dāng)，它能高效提取關(guān)鍵信息，做出精準(zhǔn)判斷（如猜詞）；但如果分配失誤，比如過度關(guān)注次要細(xì)節(jié)或忽略了核心關(guān)聯(lián)，最終的輸出效果就會(huì)變差。

要想讓 AI 輸出的結(jié)果靠譜，就要讓它更容易猜中想要的結(jié)果——這就需要我們盡量提供清晰的指令和完整的信息背景（上下文），以避免 AI“走神”。接下來，我們就能具體看看，在日常辦公中，是哪些操作在無形中“坑”了你的 AI 伙伴。

高質(zhì)量的問題才能帶來好結(jié)果

AI 整出爛活，最常見、最坑的原因往往不是 AI不夠給力，而是它沒能很好地理解你給它的問題。

你有沒有遇到過給下屬布置任務(wù)后，結(jié)果交上來一堆讓你扶額的東西？或者自己提需求時(shí)，說完自己都覺得沒說清楚？對(duì) AI 來說更是如此，因?yàn)樗ぷ鞯乃谢A(chǔ)，就是你輸入的那段文字。

我們來看一對(duì)例子：

·問題 1（模糊）：“幫我寫個(gè)營(yíng)銷方案”

·問題 2（清晰）：“幫我寫一份針對(duì) 25-30 歲一線城市職場(chǎng)女性的咖啡新品推廣方案，預(yù)算 5 萬，核心目標(biāo)是提升 XXX 平臺(tái)的品牌曝光，要求包含 3 個(gè)具體的線下聯(lián)動(dòng)活動(dòng)和 2 篇 XXX 平臺(tái)筆記框架”

老實(shí)說，“問題 1”才是我們工作中碰到的常態(tài)，執(zhí)行的同事看到這種表述，非得當(dāng)場(chǎng)拽住你對(duì)齊需求。但看到問題 2，不管是 AI 還是真人，立刻就有了清晰的執(zhí)行方向，甚至連輸出細(xì)節(jié)都定死了，當(dāng)然很難出岔子。

其中最大的區(qū)別在于，高質(zhì)量的問題，像一個(gè)清晰的導(dǎo)航地址，而低質(zhì)量的問題，就好像只給了一個(gè)城市名卻想讓你找到一個(gè)人的家。對(duì)于依賴上下文進(jìn)行推理的AI來說，一個(gè)模糊的“城市名”意味著它缺乏足夠的線索，只能在過于寬泛的語義范圍里猜測(cè)，最終給出的答案自然就容易偏離你的本意。但現(xiàn)實(shí)職場(chǎng)里，這種“模糊不清”的任務(wù)才是日常常態(tài)，按照這種習(xí)慣來用 AI，結(jié)果可想而知。

當(dāng)然，現(xiàn)在的 AI 比幾年前更強(qiáng)大，咱們其實(shí)也沒必要花太多時(shí)間優(yōu)化提示詞，不妨換個(gè)思路跟 AI 提問：

“我要給新咖啡寫推廣方案，還沒定方向，幫我梳理需要明確的關(guān)鍵信息？”或者直接讓 AI 發(fā)揮“為了更好地完成這個(gè)任務(wù)，你可以向我提問來補(bǔ)全信息”。

這樣一來，先讓 AI 把模糊需求拆成清晰的關(guān)鍵點(diǎn)，你補(bǔ)全信息后再提問，最終效果自然會(huì)天差地別。

看到這里，相信很多朋友會(huì)恍然大悟，原來并不是 AI 的能力不行（大多數(shù)情況下），而是我們給出的“猜詞游戲”太過模糊不清。而那些用 AI 很厲害的達(dá)人們，則往往在一開始就給出了非常清晰的要求。

最后，千萬要注意一點(diǎn)，即便你給AI的要求清晰明確，AI“猜詞”的時(shí)候仍然可能會(huì)產(chǎn)生幻覺，為了硬湊答案，很可能瞎編并不存在的細(xì)節(jié)。這樣，AI 的答案盡管從文本上看已經(jīng)足夠完善，但卻可能隱藏著致命的漏洞。這時(shí)，作為AI的使用者，請(qǐng)一定要把關(guān)鍵信息、核心數(shù)據(jù)親自核對(duì)一遍，畢竟 AI 并不會(huì)為人類背鍋哦。

策劃制作

作者丨Sammy Zeng 獨(dú)立 AI 研究者 科普作者

審核丨于乃功 北京工業(yè)大學(xué)教授 中國(guó)人工智能學(xué)會(huì)理事