大多数人用 AI 的方式，是把一个本来可以做项目经理的助手，当成了一个会打字的实习生。
一个让人不安的事实
我观察过很多人第一次用 AI 助手的场景。通常是这样的：
打开对话框，敲下一句帮我写一份季度运营报告，回车，等三秒，然后皱着眉头说写得不行，太泛了。
这中间发生了什么？他把一个需要拆解 30 个子任务、需要了解公司业务、需要对齐格式偏好的复杂工程，压缩成了一句话，然后期待一次生成就拿到 90 分的成品。
这不是 AI 不行，这是用法不对。
AI 助手的能力上限从来不是模型本身，而是使用者的两件事：你能不能把需求说清楚，你能不能把流程设计对。这两件事，恰恰是十条被反复验证的心法要解决的。
先建立心智模型
产出质量 = 表达清晰度 × 流程设计 × 杠杆率- 表达清晰度：你能不能让 AI 一次听懂要什么（技巧一、二）
- 流程设计：你会不会拆任务、会迭代、敢不敢先验证（技巧三、四、五）
- 杠杆率：你有没有选对帮手、做好工程保障、把重复劳动自动化（技巧六、七、八、九）
而最外层，是这九条共同服务的目标，重新划分人和 AI 的分工（技巧十）。
下面十条心法，按从怎么说到怎么放手的顺序依次展开。每条我标了它所属的维度，读完你会发现，这十条不是孤立的，而是层层递进、互相放大。
技巧一：用做什么 + 有什么 + 怎么样 公式描述任务
维度：表达清晰度
一个完整的任务描述，必须包含三要素：
| 要素 | 回答的问题 | 示例 |
|---|---|---|
| 做什么 | 目标动作是什么 | 合并、对比、清洗、生成 |
| 有什么 | 输入材料在哪、什么格式 | 桌面上 3 份 CSV，字段是日期/金额/部门 |
| 怎么样 | 验收标准是什么 | 按月份分组，输出 Excel，保留两位小数 |
反例（大部分人的真实写法）：
帮我把这些报表整理一下AI 看到这句话，需要在黑暗中猜：哪些报表？在哪？整理成什么样？用什么工具？于是它只能给你一个最安全的通用答案，也就是最没用的答案。
正例：
帮我把桌面上 /Users/Desktop/reports 目录下的 3 份 CSV （Q1.csv、Q2.csv、Q3.csv，字段为 日期/部门/金额）合并成一张总表。 要求： 1. 按月份分组汇总 2. 新增一列环比增长率 3. 输出为 Excel，金额保留两位小数 4. 完成后打开给我看两个版本的差距，不是文笔，而是信息密度。你多给的每一行约束，都在替 AI 少做一次猜测。
技巧二：大任务拆小步，一次推进一件事
维度：表达清晰度
帮我做一份季度运营报告是一个包含 30 个决策点的复合任务。一口气丢给 AI，它会在每个环节都做到 60 分，然后整体给你一个 60 分的成果。
正确拆法：
第 1 步：先给我这份报告的三级大纲，我确认方向 第 2 步：大纲确认后，逐节填充数据和结论 第 3 步：内容确认后，生成 3-4 张可视化图表 第 4 步：最后统一文风、核对数字、补摘要每一次只推进一件事，对完再进下一节。
拆任务本身就是把一个模糊的大问题，变成 AI 能听懂的多个清晰子问题，它本质上是表达清晰度的延伸。
技巧三：第一轮只是起点，多轮打磨才出好货
维度：流程设计
期待一问出成品，是新手最大的幻觉。
正确的心态是：第一轮输出是一份 60 分的草稿，它的作用是暴露问题、校准方向。
打磨的正确姿势是具体而非笼统：
| 笼统反馈（低效） | 具体反馈（高效） |
|---|---|
| 写得不好 | 第三部分数据太多，砍掉一半，只留 TOP3 |
| 再优化一下 | 表格加一列环比，标红下跌的项 |
| 不够专业 | 把口语化的句子改成陈述句，去掉感叹号 |
好内容是迭代出来的，不是生成出来的。
一个愿意迭代五轮的人，和一个只问一次就放弃的人，拿到的东西完全是两个世界。
技巧四：先本地验证，再放手远程自动化
维度：流程设计
这条是安全底线，不是效率技巧。
自动化一旦设错，代价是静默放大的。
你可能让 AI 在凌晨三点连续发错 100 封邮件，或者把 50 个文件写成乱码，而你第二天早上才发现。
正确的顺序：
- 新建的自动化任务，先手动小范围跑几次
- 逐条检查输出，确认逻辑、格式、边界都对
- 再挂上每天 9 点这类定时触发器
- 涉及删除、发送、覆盖的操作，务必保留人工确认环节
先验证，再放手。 这条守的是你的数据安全和职业声誉。
技巧五：善用专家身份，快速提升输出质量
维度：流程设计
WorkBuddy 里的专家不是装饰，是带行业方法论和思维框架的角色预设。
同一个问题，通用对话和专家模式的产出差距明显。
怎么选：
| 任务类型 | 应选专家 |
|---|---|
| 写代码 / 调试 | 前端工程师、全栈工程师 |
| 写方案 / 汇报 | 产品经理、咨询顾问 |
| 写文案 / 推广 | 文案策划、市场分析师 |
| 做研究 / 综述 | 对应领域的研究专家 |
| 处理表格 / 数据 | 数据分析师 |
不同任务匹配不同专家，产出质量平均能提升一档。
让写代码的专家去写品牌文案，是对双方才能的浪费。
技巧六：一个好样本，胜过十行抽象要求
维度：杠杆率
写得正式一点风格活泼一些代码要规范，这些是抽象要求。AI 对抽象形容词的理解，和你脑子里的画面往往差着十万八千里。
最有效的办法：直接给样本。
抽象要求： 帮我写一封正式的催款邮件，语气要专业但不生硬 给样本： 参考下面这封邮件的语气和句式，给XX 科技写一封催款邮件， 金额12万，逾期45天。附件是我方已发货的凭证。 [粘贴一封你觉得写得好的邮件]样本的信息密度是形容词的几百倍，它一次性传递了句式、用词、段落节奏、称呼习惯、结尾方式。
一句话指令 + 一个好样本，效果远胜十条抽象要求。
技巧七：不同任务开不同会话，避免上下文污染
维度：杠杆率
一个会话聊久了，会积累大量隐含设定：
开头你说我是新手，讲简单点→ 中间你说详细展开，多给案例→ 后来你又说简短一点
这些指令互相冲突，AI 会取一个模糊的中间值，于是你发现它的输出越来越不对味。这就是上下文污染。
经验法则：
- 每次大方向切换 = 新开一个会话
- 换项目、换主题、换阶段，都值得开新对话
- WorkBuddy 会把每个项目的记忆存在
.workbuddy-ai/memory/目录里，会话隔离不会丢失长期上下文
一个会话只做一件事，是保持输出稳定的最低成本手段。
技巧八：改前必备份，养成版本管理好习惯
维度：杠杆率
AI 改文件很快，改错也很快。而且它改完就改完了，不会替你保存上一版。
最低限度的防护：
# 大改前先复制一份cpreport.docx report.docx.bak# 重要项目用 git 管理gitinitgitadd.gitcommit-m"AI 修改前的基线版本"然后每次 AI 改完，看一眼 diff 再合并。
铁律：配置文件、数据库脚本、生产代码，改前必备份。
这几类文件一旦改错，恢复成本远高于备份成本。
技巧九：重复性工作设自动化，让 AI 24 小时干活
维度：杠杆率
真正拉开效率差距的，是把每天都要做的事交给自动化。
几个典型场景：
- 每天 9:00 抓取 A 股开盘数据 → 生成日报 → 存入资料库
- 每周一 9:00 汇总上周所有项目进度，输出周报
- 每月 1 号对账，异常项高亮提醒
设置一次，之后每月省下几小时。自动化是把一次性对话变成长期资产的唯一方式。
配合技巧四（先验证），自动化的收益可以放大到最大，而风险压到最低。
技巧十：机械劳动交给 AI，人专注决策和创造
维度：战略层
这是前九条的总结，也是整套心法的终极目标。
重新划一条线：
| 交给 AI（执行） | 留给人（判断） |
|---|---|
| 搜集、整理、格式化 | 定目标：到底要解决什么问题 |
| 初稿、素材、候选方案 | 判断对错：结果可不可信 |
| 重复执行、定时触发 | 拍板方向：选 A 还是选 B |
| 跨工具搬运、批量处理 | 注入审美、价值观、行业直觉 |
用好 WorkBuddy 的本质，是把判断留给自己，把执行交给 AI。
AI 不会取代你，但一个会用 AI 的同行会。区别不在于谁的模型更强，而在于谁更早完成了这次分工重构。
十条归位：三维度 × 战略层
顺着读完你会发现，这十条不是散的，而是自然地聚成了三个相乘的维度 + 一个外层战略。
前三层决定当下每一次产出的质量，最外层决定你与 AI 的长期分工方式：
| 维度 | 包含的技巧 | 解决的问题 |
|---|---|---|
| 表达清晰度 | 一、二 | 让 AI 一次听懂要什么 |
| 流程设计 | 三、四、五 | 拆、磨、验，把事做对 |
| 杠杆率 | 六、七、八、九 | 放大表达、做工程保障 |
| 战略层 | 十 | 重新划分人与 AI 的分工 |
前三个维度相乘是产出质量，最外层战略决定你能跑多远。
工具的能力是平的，人的用法是分层的。
从今天开始，只做三件事
不用一次记住十条。挑三件明天就能做的：
- 下一个任务，用做什么 + 有什么 + 怎么样重新写一遍提示词，对比一下输出质量的变化。
- 遇到复杂任务，强制拆成 4 步，每步确认后再进下一步。
- 找出一件你每周重复做的事，手动跑通两次，然后设成自动化。
做完这三件，你对 AI 助手的掌控感会有肉眼可见的变化。剩下的七条，会在你做出成果之后自然内化。
