用 AI 幹活，別人輕鬆搞定，你卻氣得想罵人？問題出在這兒

如果你已經有用 AI 工作的經驗，那你一定經歷過從初見 AI 智能的驚歎，到看着AI給你整出的爛活恨不得口吐芬芳的過程。

同一個AI 兩種結果 | 作者 AI 製圖

可是，我們也經常能看到有些講 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 搏鬥半天都沒法搞定的任務，你會不會也忍不住在想：難道 AI 也有別人家的 AI 嗎？

其實，真正的問題不在於 AI，而在於 AI 的使用方式。不過，影響 AI 出活質量的因素有很多，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 是個辦公好搭子，然而……

人工智能（Artificial Intelligence，簡稱 AI）是一個較爲寬泛的概念，但日常工作佔比最高、最實用，仍然主要是大語言模型（LLM），我們平時說“用 AI”其實用的就是大語言模型（簡便起見下文中的“AI”均指的是大語言模型）。它們早已不是隻會閒聊的玩具，在日常辦公中，最擅長的就是處理那些規則相對明確、但又有點繁瑣的“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目啓動通知。你只需要把要點丟給 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。面對幾十條雜亂無章的客戶反饋、產品評論，或者一份長長的項目待辦清單，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製表，梳理流程圖，這時候 AI 更是一大神器。

這些場景的共同點是：任務目標明確，輸入信息充分，輸出格式有常規範式。它們不涉及深度的推理或創造，更像是“高級的文本模式轉換”。事實上，很多朋友初試 AI，往往都始於讓 AI 寫個週報、整理會議紀要，或者把一堆亂七八糟的數據變成清晰的表格。

但問題也來了——爲什麼這些任務這麼明確，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？這就引出了下一個關鍵——AI的工作模式。

AI 是怎麼“想事兒”的？

要想讓 AI 不犯蠢，我們得先搞懂它到底是怎麼工作的。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，而這與我們人類的思考過程很不一樣。

AI 的工作方式 | 作者 AI 製圖

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

說白了，它就像一個記憶力特別好，腦子特別快的猜詞玩家。你一說：“今天天氣真…”，它就會根據讀過的海量文章，會立刻猜出下一個詞很可能是“好”、“不錯”或者“糟糕”。它其實並不理解天氣，只是在做概率計算：哪個詞正確的概率最高。

而上下文則是 AI 的工作基礎——你給 AI 的所有對話歷史、當前問題、你提供的資料，共同構成了它的“上下文”（Context）。當你跟它詞語接龍，你說過什麼將是它進行猜測的唯一依據。

如果我們注意力不集中，猜詞的時候顯然表現就會差，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。面對一堆信息，它需要決定把“精力”重點投放在哪裏。如果分配得當，它能高效提取關鍵信息，做出精準判斷（如猜詞）；但如果分配失誤，比如過度關注次要細節或忽略了核心關聯，最終的輸出效果就會變差。

要想讓 AI 輸出的結果靠譜，就要讓它更容易猜中想要的結果——這就需要我們儘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 夥伴。

高質量的問題才能帶來好結果

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佈置任務後，結果交上來一堆讓你扶額的東西？或者自己提需求時，說完自己都覺得沒說清楚？對 AI 來說更是如此，因爲它工作的所有基礎，就是你輸入的那段文字。

我們來看一對例子：

· 問題 1（模糊）：“幫我寫個營銷方案”

· 問題 2（清晰）：“幫我寫一份針對 25-30 歲一線城市職場女性的咖啡新品推廣方案，預算 5 萬，核心目標是提升 XXX 平臺的品牌曝光，要求包含 3 個具體的線下聯動活動和 2 篇 XXX 平臺筆記框架”

老實說，“問題 1”纔是我們工作中碰到的常態，執行的同事看到這種表述，非得當場拽住你對齊需求。但看到問題 2，不管是 AI 還是真人，立刻就有了清晰的執行方向，甚至連輸出細節都定死了，當然很難出岔子。

其中最大的區別在於，高質量的問題，像一個清晰的導航地址，而低質量的問題，就好像只給了一個城市名卻想讓你找到一個人的家。對於依賴上下文進行推理的AI來說，一個模糊的“城市名”意味着它缺乏足夠的線索，只能在過於寬泛的語義範圍裏猜測，最終給出的答案自然就容易偏離你的本意。但現實職場裏，這種“模糊不清”的任務纔是日常常態，按照這種習慣來用 AI，結果可想而知。

當然，現在的 AI 比幾年前更強大，咱們其實也沒必要花太多時間優化提示詞，不妨換個思路跟 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鍵信息？”或者直接讓 AI 發揮“爲了更好地完成這個任務，你可以向我提問來補全信息”。

這樣一來，先讓 AI 把模糊需求拆成清晰的關鍵點，你補全信息後再提問，最終效果自然會天差地別。

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

最後，千萬要注意一點，即便你給AI的要求清晰明確，AI“猜詞”的時候仍然可能會產生幻覺，爲了硬湊答案，很可能瞎編並不存在的細節。這樣，AI 的答案儘管從文本上看已經足夠完善，但卻可能隱藏着致命的漏洞。這時，作爲AI的使用者，請一定要把關鍵信息、核心數據親自核對一遍，畢竟 AI 並不會爲人類背鍋哦。

策劃製作

作者丨Sammy Zeng 獨立 AI 研究者 科普作者

審覈丨於乃功 北京工業大學教授 中國人工智能學會理事