Files
Obsidian/X-Articles-CN/给人文工作者的 AI 使用指南.md
T
coco 8b94d76799 a
2026-07-21 13:57:15 +08:00

243 lines
16 KiB
Markdown
Raw Blame History

This file contains ambiguous Unicode characters
This file contains Unicode characters that might be confused with other characters. If you think that this is intentional, you can safely ignore this warning. Use the Escape button to reveal them.
---
title: "给人文工作者的 AI 使用指南"
source: "https://x.com/HanyangWang/status/2029362155607474359"
author:
- "[[Unknown]]"
published: 2026-03-05
created: 2026-03-05
description:
tags:
- "clippings"
---
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](https://funes.world/), 我们必须每天大量的通过 AI 进行生产。加之还有[《蜉蝣天地》](https://www.youtube.com/@FuyoutiandiMeanders)、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。
不过这个分享一直没公开做过,正好今年和重轻启动了[《诗梳风》](https://shishufeng.com/)这档节目,所以第一次完整公开的聊了一遍。以下文字整理自播客《给人文工作者的 AI 使用指南》,AI 辅助整理,有所缩略。如果你想知道完整版,可以[官网直接收听](https://shishufeng.com/episode/owocaoshiaiwomenyoujiule),或者在宇宙、[苹果播客](https://podcasts.apple.com/us/podcast/%E8%AF%97%E6%A2%B3%E9%A3%8E/id1870811470)搜索《诗梳风》即可收听。
![图像](https://pbs.twimg.com/media/HCm9_ggbgAAfvoi?format=jpg&name=large)
小宇宙二维码
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](https://hanyang.wtf/p/c4b)。”
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。
![图像](https://pbs.twimg.com/media/HCkrsW8awAY5y7S?format=jpg&name=large)
当时做测试时的一些步骤
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:
- **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。
1. **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。
![图像](https://pbs.twimg.com/media/HCm1rf7bEAAcAP_?format=jpg&name=large)
上穷碧落下黄泉,动手动脚拍摘片
## 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。
我是汉洋,如果你对我写的文字感兴趣。可以在 [X 关注我](https://x.com/HanyangWang)或者[在个人博客查看更多内容](https://hanyang.wtf/)。
封面:我拍摄的繁峙公主寺悬塑 📷501cm + E100
[https://hanyang.wtf/p/aihttps://hanyang.wtf/p/ai](https://hanyang.wtf/p/aihttps://hanyang.wtf/p/ai)