本课目标

  • 破除三个最常见的认知误区
  • 建立"协作伙伴"而非"工具"的心智模型
  • 明确大模型的能力边界

假设你新招了一个实习生。他极其聪明，读过全世界的书，反应飞快。但他也有毛病：健忘（每次对话都得从头交代背景）、偶尔一本正经地胡说八道、而且对"不知道"这三个字有天然的抗拒——他宁愿编一个看起来合理的答案，也不肯承认自己不会。

你会怎么带他？

你会把任务讲清楚，给他参考资料，检查他的产出，对他的错误有预期。你不会把报价单直接丢给他然后拿去给客户签字。

大模型就是这个实习生。 把 AI 当人，是最高效的心智模型。把 AI 当工具，你会踩遍所有坑。

核心内容

误区一："AI 是一种工具"

工具的行为是确定的——锤子不会在你想钉钉子的时候变成螺丝刀。大模型不是。同样的输入，两次回答可能不同；同一个问题换种问法，结果天差地别。

它更像一个有概率分布的同事。你需要的是"协作"，不是"操作"。

想一想：你跟同事沟通时，会不会把需求写成 API 文档？不会。你会交代背景、说明约束、给出示例。对大模型也一样。

误区二："每种 AI 产品都要重新学"

市面上的 AI 产品层出不穷——ChatGPT、Claude、Gemini、Kimi、DeepSeek……看起来每个都不一样。但底层的交互逻辑是同一套：理解上下文 → 按指令生成。

掌握原理的人，切换产品只是换一个界面。没掌握原理的人，每出一个新产品就要从头学一遍。迁移成本天差地别。

这就像你会开车之后，换一辆车只需要五分钟适应油门和刹车的脚感。但如果你只会按按钮——"按下这个键车就走"——换辆车你就不会开了。

误区三："做 AI 产品是算法专家的专利"

算法专家擅长训模型，但应用层的大量工作——提示设计、流程编排、评估迭代、边界处理——恰恰是工程师和懂业务的人更擅长。

为什么？因为你天天跟需求打交道，你知道什么叫"好"。模型不知道。

训一个 GPT-4 需要 PhD，但把一个 GPT-4 用出花来，只需要工程思维 + 业务理解 + 愿意试错。三者你们都有。

能力边界：知道它不擅长什么，比知道它擅长什么更重要

它擅长：自然语言理解与生成、总结与改写、模式化的推理与代码、扮演角色对话。

它不擅长：精确的数学计算、记住你的私有信息、保证事实正确、执行需要确定性的操作。

知道边界的人不会踩大坑。让模型直接算报价单、把它的陈述当事实引用、让它"记住"上次对话的细节而不做任何工程处理——都是典型的越界使用。

一个实用检验："如果实习生做错了这件事，后果我能接受吗？" 能 → 交给 AI。不能 → 人工把关。

动手练习

列出你本周工作中最耗时的三件事，逐条判断：它落在"擅长区"还是"边界区"？如果让那个"聪明但健忘的实习生"来做，你会怎么交代？把这段交代写成给 AI 的指令，试一次。