世界劇變中，人文工作者應該如何更好地利用人工智慧（AI）？

原文標題：《給人文工作者的 AI 使用指南》

原文作者：漢洋 MASTERPA，Funes 創始人

人文工作者沒有創造世界變化，但他們卻在承受世界變化。

有的時候我感覺，那些賣人工智能教程的帳號總是把 AI 當成一種魔法：給你一個神奇的 prompt，你就能做任何事兒。現實當然不是這樣。過去的一段時間裡，因為創立了 FUNES，我們必須每天大量地通過 AI 進行生產。加之還有《蜉蝣天地》、我自己的寫作等內容生產，光靠人力已經不夠了。所以我們大量地嘗試如何使用 AI 輔助我們的內容市場與人文學科研究工作。

後來公司有新同事入職，我就做了個簡單的 Keynote。又一次得到的賈行家老師聽說後，就邀請我去做個分享。我和合夥人可達給這個分享起名《給人文工作者的 AI 使用指南》。當時是純私下的分享，主要是一些大方向上的原則。後來又做過幾次，逐漸擴充。

過去一年多裡，把這套怎麼用 AI 的經驗講給過很多做內容、做研究、做知識產品的朋友。它的目標不是教你背幾個神奇提示詞，更不是把 AI 當成靈丹妙藥；相反，它更像是一套工作方法：讓你在不寫程式的前提下，把大模型真正接進自己的寫作、研究、編輯、選題、資料整理與生產流程裡，並且做到可追溯、可監督、可驗證，最後你依然願意在作品上署名。

這套方法來自我們在真實項目裡踩過的坑：當內容進入規模化生產，純靠人力會崩；而 AI 直接寫一篇又會幻覺、會偷懶、會寫得像 AI。於是我們不得不把創作變成產線，把產線變成可迭代的系統。

當今天我不想直接給你各種提示詞，我希望能給你一些關鍵的指導思想和原則。

寫在原則之前：這份指南的三條底線

在具體方法之前，先明確三條底線。它們決定了你「怎麼用 AI」，也決定了你「為什麼要這樣用」。

1. 過程必須可追溯、可監督、可驗證
你不能只要一個結果、不要過程。對人文工作而言，黑箱最危險：幻覺、錯引、偷換概念，都會在黑箱裡悄悄發生。

2. 必須可操縱
你要能控制它怎麼做、按什麼標準做、在哪些地方慢一點、在哪些地方嚴一點。你不是在「抽卡」，你是在生產。

3. 最後你依然願意署名
「我願不願意把名字放上去？」是最終質檢。如果你不願意署名，通常不是道德問題，而是過程裡你的意志沒有貫徹進去——也就意味着品質不可控。

原則 0：別對 AI 許願，把它當作工作台

很多人用 AI 的方式，本質是在許願：
「給我一個好段子」「幫我寫一篇好文章」「解釋這篇論文」。

問題在於——「解釋」本身就有無數種解釋：給外行、給本科生、給研究生、給同行，完全不是一個任務。AI 不可能預設知道你的背景、目的、口味和標準。你不說清楚，它就只能用「平均人類」的默認方式糊一份最省力的答案給你。

把大模型當工作台，意味著：你不向它索要結果，而是調動它的工具來完成一個過程。你要做的是把任務說清楚、把標準說清楚、把步驟安排出來。

比如讓 AI 解釋論文

你可以像這樣把許願式請求（給我解釋這篇論文）改成工作台式任務：

· 明確目標受眾：聰明、有好奇心，但不是該領域專家的研究生

· 明確講解方式：啟發式、循序漸進、有學術嚴謹性

· 明確結構要求：先講意義，再補背景，再還原研究歷程，再講關鍵技術點，再提啟示

· 明確語氣：尊重智力、不居高臨下、不假裝對方已有深厚基礎

你會發現：你給得越像「作業要求」，AI 就越不像 AI，越像一個真的會幹活的助教。

原則 1：想要 AI 做好，先反思自己——你才是負責人

如果你雇了一個秘書，你不會只說：
「把漢洋那篇寫美國鏽帶的文章改好。」

你一定會補充：

這篇文章為什麼寫、寫給誰、現在卡在哪、你希望它解決什麼問題、哪些地方不能動、你要什麼風格、你最在意的指標是什麼。

AI 也是一樣。你要把它當成一個非常勤奮、非常禮貌、但不懂你腦內隱含前提的同事。真正的「提示詞工程」不是技巧，而是一種責任感：任何任務仍然是你在做，AI 只是幫你幹活。

當你對 AI 的輸出不滿意，最有效的第一反應不是「AI 不行」，而是：

· 我有沒有說清楚「對象/受眾/目的」？

· 我有沒有提供足夠的背景材料和約束？

· 我有沒有把「抽象願望」拆成「可執行動作」？

· 我有沒有給到可判斷對錯的標準？

原則 2：同一個問題至少問 3 個模型——每個 AI 都有「性格」和擅長領域

在我們公司，任何初次接觸大模型的同事我會希望他在前期使用中，每個問題問三個不同的 AI。AI 像人一樣有差異：有的更擅長寫作遣詞，有的更擅長推理解題，有的更擅長代碼或工具調用。更現實的一點是：同一家產品的模型、同一個模型的新版本，也會不斷微調「風格」和「邊界」。

所以一個很樸素但極有效的習慣是：同一個問題，至少拋給 3 個不同 AI，你會快速獲得「手感」：

· 哪個更會寫、哪個更會想、哪個更會查、哪個更容易偷懶

· 哪些任務適合誰做「第一稿」，哪些適合誰做「審稿人」

· 哪個更適合出「選題/結構」，哪個更適合出「段落/句子」

這一步的價值不在於「選出最強模型」，而在於：你開始像管理團隊一樣管理模型，而不是把它當唯一神諭。

原則 3：AI 不是全知全能——把它當成「好學校本科生」的常識水平

一個很實用的預期管理是：
AI 的常識水平≈一個 985 的本科生。

如果某件事你覺得「一個優秀本科生都未必知道」，那你就應該默認 AI 也不知道；至少默認它會在不知道的時候「編得很像知道」。

這會帶來兩個直接動作：

1. 任何超過常識的內容，都要你來教它
比如：你要它寫段子、寫真正有獨特品味的文案、寫高度專業的論證——你不能只給一句「寫得好點」，你要給範例、給標準、給禁區、給語料。我相信你現在去和朋友解釋你心中什麼文字是好的，都需要點時間；那怎麼能認為 AI 默認知道呢？

2. 你要把它當實習生協作，而不是當神
它能做很多「微觀插值」的工作：把你給的腳手架補全，把你給的材料織成可讀文本。但「腳手架」和「方向」仍然來自你。

原則 4：讓 AI 一步一步逼近目標——白盒分步驟，比黑箱一次性更可靠

AI 的優勢不是「直接給你正確答案」，而是它可以在你設計的流程裡，穩定完成很多小步驟。你越是要求它「一步到位」，它越容易變成「看似完整、實則偷懶」的黑箱。

一個特別直觀的例子是做 TTS（文本轉語音）或朗讀稿的處理。與其說「注意多音字、不要讀錯」，不如把任務拆成一串步驟，例如：

· 標出停頓/重音/語速變化的標記

· 辨識潛在多音字

· 依據詞典或權威讀音做核對（必要時先檢索再確定）

· 對容易誤讀但常見的字提前標註

· 實在不行就用同音無歧義字替換，從根上消滅誤讀可能

這類「顯而易見的正確做法」，人類會默認自己會做；但 AI 不會默認。你不把「顯而易見」寫進流程，它就會在最省力的路徑上犯錯。

原則 5：先工業化，再 AI 化——你不能從農業時代一步跳到 AI 時代

如果你的寫作/研究流程本身是隨機的、憑靈感的、資料不管理的，那你確實很難把它交給 AI。因為 AI 只能接住你「可描述、可復現」的那部分。

更現實的路徑是：

1. 先把工作變成「產綫」：可拆分、可復用、可質檢

2. 再把其中的子步驟交給 AI：讓它當工位，而不是當上帝

我們做過一個很蠢但很關鍵的工作：把我自己怎麼寫一篇非虛構文章的過程解出來。包括：

· 為什麼用這個故事開頭

· 為什麼選這句話

· 如何給例子打分

· 如何起承轉合、如何過渡、如何收尾

· 如何把小故事連接到更宏大的圖景

最後拆成了幾十個步驟，讓不同的 AI 只做其中一個步驟。結果是：
不是模型突然變強了，而是流程把它「每次只能行一點點」的能力串起來了。

當你能清晰描述「我的文章是怎麼做出來的」，你就會發現：決定品質上限的從來不是「用哪個大模型」，而是你有沒有把工作方法講清楚。

當時做測試時的一些步驟

不過這段強烈建議你聽節目，說得更詳細。

原則 6：預測 AI 會偷懶——它會省算力，你要替它掃清「格式障礙」

AI 會偷懶，而且是「系統性偷懶」：能不打開網頁就不打開，能不讀 PDF 就不讀，能跳過就跳過。不是它壞，而是它在算力與時間的限制下，天然傾向於走最省力路徑。

所以你要做的是：把 AI 的算力用在「理解文本」，而不是浪費在「處理格式」。

非常有效的改法包括：

· 儘量把材料轉成純文本/Markdown，再餵給 AI

· 把網頁內容複製成乾淨文本（去掉導航、廣告、腳註噪音）

· 對長材料先做「事實提煉/結構提取」，再讓它寫作

· 把 PDF/EPUB/網頁統一入庫成可檢索的 TXT，再做後續任務

你會發現：很多人抵觸這種「體力活」，覺得「機器就該替我幹骯髒活」。但在人機協作裡恰恰相反——你願意做一點點機械勞動，AI 的智力部分才會變得更鋒利、更可靠。

原則 7：記住上下文有限——把任務盡量改成「壓縮」，不要指望它「凭空擴張」

AI 有上下文視窗，有「記憶上限」。你給它兩萬字，它未必能記住多少；你給它二十萬字，它可能只掃標題。一個形象的類比是：把人關進小房間一天，丟給他一本二十萬字的書，出來讓他背——能背多少，大概就是 AI 能「記住」的量。

因此有一個很反直覺但極重要的經驗：

1. 壓縮比擴張容易得多

把 100 萬字壓到 1 萬字，往往比把 1 萬字擴到 100 萬字可靠。

這直接改變你向 AI 提需求的方式：

· 不要用 100 字提示詞去要一篇論文

· 相反，把材料盡可能餵進去（分批、檢索、RAG 都行），讓它在充分材料基礎上壓縮出結構、觀點和正文

你過去寫文章、寫論文，本來就是「讀海量材料→提煉→組織→寫作」（至少我是這樣）。到了 AI 這裡，不要突然雙標，要求它凭空生長。

原則 8：克制「我妙手一改就好了」的衝動——改產線，不改結果

很多擅長寫作的人，最容易在 AI 面前翻車：
AI 出了個 59 分的稿子，你覺得自己改兩下就 80 分，於是你開始改；改著改著變成你重寫；重寫完你說「還是我自己來吧」，然後從此再也不用 AI。

解決辦法不是更努力「改稿」，而是把關注點挪到更上游：

· 不要追求讓 AI 直接寫出 100 分

· 你的目標是讓產線穩定產出 75～80 分

· 你要做的是迭代流程，讓「平均分」提高，而不是讓「單篇」完美

原則 9：把產線當產品迭代——可靠性本身就是價值

當你有一個系統能穩定給你 70 分的起點，它的價值不是「它像不像你」，而是：

· 你能在接近零成本的情況下拿到一個可用草稿

· 你能把精力集中在更高階的判斷：選題、結構、證據、品味與取捨

你要的不是一個能代替你的全能神，而是一個可靠的工廠：它不完美，但它穩定。

原則 10：數量第一要務——讓它多產出，再篩選

只讓 AI 給你一個版本，通常會得到最中庸、最保守、最「平均」的那一個。你要用「數量」對抗「平庸」。

更有效的做法是：

· 總結：一次要 5 個版本

· 開頭：一次要 5 個開頭，做 AB Test

· 選題：一次要 50 個選題，再分組、再挑

· 結構：一次要 3 套結構，再組合

· 表述：一次要 10 個不同措辭，再擇優

當你提高平均分、提高產量，分布裡自然會出現 85 分、90 分的「驚喜樣本」。很多時候，好的不是「那一次神來之筆」，而是你終於開始用統計學的方式工作。

原則 11：別越趱代庖——像行政總廚一樣指揮、品嚐、讓它回爐

如果你是餐廳的行政總廚，你不會親自去拍黃瓜。你會：

· 嚐一口

· 判斷是否合格

· 給出明確反饋（哪裡不行、要怎麼改）

· 讓廚師回去重做一遍

與 AI 協作也一樣。你要尊重它「按它的方式生成」的主體性——你要做的是教它怎麼達到你的標準，而不是自己跳下去把它每次的結果修成成品。

否則你會被無止盡的「修修補補」耗死。

最後一個底層原則：回到真實世界——材料 × 品味，決定作品上限

在 AI 時代，一個作品的品質越來越像是： 材料 × 品味。

模型會變，方法會迭代，但這兩件事不變：

1. 材料來自真實世界

如果給你兩種選擇去寫一篇文章：

· 用最新模型，但只能用線上資料

· 用舊模型，但你有完整檔案、口述史、實地採訪

更可能做出好作品的，往往是後者。

2. 品味來自長期訓練

當「生成」變得便宜，真正稀缺的是：

· 你知道什麼值得寫

· 你知道哪些證據更硬

· 你知道哪種敘述更有力量

· 你願意為材料付出體力勞動：上窮碧落下黃泉，動手動腳翻資料

AI 改變的，是你和材料互動的效率與方式；但作品的主語仍然是你，賓語仍然是材料。AI 只是「動詞」的一部分。

結語：把焦慮換成手感

很多人用 AI 用不起來，不是因為不聰明，而是因為一直停留在「許願—失望—放棄」的循環裡。真正能讓你跨過去的，是把它當作工作台，把任務工程化，把流程白盒化，然後在不斷摩擦裡長出手感。

當你能做到這件事，你就不容易草率地下結論「AI 不行」；你會更像一個能管理新工具的新工種：既不俯視它，也不仰視它，把它放在流程裡，放在現實裡，放在你願意署名的作品裡。

原文連結