给人文工作者的 AI 使用指南
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。
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”。
- 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。
- 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。
- 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
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
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
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
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
更现实的路径是：
- 先把工作变成“产线”：可拆分、可复用、可质检
- 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。
原则 6：预判 AI 会偷懒——它会省算力，你要替它扫清“格式障碍”
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”
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
原则 8：克制“我妙手一改就好了”的冲动——改产线，不改结果
（存疑）