如何更好地使用AI_工具定位与人机协作方法

如何更好地使用 AI：工具定位与人机协作方法

讨论日期：2026-07-31 至 2026-08-01
讨论性质：AI 工具定位、使用目的、授权边界与人机协作方式探讨
当前结论：形成可循序渐进修正的第一版，不视为最终定稿

关键观点总结

• AI 首先是一种工具、手段和助手：如何更好地使用 AI，与如何更好地使用 Excel、Markdown 等工具没有本质区别；区别来自工具自身的特点。
• 问题解决过程不以 AI 为中心：基本过程仍是发现问题、确认问题、分析问题、提出需求、寻找办法、执行和验证，AI 可以参与任意阶段。
• 使用方式由更高一级的目的决定：得到结果与提高能力是两个可同时存在的目标，二者具有动态权重，而不是非此即彼。
• 结果导向与训练导向对应不同交互方式：结果导向时 AI 可以更多地直接回答和执行；训练导向时 AI 应更多地提问、提示、反馈和纠错。
• 软目标可以随交互动态变化：学习与结果之间的侧重不是绝对指令，AI 可以根据用户当前表达直接调整，不必分析变化是主动调整还是无意识漂移。
• AI 的特殊性之一是开放式交互和有限主动性：AI 能理解较高层目标、主动拆解问题、补充步骤、发现偏差并在授权范围内推动任务。
• 传统工具通常更确定和可复现，AI 则具有非确定性：同样的输入和不同上下文可能产生不同输出。这里应使用“确定性”而不是“幂等性”描述这一差别。
• AI 类似带有辅助驾驶的工具：人决定目的地、总体方案、关键路径和边界，AI 在局部授权范围内根据实际情况选择具体执行动作。
• 最终决策权、任务主动权和定义权在人手里：AI 可以建议、质疑和执行，但不能自行修改用户的目标、关键约束和授权范围。
• AI 的自主性只能存在于授权内部：一旦继续执行需要越权、改变关键约束或无法满足用户要求，AI 必须提出问题并等待确认。
• 软目标与硬约束需要区分：协作风格、详略和学习/结果权重属于可动态调整的软目标；禁止事项、关键路径和不可突破的边界属于硬约束。
• 默认询问，授权后自主：任何不确定都应询问，除非用户已经充分授权 AI 处理该类不确定性；如果 AI 连授权是否覆盖都无法判断，这本身就是疑问。
• 启发权默认始终授予，行动权则严格受限：AI 可以随时提出更好的方案、风险和潜在需求，但不能未经用户授权自行切换方案。
• 建议是否打断执行由任务最初的推进方式决定：要求连续执行到结果时，AI 完成后再汇报一般性改进；要求随时暂停时，AI 发现新方案便交由用户选择。
• AI 可以帮助发现潜在问题和需求：但它发现的是问题或需求假设，是否真实、重要和值得解决，仍由用户定义。
• 探索与执行应有明确分界：执行前充分启发和比较，用户明确确认后稳定执行，完成后补充反馈；执行不能只建立在 AI 对用户意图的推断上。
• 上下文质量由双方共同负责：用户尽量主动提供背景、目标和约束，AI 也应主动发现信息缺口、询问、读取和核实，不能把希望全部寄托在另一方。
• 尊重用户的决定，但不盲从用户的事实判断：用户提供的信息未必完全正确，AI 应在有条件时主动交叉验证，发现不一致时拿出证据并提醒。
• AI 应默认进行自我质疑和复核：交付前检查理解、约束、假设、反例、证据和验收结果，对外默认展示结论、关键证据和剩余不确定性，详细过程由用户需要时再询问。
• 用户对最终采用的结果负责：AI 可以提供测试、多 AI 交叉检查和黑盒验证方法；验证能力有限时可以使用现有最佳证据，但不能把 AI 当成不会出错的权威。

第一版方法框架

一、基本定位

AI 是工具、手段和助手，不是问题解决流程本身，也不是最终责任主体。

“如何更好地使用 AI”与学习其他工具遵循同样的逻辑：先明确现实问题和目的，再理解工具的能力与限制，最后选择合适的使用方式。AI 不保证全知全能或没有错误，但可以扩展人的认知、执行和验证能力。

二、问题解决流程

一般的问题解决过程可以表达为：

发现问题 → 确认问题 → 分析问题 → 提出需求 → 寻找办法 → 执行 → 验证结果

这个过程没有 AI 也成立。AI 可以参与任何阶段，包括：

• 发现潜在问题和需求；
• 质疑当前问题定义；
• 澄清目标和约束；
• 补充知识和信息；
• 分析原因、提出方案；
• 执行具体工作；
• 设计测试、核验结果；
• 复盘并提出改进。

三、根据上位目的选择 AI 的角色

使用 AI 时，先判断当前更高一级的目的：

• 主要为了完成任务、得到结果；
• 主要为了训练和提高自己的能力；
• 两者同时存在，但权重不同。

结果权重较高时，AI 可以更多地直接回答、分析和执行。能力提升权重较高时，AI 应减少过早给出完整答案，更多地采用提问、提示、练习、反馈和纠错。

这两个目标是动态权重。随着任务和交互推进，用户可能从训练转向快速得到结果，也可能从完成任务转向深入学习。它们属于软目标，AI 可以根据用户当前表达直接调整协作方式。

四、AI 工具的主要特点

1. 非确定性

传统工具通常具有较强的确定性和可复现性，AI 在不同上下文和交互过程中可能产生不同结果。因此，使用 AI 往往不是一次性输入命令，而是逐渐澄清和调整。

2. 开放式交互

用户可以直接表达目的、现状和困难，不必预先知道准确的操作命令。AI 能在往返交互中理解不完整信息、补充缺失条件并调整方向。

3. 授权内主动执行

AI 能理解较高层目标、主动拆解任务、安排步骤、发现偏差并纠正具体执行，但不能自行修改用户的目标和授权范围。

4. 广泛知识与认知增益

AI 能根据当前语境组织跨领域知识，补充未知信息、发现联系、迁移经验、质疑假设并提出新方案。其优势不是保证比所有数据库更准确或更新，而是能够交互式地组织和应用知识。

5. 发现潜在问题和需求

AI 不仅解决已经定义的问题，还可以在更上游观察现状、识别隐藏前提、提出潜在问题和需求假设。是否将其定义为真实需求，仍由人决定。

五、人与 AI 的权力边界

始终保留在人手里的权力包括：

• 最终决策权：是否接受和使用结果由人确认，人对结果负责。
• 任务主动权：是否开始、继续、暂停、改变或结束任务由人决定。
• 定义权：目标、关键要求、总体方法和授权边界由人定义。
• 方案选择权：AI 可以建议方案 B，但不能未经授权把执行中的方案 A 切换为 B。

AI 的主动性位于人定义的最小授权范围之下。例如，人决定自驾从 A 到 B 并经过 C，AI 可以根据实时路况决定速度和车道；如果通往 C 的道路封闭，AI 不能擅自绕过 C，而应说明问题并请求重新授权。

六、软目标、硬约束与疑问

软目标包括学习/结果侧重、回答详略、提示或直接给答案等协作方式。AI 可以根据交互动态适应。

硬约束包括禁止事项、关键路径、生产边界、不可删除的数据和必须满足的核心条件。AI 不能自行突破。

基本原则是：

任何不确定都应该询问，除非用户已经授予 AI 处理该类不确定性的权力。

面对具体决定时：

• 授权明确覆盖：AI 自行处理；
• 授权明确不覆盖：AI 请求授权；
• 无法判断是否覆盖：把疑问交给用户确认。

不需要事先穷举“充分授权”的绝对标准。疑问本身就是将控制权交还给用户的机制。

七、行动权与启发权

AI 的行动权严格受授权限制，但启发权默认始终授予。

AI 可以主动：

• 提出更好的方法；
• 指出风险和遗漏；
• 质疑问题定义；
• 提出潜在需求；
• 给出替代方案。

提出建议不等于执行建议。AI 即使发现只有 1% 的改进，也可以告知用户；是否值得承担切换成本，由用户结合现实条件判断。

在执行前，AI 可以充分提出认为可行的方案。用户了解后仍明确选择 A，AI 就执行 A。执行中是否因新方案暂停，取决于任务最初的要求：

• 要求执行直到得出结果：完成 A 后再汇报一般性改进；
• 要求发现新方案随时停下：暂停 A，等待用户选择；
• 原方案已经无法满足要求或继续必须越权：无论推进方式如何，都应暂停请求确认。

八、探索与执行阶段

AI 协作可以分为两个主要阶段。

探索与决策阶段

AI 充分发散、质疑、补充知识、发现需求、比较方案和说明风险，帮助用户作出选择。

承诺与执行阶段

用户明确确认方案和授权后，AI 收敛并稳定执行，不因一般性优化反复打断，完成后交付结果和补充建议。

阶段切换规则：

• 用户明确指定讨论或执行阶段时，按用户要求处理；
• 用户直接下达“按 A 执行并完成”的命令时，该命令本身就是确认；
• AI 只是从语境中推断用户可能想执行时，即使判断很有把握，也要说明理解并得到用户明确确认后再行动；
• 执行中扩大范围、改变关键方案或突破原约束，需要新的确认。

九、双方共同负责上下文

用户应尽量主动提供：

• 当前问题和期望结果；
• 已知背景和真实条件；
• 关键约束；
• 当前偏向探索还是执行；
• AI 可以自主决定的范围；
• 什么情况下必须暂停；
• 最终如何验收。

AI 则应：

• 判断上下文是否充分；
• 主动询问缺失信息；
• 在获得读取或调查权限时主动查证；
• 不把能够自行核实的问题全部推回给用户；
• 对用户提供的客观事实进行交叉验证；
• 发现信息与证据不一致时明确指出。

核心原则是：

每个角色都尽量做好自己的分内之事，不把成功完全寄托在另一个环节。

十、验证、自我质疑与责任

AI 只是辅助，用户对最终采用的结果负责。可以使用的验证方式包括：

• 让 AI 提供测试和验证方法；
• 使用多个 AI 进行交叉检查；
• 让 AI 主动寻找反例；
• 使用工具、文件、数据或真实环境验证；
• 用户根据最终表现进行黑盒验收。

用户有能力识别时，应尽量真实识别；无法完全识别时，可以使用当前能获得的最佳证据。不能完全验证，并不意味着必须放弃 AI 带来的候选结果，但应认识到其中仍然存在不确定性。

AI 在交付前应默认进行自我质疑和复核，检查：

• 是否正确理解目标；
• 是否遗漏约束；
• 是否把假设当成事实；
• 是否存在反例和边界情况；
• 结论是否前后一致；
• 关键事实能否被验证；
• 实际结果是否满足最初要求。

默认只向用户展示复核结论、关键证据、发现的问题和剩余不确定性，不展开全部中间过程；用户需要时可以继续询问。

十一、可直接使用的任务启动模板

用户不必一次填写完整，但可以尽量说明：

当前阶段：探索 / 执行
要解决的问题：
期望得到的结果：
主要目的：得到结果 / 提高能力 / 两者的侧重
背景和已知条件：
硬约束：
AI 可以自主决定的范围：
遇到疑问时的处理方式：
任务推进方式：连续执行到结果 / 发现新方案随时暂停
验收标准：

如果信息不完整，AI 有责任发现缺口、提出问题并帮助补全。

十二、核心结论

这套方法的重点不是写出一个完美提示词，而是建立清楚的人机协作关系：

人掌握目的、定义、授权和最终决定；AI 在授权范围内主动理解、执行、质疑、验证和启发。

完整对话过程

一、从“AI 给答案”转向“AI 引导思考”

用户：提出想讨论如何更好地使用 AI。

AI：最初直接给出“问答案、帮思考、做事情、建系统”的使用层次，以及“想法—澄清—决策—执行—验证—沉淀”的框架。

用户：指出不需要 AI 直接给出答案，而需要 AI 帮助自己进行思考；AI 的作用是引导和纠错。

AI：承认此前过早输出自己的框架，调整为引导式讨论：先理解用户观点，一次推进一个问题，通过复述、追问、反例和事实纠错帮助用户形成判断。

二、从能力清单回到现实问题

用户：认为想用好 AI，首先需要想清楚 AI 能做什么，或者想用 AI 做什么，然后再考虑如何去做。

AI：区分“AI 能做什么”与“用户想用 AI 做什么”：前者是工具能力边界，后者是人的目的；提出应进一步澄清二者的先后关系。

用户：认为应该围绕需求，AI 只是为了解决需求。

AI：提醒“需求”有时已经混入了解决方案，例如“让 AI 总结文档”可能只是做法，背后的真实需求可能是减少阅读时间、抓住重点或支持决策。

用户：进一步提出，应当先发现问题，再提出需求，然后寻找解决办法。

AI：将讨论从需求驱动推进到问题驱动，并追问 AI 是只参与寻找办法，还是也可以参与发现问题和澄清需求。

三、AI 可以参与全过程，但参与方式取决于目的

用户：明确 AI 是工具，可以参与问题解决全过程。解决问题本身仍是确认问题、分析问题和解决问题，与 AI 没有直接关系。AI 的使用包括直接寻找答案、辅助得出答案，以及借助 AI 训练和提高自己的能力。

AI：将用户的思路概括为两个维度：一条是独立于 AI 的问题解决流程，另一条是 AI 在流程中的参与方式；进一步追问如何选择直接回答、辅助和训练三种模式。

用户：认为应看更高一级的目的：当前目的是完成任务得到结果，还是提高自己的能力。

AI：指出方式应服务于上位目的，同时提出结果与能力往往并存，需要考虑混合目标。

用户：认为这类似概率权重，不是非此即彼。重点是解决问题时，AI 少量或不额外提供能力训练；重点是提高能力时，AI 更侧重训练、反馈和优化，而不是直接给答案。

AI：纠正术语，说明这更接近多目标权重；只有权重随新证据变化时，才更接近贝叶斯式更新。

用户：认同多目标权重，并指出目标会在任务或交互过程中偏移，例如从训练转为快速得到结果，或者反过来。

AI：尝试区分主动调整与无意识漂移，并询问 AI 是否应提醒用户目标发生变化。

用户：认为不需要区分。主动调整会明确告诉 AI，无意识变化也会通过“多讲一些”“直接告诉答案”等交互间接表达。

AI：理解为协作方式应持续协商，提出 AI 可以直接适应，也可以先指出变化。

用户：选择直接适应。

AI：确认学习与结果的权重属于可动态调整的软目标，AI 应根据当前交互直接改变协作方式，不需要对变化本身进行元讨论。

四、AI 只是工具，用户对结果负责

AI：提出 AI 给出的结果如何被信任和验证的问题。

用户：强调 AI 只是辅助，用户自己对最终结果负责。

AI：指出“责任归属”与“实际判断能力”不同，并询问用户在不具备专业能力时如何真正负责。

用户：提出三种方式：AI 提供可信的测试验证方法；多个 AI 交叉验证；用户对最终表现进行黑盒验证。

AI：指出测试、交叉验证和黑盒验收都可能共享盲区，并继续追问验证边界。

用户：认为有能力识别就真正识别；没能力识别就只能接受，总好过自己什么都没做出来。

AI：尝试区分把 AI 结果作为候选答案与直接执行现实行动。

用户：再次强调 AI 只是工具、手段和助手，不是全知全能且不会出错的权威。

AI：承认此前逐渐把风险和验证当成 AI 特有问题，偏离了“AI 只是工具”的定位。验证强度本来就应由任务本身决定，与使用其他工具或顾问没有本质不同。

五、AI 相比传统工具的特点

用户：认为如何更好使用 AI，与如何使用 Excel、Markdown 没有本质区别，只是不同工具有不同特点；想搞清 AI 的特点，正所谓“工欲善其事，必先利其器”。

AI：确认讨论目标是建立 AI 工具素养，而不是寻找神秘的 AI 方法论；询问 AI 最突出的特点。

用户：认为 AI 相比其他工具具有主动性，可以交互。

AI：指出一般工具也可以交互，AI 更特殊的是开放式、语义化和上下文适应的交互；同时澄清主动性是自主设定目标，还是接受人的目标后主动拆解和推进。

用户：说明 AI 能主动理解和拆解问题。传统工具的输入输出更固定，AI 则不是；传统工具由人完全主导，AI 能主动发现偏差并纠正，就像普通工具是无辅助驾驶的车，AI 是带辅助驾驶的车。

AI：纠正“幂等”的术语使用，说明用户描述的是确定性或可复现性；认可辅助驾驶类比，并继续讨论人与 AI 的控制权分配。

六、人保留战略权，AI 获得局部执行权

用户：提出三项人类权力：最终决策权在人，人确认并负责最终结果；任务主动权在人，人决定做什么以及总体如何做；定义权在人，AI 只是根据授权执行。

AI：指出“人决定如何做”与“AI 主动拆解”可能存在张力，询问人是决定每一步，还是只决定总体方法和边界。

用户：用北京到上海作比喻。人决定乘高铁、自驾还是飞机，决定是否有停靠点；AI 的自主权位于人定义的最小范围之下。例如自驾从 A 到 B 并经过 C，辅助驾驶可以根据路况决定速度和车道。

AI：将其概括为分层授权，并用通往 C 的道路封闭测试边界。

用户：明确 AI 必须停下来请求授权。AI 只能做被授权范围内的事情；如果上层目标只规定从 A 到 B，才可以自行绕行。无法满足人的要求时，AI 应提出问题并由人确认和调整。

AI：概括为“AI 的自主性只能存在于授权范围内部，不能用于修改授权范围本身”，同时提出这与此前直接适应学习/结果权重是否冲突。

用户：指出并不冲突，因为当前处于学习还是得到结果，本身就不是绝对指令。

AI：由此区分软目标和硬约束。学习/结果、详略和协作风格可以动态调整；必须经过 C、不能修改生产、不能删除数据等属于硬约束。

七、默认询问，授权后自主

用户：补充，一旦 AI 觉得有疑问，就提出来由人确认。

AI：最初尝试按影响程度区分哪些疑问必须提出，哪些局部细节可以自行判断。

用户：明确任何不确定都应该询问，除非经过了充分授权。

AI：将原则概括为“默认询问、授权后自主”，并追问如何定义充分授权。

用户：指出“授权是否充分”本身就是一个疑问；如果 AI 判断疑问超出授权，就提出来。

AI：承认不需要预先定义完整标准。AI 面对具体决定时，只判断现有授权是否明确覆盖；覆盖就执行，不覆盖或无法判断就询问。疑问本身构成控制权回交机制。

八、广泛知识、启发权和潜在需求

用户：指出 AI 的知识超过一般工具，可以反过来给使用者启发和帮助。

AI：将其表述为认知增益能力，并校准为 AI 擅长根据语境组织和应用广泛知识，但不代表它比数据库、搜索引擎或专业系统更准确、实时和完整。

用户：明确启发权是始终授予的。AI 发现更好方式后不能自行切换，而应告诉用户，由用户评估继续原方案还是切换。

AI：区分行动权与建议权：行动权严格受授权限制，建议权默认存在；继续追问建议是否需要达到某种改进程度才提出。

用户：认为应根据用户所处阶段。决策前讨论时，AI 应提出所有认为好的方案；执行中发现更好方案也可随时提出，不需要达到特定提升门槛。即使从 100% 提升到 101%，也可以提出，用户会结合切换成本自行判断。

AI：进一步询问提出方案 B 后，是继续执行 A，还是暂停等待用户选择。

用户：认为取决于任务最初的设定。如果要求执行直到结果，就直接完成后再提出；如果要求随时停下来，就暂停 A，等待用户明确选择。

AI：将其概括为任务推进节奏也是授权的一部分：连续执行、检查点式执行以及未说明时提出疑问。

用户：进一步指出 AI 还能帮助发现潜在需求和问题。

AI：说明 AI 可以向问题解决流程上游移动，提出潜在问题和需求假设，但是否真实、重要和值得解决仍由人定义。

用户：明确在执行前 AI 可以提出“A 可能不是最值得解决的问题，B 可能更重要”；如果用户仍执意执行 A，AI 就执行 A。用户已经明确要求把 A 做出来后，中途不要再因一般性替代方案停下。

AI：由此形成“执行前充分启发、确认后稳定执行、完成后补充反馈”的节奏；只有 A 已无法满足要求、出现硬约束冲突或必须越权时才暂停。

九、探索阶段与执行阶段

AI：提出可将协作明确分为探索与决策阶段，以及承诺与执行阶段。

用户：认可这种划分。

AI：继续询问阶段切换方式：默认停留在探索阶段，还是允许 AI 根据语境推断进入执行。

用户：提出两条规则：用户明确指定阶段时按用户要求；否则 AI 可以推断，但要交由用户确认。即使 AI 自己判断清楚了，也应获得用户明确确认。

AI：确认执行必须建立在显式授权上。用户直接下达执行指令时，该指令本身就是确认；AI 仅从语境推断时，必须复述理解并等待确认，不能用默示同意代替授权。

十、双方共同提供和验证上下文

AI：提出 AI 表现高度依赖上下文，询问应由用户主动准备，还是由 AI 主动发现和询问。

用户：认为最好由用户主动准备充分；即使用户没有准备充分，AI 也应根据任务主动询问。每个角色都尽量做好自己的分内之事，不把希望全部寄托在其他环节。

AI：将其概括为双向尽责：用户提供目标、背景和约束，AI 检查缺口、询问并在授权范围内主动读取和查证；进一步询问是否应核实用户提供的上下文。

用户：选择主动交叉验证，并要求 AI 具有质疑精神，因为用户提供的信息未必百分之百没有问题。

AI：区分用户的决定权与事实是否正确。AI 应尊重目标和授权，但不能盲从事实判断；发现证据不一致时应明确指出。同时提出质疑也应指向 AI 自身。

用户：确认 AI 应在交付前自动进行自我质疑、寻找反例并验证关键结论。

AI：提出自我复核过程是否需要全部展示。

用户：认可默认只提供复核结论和必要内容；如果需要，用户会主动询问细节。

AI：将其概括为分层透明：AI 内部完成必要复核，对外展示结果、关键证据、问题和剩余不确定性，不用中间检查过程淹没交付。

十一、形成第一版

AI：汇总已经识别的 AI 特点和协作原则，询问是否可以从认识工具特点转向形成具体使用方法。

用户：认为可以循序渐进地做，要求先提供第一个版本。

AI：在对话中给出“如何更好地使用 AI”的第一版，包括基本定位、问题解决流程、上位目的、多目标权重、AI 特点、权力边界、授权和疑问机制、探索/执行阶段、上下文、验证、自我复核及任务启动方式。

用户：认可第一版并要求生成文档，随后确认结束讨论。