管 AI 跟带人是同一套东西
你是 AI 团队的经理——管理而非亲自执行
「帮我分析一下这个」
第五篇里我讲了那个周末手把手教朋友用 claude code 的事。基础设施的门槛和认知鸿沟是前两个发现，这篇讲第三个。他学会基本操作之后，开始自己给 claude code 布置任务，指令就一句：「帮我分析一下这个。」什么数据、分析什么维度、结论给谁看、拿来做什么决策、格式有什么要求，全都没说。
claude code 当然能猜，它给的默认分析看起来也像模像样。但这个就跟你对一个能力很强的下属说「帮我把那个东西搞一下」一样，他会交东西给你，交上来的大概率不是你脑子里想的那个。反正 claude code 的能力在这摆着，指令只给了一句话，它也只能靠猜。
我那半天教他的，主要就是怎么下指令：把一团模糊的需求拆成清晰的要求，给足 context，定义好「做好了」长什么样，agent 交了第一版之后给有针对性的 feedback，而不是一句「不太对，再改改」。反正这套东西你要问我像什么，它挺像管理培训的，教的都是带人的事。
说目标，别说步骤
具体举个例子。「帮我写一个 Python 脚本解析这个 CSV」，这是在规定步骤。「我有一份销售数据，我需要知道过去三个月哪些客户下单频率在下降，以及可能的原因」，这是在描述目标。把怎么做留给 agent 自己决定，出来的结果几乎总是比你预设的路径好。
下指令时描述目标而不是规定步骤，把找路的活留给 agent，结果反而更好
context 也一样重要。你是谁、结果给谁看、要拿它做什么决策，这些都得讲清楚。同一份数据，给老板看和给投资人看完全是两个东西。agent 不会读心，你给的背景越多，它出活越准。
你这边能给出什么，其实决定了它能干成什么样：清晰的需求、足够的 context，这些都得你来提供。自己都还没想清楚要什么的时候，就别硬下指令了，把 agent 拉进来一起理思路，而不是指望它猜。
或者这么想：你是 CEO，手下有一个能力极强、但对你的业务背景一无所知的直属下属，你会怎么管他。肯定不是一句「帮我弄一下」，你会把数据给他，把背景讲清楚，把目标定明确，把交付标准说死。对 AI 就是同一套管法，没什么新东西。
新手反而有优势
Boris Cherny，claude code 的作者，说过一个他自己都意外的观察：在 Anthropic 内部，更年轻、经验更少的工程师，往往比资深工程师更会用 claude code。原因大概是老工程师积累了太多根深蒂固的习惯，对「正确做法」有很强的主张，这些东西现在反而变成了障碍。他的原话是：「最重要的能力变成了科学思维和第一性原理思考。过去那些强烈的技术观点，很多已经不适用了。」
我朋友完全没有工程背景，这件事反而帮了他：他脑子里没有「软件应该怎么写」的先入之见，学会怎么框定目标、怎么给 context 之后，也不用再花时间去忘掉什么旧习惯。只能说没有旧习惯要忘，这个阶段反而是占了便宜的。
心智模型变了三次
那个周末，我朋友对 claude code 的理解升了三级。第一天他把它当搜索引擎用，或者说当百度用，「什么是 GCP」「怎么注册」，他只是在等一个答案。第一天晚上变成了工具，「帮我写这个脚本」「把这个文件格式转一下」，开始让它干活了，但还是单向下指令。到第二天结束变成了协作者，他开始跟 claude code 讨论：「我有一个想法，你觉得可行吗」「这个方案有什么我没注意到的风险」「我们能不能换个思路」。到这一步就不太像在用一个工具了，更像在跟一个搭档过方案。
搜索引擎、工具、协作者，这三步我感觉整个市场都要走一遍。绝大多数人还停在第一步，把 AI 当一个更聪明的搜索引擎；少数人到了第二步，但还是单向的、指令式的；真把 AI 当协作伙伴的，是极少数。
用 AI 的心智模型分三级往上走：搜索引擎、工具、协作者，多数人还卡在第一级
这条线跟我在第一篇里写的伴侣愿景是同一件事。一个真正懂你的 AI 伴侣，技术上需要记忆编排和人格建模，但它同样需要一个愿意被理解的人。你不愿意给 context，不愿意说真实想法，不愿意花时间和 agent 建立共识，再好的记忆系统也帮不了你。所以这件事能走到哪一步，很大程度看你自己愿意投入多深。
结果不对的时候，要能说出哪里不对
学会下指令之后，他撞上了第二个坎：拿到不满意的结果，不知道怎么办。他让 claude code 分析一家公司的财务数据，第一版报告出来，他看了一眼说「不太对」，然后「再做一遍」。你让下属交一份分析报告，看完只说一句不太行、重做，他不知道哪不行，只能猜，运气好两轮到位，运气不好十轮还在绕。agent 也一样。
管理 AI 这件事里，我觉得最值钱的技能是结果不对的时候能精准说出哪里不对，这比第一次就把指令写完美重要得多。「不太对，再改改」，agent 只能再猜一次；「基本面部分没问题，但我关心的是负债结构和现金流风险，不是收入增长，估值部分换成 DCF，别用市盈率」，一轮就能修正过来。
到周末快结束的时候，他的迭代轮数从五六轮降到了两三轮。不是 AI 变聪明了，是他的 feedback 变精准了：他不再说「不对」，开始说「方向没问题，估值换模型，风险分析把汇率敞口加上」。
模糊反馈让 agent 反复瞎猜要五六轮，精准说出哪里不对两三轮就能修正
AI 会一直夸你
还有一个更隐蔽的坑：AI 天生爱鼓励人。你把想法拿给它看，它说思路很好；你让它评价方案，它会找出亮点来夸你。这种正反馈拿多了，你会慢慢觉得自己做的东西都很棒，这个感觉是假的。AI 的夸奖只能当起点，检验还是得放到真实世界里：代码上线扛不扛得住，用户是不是想要这个功能，分析结果经不经得起别人质疑。它夸得再好听，这些事还是得自己去核实一遍。
还有一种情况，是你说不出结果哪里不对。这时候问题大概率出在你自己这边，你还没想清楚要什么。那就别继续死磕指令了，把 AI 当思考伙伴：「我有一个模糊的想法，帮我一起理一下。」这就又回到协作者那一层了。
瓶颈在人这边
工具到位了，能力也到位了。第五篇里那个数字很说明问题：84% 的人还没和 AI 对过一次话，大概相当于 iPhone 刚发布那一年，移动互联网的故事才刚开始。所以这套东西现在学，先发优势能吃很多年。
但有一段路只能你自己走：想清楚你要什么，给足背景，定义什么叫做好了，结果不对的时候说出哪里不对，自己还没想清楚的时候把 AI 当伙伴一起理思路。这里面没有一条是技术技能，全是带人的那一套。写不写代码反而没那么重要，先把这套练起来。
第七篇把这些落到实操：八条心得，讲具体怎么开始。