别写代码了，学管 AI 吧
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，我讲了一个周末手把手教朋友用 Claude Code 的经历。基础设施的门槛很残酷，认知鸿沟更深。但最反直觉的发现是第三个。
我朋友学会了基本操作之后，开始自己给 Claude Code 布置任务。
他的指令："帮我分析一下这个。"
什么数据？分析什么维度？结论给谁看？用来做什么决策？格式要求？
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。但你细想——这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，但交上来的大概率不是你脑子里想的那个。
问题不在 AI 的能力，在人的管理能力。
我花了半天时间教他的，不是 Claude Code 有哪些功能。是怎么下指令。怎么把一团模糊的需求拆成清晰的要求。怎么给足上下文。怎么定义什么叫"做好了"。怎么在 Agent 给了第一版之后给出有针对性的反馈——而不是一句"不太对，再改改"。
说白了，这就是管理培训。
说目标，别说步骤
举个具体例子。
"帮我写一个 Python 脚本解析这个 CSV"——你在规定步骤。
"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"——你在描述目标。
让 Agent 决定怎么做，结果几乎总是比你预设的路径要好。
上下文同样重要。你是谁？结果给谁看？要拿它做什么决策？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，它出活的精准度越高。
我们一直在问"AI 能为你做什么"。
其实该问的是"你能为 AI 做什么"。你能提供清晰的需求吗？充足的上下文吗？如果你自己都没想清楚要什么，你能不能把 Agent 当协作者，一起理清思路——而不是指望它读心？
换一个角度：如果你是 CEO，手下一个能力极强的直属下属，但对你的业务背景一无所知——你会怎么管他？你不会说"帮我弄一下"。你会把数据扔给他，把背景讲清楚，把目标定明确，把交付标准说死。
对 AI 也一样。你才是 Manager。
新手反而有优势
Boris Cherny——Claude Code 的创造者——有一个让他自己都意外的发现。
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。
为什么？老工程师有太多根深蒂固的习惯，有太强烈的对"正确做法"的主张——这些东西反而成了障碍。Boris 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。"
对我朋友来说也一样。他没有任何工程背景，某种程度上反而是优势——他心里没有"软件应该怎么写"的先入之见。一旦他学会了管理技能——怎么框定目标，怎么提供上下文——他不需要再花时间去"忘掉"什么旧习惯。
在 Agent 时代，初学者心态反而比专家心态更合适。
三次跃迁
那个周末，我朋友对 Claude Code 的心智模型变了三次。
第一天：搜索引擎。他把 Claude Code 当百度用。"什么是 GCP？""怎么注册？"他只在等答案。
第一天晚上：工具。他开始让 Claude Code 做事。"帮我写这个脚本。""把这个文件格式转一下。"单向指令。
第二天结束：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？"
他已经不是在用工具了——他在跟一个搭档合作。
这三步——搜索引擎、工具、协作者——是整个市场都要经历的进化。绝大多数人还停在第一步，把 AI 当更聪明的搜索引擎。少数人到了第二步，但还是单向的、指令式的。极少数人到了第三步，真正把 AI 当协作伙伴。
这和我在第一篇里写的伴侣愿景是同一条逻辑线。一个真正理解你的 AI 伴侣，不光需要技术上的记忆编排和人格建模——它需要一个愿意被理解的人。
你不愿意提供上下文，不愿意说出真实想法，不愿意花时间和 Agent 建立共识——再好的记忆系统也帮不了你。
AI 伴侣的效果上限，不取决于 AI 的能力，取决于你愿意投入多深。
别说"不对，重来"
我朋友学会下指令之后，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。第一版报告出来了，他看了一眼："不太对。"然后："再做一遍。"
你想——你让下属交了一份分析报告，看完只说一句"不太行，重做"。他不知道哪不行，全凭猜。运气好两轮到位，运气不好十轮还在绕。
管理 AI 最重要的技能，不是第一次就把指令写完美——是在结果不对的时候，能精准地说出哪里不对。
对比一下：
"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。"——Agent 一轮就能修正。
到周末快结束的时候，我朋友的迭代轮数从五六轮降到了两三轮。不是 AI 变聪明了。是他的反馈变精准了。他不再说"不对"，他开始说"方向没问题，估值换模型，风险分析把汇率敞口加上"。
这就是管理能力。好的管理者不会对着第一版说"全推翻掉"。他会说"这几部分留着，那几部分改，改的方向是这个"。
AI 的温柔陷阱
还有一个更隐蔽的坑：AI 天生善于鼓励。
你把自己的想法拿给它看，它会说"思路很好"。你让它评价你的方案，它会找出亮点来夸你。这种持续的正面反馈会产生一种危险的幻觉——你会觉得自己做出来的东西都很棒。
但 AI 的夸奖只是个起点，不是终点。
真正的检验在真实世界里：代码上线扛得住吗？用户真的想要这个功能吗？你的分析结果经得起别人质疑吗？好的管理者不会照单全收下属的汇报——他会核实。对 AI 的输出，也一样。
还有一种情况：你真的说不出结果哪里不对。那问题可能不在 AI，是你自己还没想清楚到底要什么。这时候最好的做法不是继续死磕指令，是把 AI 当思考伙伴："我有一个模糊的想法，帮我一起理一下。"这就从工具回到协作了——第三阶段。
瓶颈是你
工具到位了。能力到位了。第五篇那张图说明了一切：84% 的人还没和 AI 对过一次话——相当于 iPhone 刚发布那年。移动互联网的故事才刚开始。
这意味着我们今天在讨论的这些管理技能，不是锦上添花。它是一个会持续很多年的先发优势。
但有一段路只有你自己能走：学会像管理者一样思考。
想清楚你要什么。给足背景。定义什么叫"做好了"。在结果不对时能说出哪里不对。在自己还没想清楚的时候，把 AI 当伙伴一起理清思路。
这些不是技术技能，是管理技能。
在 Agent 时代，每个人都是管理者，不论你写不写代码。
第七篇把这些落到实操：八条心得，告诉你到底怎么开始。