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。他学会基本操作以后，开始自己给 claude code 布置任务，指令就一句：「帮我分析一下这个。」分析什么数据、看哪些维度、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，它默认给的分析看着也像模像样。但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，可交上来的大概率不是你脑子里想的那个。claude code 的能力是摆在那儿的，可指令只有一句话，它也只能靠猜。
那半天我主要教他怎么下指令。把一团模糊的需求拆成清楚的要求，给足 context，说清楚「做好了」是什么样子，agent 交了第一版以后，给有针对性的 feedback，而不是丢一句「不太对，再改改」。你要问我这套东西像什么，我觉得挺像管理培训的，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。怎么做让 agent 自己去定，结果几乎总是比你事先定好的路子要好。
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。
它最后能干成什么样，其实看你能给它什么。清楚的需求、足够的 context，这些都得你来给。如果你自己都还没想清楚要什么，就别硬下指令了，把 agent 拉进来一起理思路，别指望它去猜。
或者这么想，你是 CEO，手下有个直属下属，能力极强，但对你的业务背景一无所知，你会怎么管他？肯定不会只丢一句「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。管 AI 也是这一套，没什么新东西。
新手反而有优势
claude code 的作者 Boris Cherny 说过，他观察到一件连他自己都意外的事。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攒了太多根深蒂固的习惯，对「正确做法」有很强的主张，这些东西现在反倒成了障碍。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，学会了怎么把目标框清楚、怎么给 context 以后，也不用再花时间去忘掉什么旧习惯。只能说在这个阶段，没有旧习惯要忘，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，问「什么是 GCP」「怎么注册」，就是在等一个答案。到了第一天晚上，它在他手里变成了工具，「帮我写这个脚本」「把这个文件格式转一下」，他开始让它干活了，但还是单向地下指令。到第二天结束，它变成了协作者，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得走一遍。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，但还是单向地给它下指令。真把 AI 当协作伙伴的，只有极少数。
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
这跟我在第一篇里写的伴侣愿景是一回事。想要一个真正懂你的 AI 伴侣，技术上得有记忆编排和人格建模，但也得有一个愿意被理解的人。如果你不愿意给 context，不愿意说真实的想法，不愿意花时间跟 agent 把想法对上，再好的记忆系统也帮不了你。所以能走到哪一步，很大程度上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
学会下指令以后，他撞上了第二个坎，拿到不满意的结果，不知道该怎么办。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」。换成你让下属交一份分析报告，看完只说一句不太行、重做，他不知道哪里不行，只能猜，运气好两轮就到位，运气不好十轮还在绕。agent 也是这样。
管 AI 的时候，我觉得最值钱的本事，是结果不对时能准确说出哪里不对，这比第一次就把指令写得完美重要得多。你说「不太对，再改改」，agent 只能再猜一次。你说「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」，一轮就能改过来。
到周末快结束的时候，他来回改的轮数从五六轮降到了两三轮。不是 AI 变聪明了，是他的 feedback 变准了。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。这种正反馈听多了，你会慢慢觉得自己做的东西都很棒，可这个感觉是假的。AI 夸你只能当个起点，真要检验，还是得放到真实世界里去。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。那就别再死磕指令了，把 AI 当成一起想事情的伙伴，跟它说「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。看第五篇里那个数字就知道，84% 的人还没和 AI 对过一次话。这大概相当于 iPhone 刚发布那一年，移动互联网的故事才刚开始。所以这套东西现在就学，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，说清楚什么叫做好了，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活，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。
第七篇讲的是实操，一共八条心得，讲具体怎么开始。