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。
他的指令是这样的："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 当然可以猜。它会给出一个看上去挺合理的默认分析。但你想想——这就像你对一个能力极强的新员工说"帮我弄一下那个东西"。你可能会得到一个结果，但几乎肯定不是你想要的。
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 的功能，而是怎么下指令。怎么把一个模糊的需求拆成清晰的 spec。怎么提供足够的上下文。怎么定义成功标准。怎么在 Agent 给出第一版之后，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，我需要知道哪些客户在过去三个月里下单频率下降了，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路径要好。
上下文同样关键。你是谁？这个结果给谁看？你要拿它做什么决定？同一份数据，给老板看和给投资人看，完全是两个东西。Agent 不是读心术，你给的背景越多，结果越准。
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"。你能不能提供清晰的需求？充分的上下文？如果你自己都没想清楚要什么，你能不能拿 Agent 当协作者来一起理清思路，而不是指望它读心？
反过来想：如果你是 CEO，你的直属下属能力极强但完全没有背景信息——你会怎么管理他？你不会说"帮我弄一下"。你会给他看数据，解释背景，定义目标，约定交付标准。
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观察。
在 Anthropic 内部，更年轻、经验更少的工程师，反而往往比资深工程师更会用 Claude Code。
为什么？老工程师们根深蒂固的习惯和对"正确做法"的强烈主张，反而成了障碍。Boris 说："最重要的能力是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。"
这对非工程师同样成立。我朋友缺乏工程背景，某种程度上反而是优势——他没有关于软件"应该怎么运作"的先入之见。一旦学会了管理技能——怎么框定目标、怎么提供上下文——他不需要"忘掉"任何旧习惯。
初学者心态，在 Agent 时代反而比专家心态更合适。
三次跃迁
我朋友的心智模型在那个周末经历了三次跃迁。
第一天：搜索引擎。他问 Claude Code 问题，像用百度一样。"什么是 GCP？""怎么注册？"他在等答案。
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。"他在使用工具。
第二天结束：协作者。他开始和 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想到的风险？""我们能不能换个思路？"
他不再是在使用工具——他在和一个伙伴合作。
这三步跃迁——搜索引擎、工具、协作者——是整个市场需要经历的进化。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，但仍然是单向的、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线。一个真正理解你的 AI 伴侣，不只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——那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，取决于你投入的深度。
别说"不对，重来"
我朋友学会下指令之后，撞上了第二个坎：拿到结果不满意时，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。"
你想想——这就像你让员工交了一份投研报告，看完只说"不太行，重做"。他不知道哪里不行，只能再猜一次。
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。
"基本面部分可以，但我关心的是负债结构和现金流风险，不是收入增长。估值部分用 DCF，别用市盈率。"——Agent 一轮就能修正。
到周末结束时，他的迭代轮数从五六轮降到了两三轮。不是因为 AI 变聪明了，是他的反馈变精准了。他不再说"不对"，而是说"方向对了，估值部分换个模型，风险分析加上汇率敞口。"
这就是管理能力。好的管理者不会看到第一版不满意就说"全部推翻"——他会说"这部分留，这部分改，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，它会找到亮点来夸。这种持续的正面反馈会制造一种危险的幻觉——觉得自己做出来的东西都很棒。
但 AI 的夸奖只是起点，不是终点。
真正的检验在真实世界里：代码扛得住生产环境吗？用户真的想要这个功能吗？分析结果经得起别人的质疑吗？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：你真的没法说出结果哪里不对。
这时候问题可能不在 AI，可能是你自己还没想清楚要什么。最好的做法不是继续给指令，而是把 AI 当思考伙伴："我有一个模糊的想法，帮我理一下。"这就回到了第三阶段——从工具到协作者。
瓶颈是你
工具到位了。能力到位了。第五篇那张图说了一切：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写。
这意味着我们今天讨论的管理技能，不是锦上添花，而是一个会持续复利多年的先发优势。
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"。在结果不对时说出哪里不对。在自己还没想清楚时，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处：八条实操心得，告诉你到底怎么开始。