這兩年接觸過(guò)不少重度使用人工智能的工程師和產(chǎn)品經(jīng)理我發(fā)現(xiàn)一個(gè)反直覺(jué)的現(xiàn)象大家嘴上聊得最多的是模型、算力、參數(shù)和評(píng)測(cè)分?jǐn)?shù)但真正拉開(kāi)使用效果的往往是用戶用自然語(yǔ)言描述需求、限定范圍、交代背景的那一小段文字。有人把這段文字叫提示詞有人把它叫做上下文管理也有人歸結(jié)為“人和人的表達(dá)差異”。如果把這個(gè)問(wèn)題再往前推一步我認(rèn)為它就是寫作能力。所以看到一個(gè)觀點(diǎn)時(shí)很有共鳴在人工智能時(shí)代最安全的職業(yè)可能是寫作。這不是說(shuō)人類寫出來(lái)的句子比模型更優(yōu)美也不是鼓勵(lì)大家靠寫小說(shuō)逃避技術(shù)變化。真正的原因更根本在大模型時(shí)代文本是人與模型之間幾乎唯一的交互接口而寫作能力決定了你能否把這個(gè)接口用好、用準(zhǔn)、用出長(zhǎng)期復(fù)利。1. 為什么 AI 越會(huì)寫會(huì)寫的人反而越值錢1.1 模型解決的是“生成”人類解決的是“意圖結(jié)構(gòu)”過(guò)去幾年我們一直被一個(gè)命題纏繞人工智能會(huì)不會(huì)取代寫作者如果只看字面答案好像很危險(xiǎn)。模型生成文本的速度、語(yǔ)料覆蓋范圍、風(fēng)格模仿能力都已經(jīng)很強(qiáng)連很多結(jié)構(gòu)性很強(qiáng)的文體比如周報(bào)、總結(jié)、郵件、營(yíng)銷文案它都能迅速給出一份合格初稿。但真正使用模型的時(shí)間一長(zhǎng)你會(huì)發(fā)現(xiàn)一個(gè)問(wèn)題越來(lái)越突出你給不出足夠具體的需求模型就只能回你一個(gè)足夠泛泛的結(jié)果。舉個(gè)例子。你說(shuō)“幫我把這段文字改得更專業(yè)”模型大概率會(huì)做三件事替換幾個(gè)同義詞把短句拉長(zhǎng)再加一點(diǎn)看起來(lái)有邏輯的連接詞。結(jié)果看起來(lái)更“書面”但并沒(méi)有更準(zhǔn)確。而如果你寫清楚“這段文字是給運(yùn)維同事看的故障說(shuō)明重點(diǎn)是要讓人快速判斷根因不要堆形容詞”模型才會(huì)往正確的方向調(diào)整。這兩句話之間的差異就是寫作差異它在人工智能時(shí)代變成了一種更加稀缺的能力。原因很簡(jiǎn)單。模型本身并不缺少詞匯和邏輯能力它缺少的是對(duì)“你真正想要什么”的掌握。而人的意圖、判斷、優(yōu)先級(jí)、邊界、驗(yàn)收標(biāo)準(zhǔn)恰恰是要通過(guò)語(yǔ)言文字才能傳遞的。以前寫作用來(lái)和人溝通現(xiàn)在寫作還要和模型溝通而且模型對(duì)語(yǔ)義歧義的容忍度更低。寫作能力因此從一種“表達(dá)技能”變成了“意圖結(jié)構(gòu)化能力”。后者的價(jià)值不會(huì)被文本生成能力增強(qiáng)而稀釋反而會(huì)因?yàn)樯赡芰υ鰪?qiáng)而放大。1.2 寫作的安全感來(lái)自“接口控制權(quán)”可以把大模型理解成一個(gè)非常擅長(zhǎng)執(zhí)行、但對(duì)目標(biāo)判斷力很弱的系統(tǒng)。它不關(guān)心文本是否正確它關(guān)心的只是“文本是否符合你描述的任務(wù)”。這種系統(tǒng)有一個(gè)典型特征誰(shuí)掌握接口描述誰(shuí)就掌握輸出方向。在計(jì)算機(jī)系統(tǒng)里接口設(shè)計(jì)者往往比底層實(shí)現(xiàn)者擁有更穩(wěn)定的位置。因?yàn)榈讓訉?shí)現(xiàn)可以換、可以重構(gòu)、可以被新的方案替代但接口定義的是“系統(tǒng)對(duì)外承諾什么”和“外部如何與系統(tǒng)協(xié)作”。同樣在人工智能時(shí)代寫作正在成為一種人機(jī)接口能力。你用文字描述任務(wù)、限定邊界、提供背景、定義驗(yàn)收方式本質(zhì)上就是在做接口設(shè)計(jì)。相反如果你只會(huì)機(jī)械地執(zhí)行外部定義好的動(dòng)作比如按固定模板整理數(shù)據(jù)、按固定流程處理工單那么一旦這些動(dòng)作可以被模型自動(dòng)化風(fēng)險(xiǎn)就會(huì)快速逼近。這不是宏觀層面的恐慌而是很多崗位正在發(fā)生的現(xiàn)實(shí)動(dòng)作型的執(zhí)行層正在被逐步壓縮定義任務(wù)和驗(yàn)收結(jié)果的角色則越來(lái)越重要。寫作正是定義任務(wù)和驗(yàn)收結(jié)果的載體。當(dāng)然這里說(shuō)的寫作不是文采層面的寫作。它更像是一種“用精確文字傳遞復(fù)雜約束”的能力。寫得好的人在人工智能面前不是在和機(jī)器比誰(shuí)寫得多而是在定義機(jī)器應(yīng)該按照什么標(biāo)準(zhǔn)寫。這才是它的安全邊際。2. 從寫作本位理解提示詞工程、RAG 與模型微調(diào)2.1 提示詞工程本質(zhì)上是一種“指令寫作”對(duì)工程師來(lái)說(shuō)提示詞工程已經(jīng)不是新鮮詞。但大多數(shù)討論都集中在技巧層面怎么給模型設(shè)定角色怎么設(shè)計(jì) Few-shot 示例怎么讓模型輸出 JSON。這些技巧當(dāng)然有用但它們背后有一個(gè)基礎(chǔ)能力長(zhǎng)期被低估了那就是寫作能力。一個(gè)高質(zhì)量的提示詞往往不是長(zhǎng)而是結(jié)構(gòu)清楚。它會(huì)在開(kāi)頭用一兩句話說(shuō)清任務(wù)目標(biāo)然后提供必要的背景信息接著給出硬性要求和禁止事項(xiàng)最后明確輸出格式或示例。把這個(gè)結(jié)構(gòu)拆開(kāi)看它其實(shí)和一篇好的技術(shù)文檔沒(méi)什么區(qū)別有背景、有目標(biāo)、有設(shè)計(jì)約束、有驗(yàn)收標(biāo)準(zhǔn)。我見(jiàn)過(guò)不少團(tuán)隊(duì)在同一個(gè)模型、同一個(gè)參數(shù)配置下做任務(wù)效果差距卻很大。排查到最后問(wèn)題很少出在模型選擇上而是出在任務(wù)描述本身。有人把需求寫成一段數(shù)十字的模糊指令模型只能靠猜測(cè)和隨機(jī)性來(lái)補(bǔ)全。有人把需求寫成一份“任務(wù)說(shuō)明書”背景、目標(biāo)、邊界、輸出格式、失敗情況全都有明確交代。后者的穩(wěn)定性通常明顯更高。所以在學(xué)習(xí)提示詞技巧之前更有價(jià)值的是先檢查你的文檔能力。能不能把一件復(fù)雜任務(wù)講清楚讓一個(gè)不了解背景的人快速理解能不能把模糊需求拆成可執(zhí)行步驟能不能用短句減少歧義這些都不是提示詞工程特有的能力它們自古就屬于寫作訓(xùn)練。有趣的是曾經(jīng)被很多人忽視的“AI 訓(xùn)練師”類職業(yè)本質(zhì)上做的也是這件事。它要求你不僅理解模型行為還要能用一個(gè)清晰的文本框架去引導(dǎo)模型。再往下拆它依賴的仍然是對(duì)任務(wù)的理解和表達(dá)能力。2.2 RAG 里真正昂貴的不是向量檢索而是可檢索文本的質(zhì)量在 RAG檢索增強(qiáng)生成落地中有一個(gè)常被忽略的瓶頸資料本身的質(zhì)量。很多團(tuán)隊(duì)一開(kāi)始以為RAG 最難的是向量化、切分策略、召回參數(shù)和排序模型。但真正做了幾輪之后會(huì)發(fā)現(xiàn)如果原始文本本身結(jié)構(gòu)混亂、邏輯跳躍、邊界模糊后續(xù)無(wú)論怎么調(diào)參數(shù)召回的效果都很難質(zhì)變。因?yàn)橄蛄繖z索只能保證“語(yǔ)義相鄰”它不能替你去除原文里的模糊和冗余。這時(shí)候?qū)懽鞯膬r(jià)值再次出現(xiàn)。比如一個(gè)人寫技術(shù)方案時(shí)習(xí)慣把背景和方案混在一起把核心結(jié)論藏在對(duì)細(xì)節(jié)的描述里甚至同一個(gè)概念在不同段落里用了不同叫法。那么在 RAG 系統(tǒng)里檢索器很可能無(wú)法把相關(guān)片段準(zhǔn)確召回即使召回了模型讀到的上下文也是片段的拼接難以推演出有價(jià)值的答案。反過(guò)來(lái)一篇好文檔本身就包含穩(wěn)定的主題句、清晰的段落邊界、準(zhǔn)確的關(guān)鍵術(shù)語(yǔ)、可獨(dú)立理解的小節(jié)。這些文本特征會(huì)讓切分更合理會(huì)讓檢索更精確也會(huì)讓模型更容易在回答中引用正確信息。所以在很多長(zhǎng)期維護(hù)的智能問(wèn)答系統(tǒng)里真正的護(hù)城河未必是多復(fù)雜的算法而是一套被持續(xù)編輯、不斷收斂的高質(zhì)量文檔庫(kù)。誰(shuí)能讓知識(shí)以更穩(wěn)定的文本形態(tài)沉淀下來(lái)誰(shuí)的系統(tǒng)就更可能是有效的。這件事本質(zhì)上仍然是寫作只不過(guò)寫作的對(duì)象變成了 RAG 的語(yǔ)料。2.3 模型微調(diào)解決的是風(fēng)格與行為問(wèn)題不是表達(dá)缺失問(wèn)題有些人會(huì)把“模型效果不好”直接歸因于模型版本不夠新、參數(shù)不夠大甚至想馬上去做微調(diào)。但在我看過(guò)的很多案例里問(wèn)題并不發(fā)生在模型能力層而發(fā)生在指令表達(dá)和上下文組織層。模型壓根沒(méi)有理解任務(wù)邊界或者任務(wù)被描述得太寬導(dǎo)致它從一個(gè)概率分布里隨機(jī)挑了一個(gè)相近的輸出。這種情況下的正確路徑不是微調(diào)而是回頭把任務(wù)書寫清楚。只有當(dāng)任務(wù)邊界明確、示例充分、人在提示層已經(jīng)做了大量校準(zhǔn)模型仍然在特定風(fēng)格或特定行為模式上不達(dá)標(biāo)才適合考慮微調(diào)。換句話說(shuō)微調(diào)和 RAG 解決的是模型“知道什么”“習(xí)慣怎么回答”的問(wèn)題寫作解決的是“你有沒(méi)有把一個(gè)任務(wù)真正定義清楚”的問(wèn)題。后者的優(yōu)先級(jí)更高。這就像給一個(gè)能力很強(qiáng)的新同事派活如果你說(shuō)不清目標(biāo)、時(shí)間、約束和驗(yàn)收標(biāo)準(zhǔn)同事能力越強(qiáng)越容易按自己的理解做偏。這時(shí)候換一個(gè)更聰明的人并不是第一選擇把需求文檔寫清楚才是。3. 把虛無(wú)的安全感落成工程判斷、表達(dá)、校準(zhǔn)三步閉環(huán)3.1 一個(gè)人工智能協(xié)作的最小可復(fù)用流程如果只停留在“寫作很重要”的層面那和一句正確的廢話沒(méi)有區(qū)別。想把寫作變成人工智能時(shí)代的安全資產(chǎn)我更建議按一個(gè)閉環(huán)去練判斷、表達(dá)、校準(zhǔn)。判斷指的是在讓模型動(dòng)手之前你先用自己的經(jīng)驗(yàn)明確這件事的目標(biāo)是什么、哪些信息是可信的、哪些約束是不能突破的、什么結(jié)果算合格。這個(gè)環(huán)節(jié)不需要寫長(zhǎng)文哪怕只是在草稿里寫三五行判斷也可以但關(guān)鍵是這一步不能省。因?yàn)橐坏┠阒苯幼屇Ｐ蜕赡憔桶炎约旱呐袛嘭?zé)任讓渡給了模型。表達(dá)指的是把判斷轉(zhuǎn)化成模型能理解的文本結(jié)構(gòu)。最常見(jiàn)的做法是給出一份“任務(wù)提示四要素”背景信息為什么有這個(gè)任務(wù)目標(biāo)定義最終要得到什么硬性約束哪些事情不能做驗(yàn)收標(biāo)準(zhǔn)什么質(zhì)量算過(guò)關(guān)這四要素不需要辭藻華麗但需要在動(dòng)筆前想清楚。寫背景時(shí)要克制不要把所有歷史細(xì)節(jié)都倒給模型寫目標(biāo)時(shí)要具體不要讓模型替你猜“用戶意圖”寫硬性約束時(shí)寧可啰嗦一點(diǎn)也要列全因?yàn)槟Ｐ蛯?duì)隱含約束的感知并不穩(wěn)定寫驗(yàn)收標(biāo)準(zhǔn)時(shí)最好給一個(gè)示例光說(shuō)“格式規(guī)范”遠(yuǎn)遠(yuǎn)不夠。校準(zhǔn)指的是拿到模型輸出后不是只看“結(jié)果順不順眼”而是要比較輸出與你的目標(biāo)、約束是否一致。發(fā)現(xiàn)偏差后回到文本層修改任務(wù)描述而不是簡(jiǎn)單粗暴地重新生成一次。這一步是很多人做得最差的地方。大家習(xí)慣把模型當(dāng)成一個(gè)碰運(yùn)氣的盒子生成不好就再點(diǎn)一次再不行就換模型。但專業(yè)的做法是把輸出當(dāng)成一次系統(tǒng)反饋判斷偏差來(lái)自目標(biāo)不清晰、約束缺失、背景誤導(dǎo)還是示例不對(duì)然后在文本表達(dá)上修正它。這個(gè)閉環(huán)看起來(lái)樸素但它就是工程上常說(shuō)的迭代收斂思路。把它用到和人工智能的日常協(xié)作里寫作能力就不再是空談而是一套可以被反復(fù)執(zhí)行的工作方法。3.2 把評(píng)價(jià)標(biāo)準(zhǔn)寫進(jìn)提示里而不是寫一堆形容詞很多提示詞效果差不是因?yàn)椴粔蜷L(zhǎng)而是因?yàn)樵u(píng)價(jià)標(biāo)準(zhǔn)太模糊。比如你要求模型“寫一段有吸引力的產(chǎn)品介紹”這句話等于沒(méi)有標(biāo)準(zhǔn)?！坝形Α笔且粋€(gè)主觀感受模型只能基于平均分布去猜。如果你改成“產(chǎn)品介紹要讓第一次接觸的運(yùn)營(yíng)人員在三分鐘內(nèi)理解核心功能并回答以下三個(gè)常見(jiàn)異議”模型的生成方向就會(huì)具體得多。更進(jìn)一步的寫法是給模型提供“反面清單”和“失敗判斷標(biāo)準(zhǔn)”。例如如果回答中出現(xiàn)與給定知識(shí)庫(kù)不一致的數(shù)據(jù)屬于不合格如果輸出結(jié)論沒(méi)有附帶判斷理由需要重寫如果場(chǎng)景與問(wèn)題描述中的用戶角色不匹配應(yīng)先詢問(wèn)而不是猜測(cè)這些事情都可以寫進(jìn)提示詞的末尾。它們看起來(lái)只是幾行說(shuō)明但本質(zhì)上是你在用寫作能力給模型的輸出設(shè)置一個(gè)可評(píng)估的范圍。范圍越清楚模型的穩(wěn)定度越高。3.3 日常復(fù)盤、周報(bào)、評(píng)審意見(jiàn)都是低成本的寫作訓(xùn)練很多人覺(jué)得練寫作是一件需要專門抽時(shí)間做的事其實(shí)在日常工作里素材到處都是。最值得利用的是復(fù)盤和周報(bào)。很多人寫周報(bào)時(shí)只列結(jié)果比如“完成了 A、B、C”這其實(shí)不是表達(dá)而是流水賬。如果你愿意多寫兩句“下這個(gè)判斷的原因是什么”“過(guò)程中哪個(gè)假設(shè)出了問(wèn)題”“如果重做一次會(huì)調(diào)整什么”你就在無(wú)形中完成了判斷與表達(dá)的練習(xí)。等到你需要給人工智能布置任務(wù)時(shí)這種“把過(guò)程拆成判斷依據(jù)”的能力會(huì)直接遷移過(guò)去。另一個(gè)被低估的是評(píng)審意見(jiàn)和故障說(shuō)明。技術(shù)評(píng)審時(shí)能不能用文字說(shuō)清楚一個(gè)方案的風(fēng)險(xiǎn)邊界故障復(fù)盤時(shí)能不能寫清現(xiàn)象、鏈路、根因、處理動(dòng)作而不是把所有事情混成一句“網(wǎng)絡(luò)抖動(dòng)”這些場(chǎng)景天然需要精確表達(dá)它們才是寫作能力真正成長(zhǎng)的土壤。人工智能寫得越多人自己寫得越少這種能力就越容易退化。一個(gè)不看過(guò)程、只交付結(jié)論的人在能和模型順暢交流的人面前會(huì)明顯失去優(yōu)勢(shì)。4. 安全感的真正來(lái)源你不是在寫文章而是在產(chǎn)出“可被驗(yàn)證的決策”4.1 模型可以寫出任何答案但誰(shuí)來(lái)為答案負(fù)責(zé)一個(gè)很容易被忽視的事實(shí)是模型能生成一段邏輯完整的文本但模型不會(huì)為文本承擔(dān)責(zé)任。在實(shí)際工作中真正有價(jià)值的文本往往不是“寫得好”而是“作得了數(shù)”。技術(shù)方案需要有人為技術(shù)選型負(fù)責(zé)事故報(bào)告需要有人為處置動(dòng)作負(fù)責(zé)產(chǎn)品需求文檔需要有人為業(yè)務(wù)目標(biāo)負(fù)責(zé)甚至一封對(duì)外說(shuō)明郵件也需要有人為措辭后果負(fù)責(zé)。當(dāng)你在寫作里承擔(dān)起這種責(zé)任你產(chǎn)出的就不再是普通文本而是一個(gè)可被追溯、可被討論、可被驗(yàn)證的決策。決策能力不會(huì)被模型替代因?yàn)槟Ｐ蜎](méi)有真實(shí)世界的利益立場(chǎng)也沒(méi)有因?yàn)殄e(cuò)誤決策而承擔(dān)后果的機(jī)制。它只是概率生成器。所以更精準(zhǔn)的安全感判斷是寫作本身并不帶來(lái)安全真正帶來(lái)安全的是你在寫作過(guò)程中承擔(dān)的判斷責(zé)任。如果一個(gè)作家只是把文字交給 AI自己在旁邊做排版那他不一定安全但如果一個(gè)工程師能通過(guò)寫作把技術(shù)方案背后的取舍講清楚并為最終效果負(fù)責(zé)他的價(jià)值就很難被自動(dòng)化取代。4.2 訓(xùn)練 AI 替你寫周報(bào)是最危險(xiǎn)的代寫今天已經(jīng)有大量的“AI 代寫”應(yīng)用讓用戶一鍵生成周報(bào)、日?qǐng)?bào)、績(jī)效總結(jié)。從短期看這確實(shí)節(jié)省時(shí)間。但從長(zhǎng)期看它可能帶來(lái)一種隱性損害你不再對(duì)自己的工作過(guò)程做判斷了。寫周報(bào)的過(guò)程本質(zhì)上是一次定期復(fù)盤這個(gè)星期最重要的進(jìn)展是什么哪些事卡住了卡住的根本原因是資源、技術(shù)還是溝通下周應(yīng)該把精力投到哪里如果這些判斷都讓模型替你完成你只是在生成一份看起來(lái)合規(guī)的文檔并沒(méi)有真正完成一次工作梳理。你省下的時(shí)間越多失去的自我校準(zhǔn)機(jī)會(huì)也就越多。這里必須強(qiáng)調(diào)邊界我并不是反對(duì)用人工智能輔助寫作。相反它非常適合用來(lái)潤(rùn)色、補(bǔ)全、擴(kuò)寫、生成初稿。但核心判斷不能外包尤其是對(duì)目標(biāo)的判斷、對(duì)邊界的判斷、對(duì)質(zhì)量標(biāo)準(zhǔn)的判斷。如果你把這些部分也交給模型那你實(shí)際上已經(jīng)放棄了寫作中最有長(zhǎng)期價(jià)值的部分。4.3 排查思路當(dāng)模型輸出不穩(wěn)定時(shí)先檢查哪一層在工程實(shí)踐中如果模型輸出不穩(wěn)定我建議先按順序排查任務(wù)目標(biāo)是否被清晰定義有沒(méi)有歧義背景信息是否足夠是否夾帶無(wú)關(guān)內(nèi)容約束條件是否顯式寫明有沒(méi)有靠模型猜測(cè)輸出格式是否給了示例是否可以被程序穩(wěn)定解析當(dāng)前模型能力是否匹配該任務(wù)如果差距過(guò)大考慮換模型或微調(diào)前四步都指向?qū)懽鞅磉_(dá)層。很多時(shí)候你以為自己在換模型實(shí)際只是在逃避寫清楚任務(wù)。一個(gè)有能力把任務(wù)書寫清楚的人連踩坑的成本都會(huì)低很多。5. 寫作不是鐵飯碗它是一套能長(zhǎng)期迭代的底座5.1 什么樣的人最應(yīng)該把寫作能力當(dāng)?shù)鬃脤懽鬟m應(yīng)的人群比想象中更廣但它的價(jià)值分布并不均勻。對(duì)技術(shù)負(fù)責(zé)人、產(chǎn)品經(jīng)理、運(yùn)營(yíng)策略、數(shù)據(jù)分析師、AI 訓(xùn)練師這類需要大量與人溝通、與模型協(xié)作的崗位來(lái)說(shuō)寫作是直接的生產(chǎn)力。因?yàn)樗麄兠刻斓暮诵墓ぷ骶褪前涯：龁?wèn)題變成明確任務(wù)讓團(tuán)隊(duì)或模型去執(zhí)行。清晰表達(dá)在這里不是軟技能而是硬瓶頸。對(duì)獨(dú)立開(kāi)發(fā)者或小團(tuán)隊(duì)來(lái)說(shuō)寫作更是杠桿。你把自己的產(chǎn)品思路、技術(shù)架構(gòu)、用戶反饋整理成文字再讓 AI 基于這些文字去生成代碼、文檔、測(cè)試用例你的團(tuán)隊(duì)產(chǎn)出會(huì)被明顯放大。沒(méi)有清晰的文字底座AI 帶來(lái)的只是局部提效而不是系統(tǒng)性的流程改進(jìn)。對(duì)內(nèi)容創(chuàng)作者、研究員、戰(zhàn)略分析者來(lái)說(shuō)寫作則是思考的容器。模型可以幫你查資料可以幫你寫初稿可以幫你做對(duì)比但它無(wú)法替你決定“什么值得被看見(jiàn)”“什么結(jié)論可以被相信”。這些判斷最終要回到你自己的文字系統(tǒng)里去沉淀。5.2 這條路的邊界也很明顯我同樣想提醒一句寫作不是萬(wàn)能的避風(fēng)港寫得好也不等于自動(dòng)獲得職業(yè)安全。如果一個(gè)人的工作內(nèi)容長(zhǎng)期停留在高度標(biāo)準(zhǔn)化、不需要跨語(yǔ)境判斷、不涉及責(zé)任承擔(dān)的執(zhí)行層那即使他偶爾寫幾篇好文章也很難靠寫作抵抗自動(dòng)化。寫作的安全感需要和領(lǐng)域知識(shí)、判斷經(jīng)驗(yàn)疊加在一起才能產(chǎn)生杠桿。一個(gè)不懂業(yè)務(wù)的寫手在人工智能時(shí)代并不會(huì)比一個(gè)懂業(yè)務(wù)的領(lǐng)域?qū)＜腋踩＿€有一層邊界是寫作不等于生產(chǎn)長(zhǎng)篇大論。真正有價(jià)值的寫作必須克制。能用三句話寫清楚的不要寫三段話能用一個(gè)結(jié)構(gòu)化清單表達(dá)的不要堆形容詞。在模型處理長(zhǎng)上下文依然有信息衰減的今天簡(jiǎn)潔、準(zhǔn)確、可驗(yàn)證的表達(dá)遠(yuǎn)比華彩文章更有生產(chǎn)力。所以我更愿意把寫作理解為一種讓判斷可被記錄、可被校驗(yàn)、可被傳遞的能力。它不需要發(fā)表到任何平臺(tái)也不一定要被很多人看見(jiàn)。它只需要長(zhǎng)期發(fā)生在你的日常里就能在人工智能時(shí)代形成一個(gè)穩(wěn)定的底座。5.3 如果只做一件事先從最小閉環(huán)開(kāi)始如果你讀完這些仍然不確定從哪里開(kāi)始我的建議很具體本周選一個(gè)你最近做得不太順利的任務(wù)用一頁(yè)文字把它重新寫一遍。寫清楚四件事任務(wù)背景是什么你希望達(dá)成的目標(biāo)是什么哪些條件不能突破如果結(jié)果合格它應(yīng)該長(zhǎng)什么樣。然后把這頁(yè)文字交給模型看它的輸出是否比之前更接近你的要求。你會(huì)發(fā)現(xiàn)一個(gè)很微妙的改變當(dāng)你把判斷和責(zé)任先落在文字上人工智能才真正從“生成工具”變成了“執(zhí)行工具”。而那份替你做判斷、寫邊界的文字能力才是這個(gè)時(shí)代最安全的職業(yè)資產(chǎn)。它不是和你競(jìng)爭(zhēng)的那個(gè)文本生成器而是你手中給生成器設(shè)定航道的方向盤。