文 / 松本架
同一个模型，同一个人手把手教，三个月之后，用的人拉开的差距，比你想的大得多。
有个细节很说明问题。同样一个模型，不同的人问同一个领域的问题，AI 给出的回答质量竟然天差地别。问题不在模型，在提问的人。
会用的人，让它写长篇报告、做深度分析；不会用的人，只拿它查查单词、润润句子。同样是“用 AI”，一个在开挖掘机，一个在拿勺子挖土。
人与 AI 之间的差距，不在模型，
而在你敢不敢对它提出更大的要求。
对 AI 的“野心”，大概可以分成四档。
速度——同样的事，做得更快。
高度——同样的事，做得更好。
深度——向它提出更难的问题。
广度——让它进入你不熟悉的领域。
大多数人停在第一档：把 AI 当搜索引擎的加速版。真正拉开差距的，是后三档。
拿“去京都旅行”举个例子，看看野心是怎么一层层加上去的。
第一层，任务：“帮我找几家京都的酒店。”这是大多数人的用法，把 AI 当办事员。
第二层，项目：“帮我规划一次五天的京都之旅，预算两万，要安静、少游客。”这时候 AI 开始动脑子了。
第三层，目标：“我想体验真正的京都美学，回来之后能讲出点门道。”这已经不是在要答案了，是在要一次认知升级。
第三层的回答，往往会改变你本来要问的问题。
“深度”的意思是：别只问它知道什么，问它能推出什么。
先给背景，再给约束：告诉它你是谁、你要干什么、有什么限制。背景越具体，回答越不像套话。
让它先问你：在它回答之前，先让它问你五个澄清问题。好问题的一半，藏在它反问你的问题里。
要推理过程，不要只拿结论：让它把思考过程写出来。过程对了，结论才可信；过程错了，你也能一眼看出来。
让它扮演对立面：“反驳我刚才的观点。”一个只会附和你的 AI，不如一个敢跟你抬杠的。
迭代，别指望一发入魂：第一版回答只是草稿。追问三次，质量完全不一样。
举个现成的例子。下次让它做分析，别只说“分析一下”，试试这样说：
在回答之前，先问我 5 个澄清问题；然后给出你的推理过程，最后再给结论。如果我的前提有问题，直接指出来。
同一句话术，换个领域照样好用。
“广度”的意思是：让 AI 带你去你本来进不去的房间。
当翻译：把看不懂的论文、合同、外文资料丢给它，让它讲人话。
当教练：学新技能的时候，让它当你的陪练，随时纠错。
当参谋：做重大决定前，让它列出你没想到的角度。
但要注意一个坑：AI 在不熟悉的领域里，一本正经胡说八道的本事也最大。跨界用它，结论一定要找懂行的人或者可靠来源再核一下。
广度是用来开眼的，不是用来下结论的。
好消息是，野心不是天赋，是习惯，可以练。
每次提问之前，多停三秒，问自己一句：我这个问题，是不是太小了？能不能再往上提一档？
从“帮我写个周报”到“帮我复盘这周的工作，找出三个可以改进的地方”，就差这三秒。
练上一个月，你会发现 AI 在你手里，完全是另一个东西。
道理讲完了，留四件今晚就能用的事：
提问前先加背景和约束，别扔一句话就走。
让它先问你五个问题，再开始回答。
要推理过程，不要只拿结论。
同一个问题，追问三次再收工。
四件事都不难，难的是养成习惯。
AI 的能力曲线还在往上走，但对大多数人来说，瓶颈早就不是模型了，是提问的人。
模型每半年翻一番，你的提问方式，半年前长什么样，现在还是什么样吗？
AI 的天花板，
从来都是提问者的天花板。
所以野心大概不是一种性格，而是一个提问的习惯。
参考来源：Ethan Mollick《Co-Intelligence》；Anthropic 官方 Prompt Engineering 指南。
E N D
{{作者名}}
{{一句话简介}}