我们很容易把生成式 AI 想象成一个无所不知的答题器：输入问题，得到答案。 但真正高效的用法，是把它放进一个清楚的工作流程里——说明目标、补充材料、 约束输出、检查事实，再让它参与下一步。
01 · MENTAL MODEL
先建立正确预期：它擅长组织信息，不保证事实正确
大语言模型通过学习大量文本中的语言规律，预测接下来更可能出现的词。 因此，它很擅长总结、比较、改写、头脑风暴与结构化表达； 但在缺少依据时，也可能生成听起来非常合理、实际上并不存在的信息，这就是常说的“幻觉”。
| 任务 | 适合交给 AI | 必须人工确认 |
|---|---|---|
| 资料整理 | 归纳主题、生成摘要、比较观点 | 数字、日期、引文与来源链接 |
| 创意构思 | 提供方向、扩展选项、重写表达 | 是否满足真实业务约束 |
| 技术决策 | 列出方案、风险与验证步骤 | 版本差异、生产环境与安全边界 |
如果答案会进入对外发布、财务、医疗、法律或生产系统，就不能只凭模型的自信语气做决定。
02 · CONTEXT & RAG
让回答变可靠：补充上下文，必要时检索资料
上下文是模型回答时能够看到的全部信息。它不只包括你的问题，也包括对话历史、 粘贴的文档、系统提示与检索到的片段。上下文越贴近任务，回答通常越具体。
检索增强生成（RAG）把“找资料”和“写答案”拆成两个阶段：先检索可信内容， 再让模型依据检索结果组织回答。它不能消除所有错误，但能让关键结论拥有出处。
明确要查什么、哪些关键词最重要。
从文档库或可信网站找到相关片段。
只使用有依据的信息进行归纳。
回到原文检查引文、数字和结论。
03 · PROMPT DESIGN
把“帮我写一下”换成可验收的任务说明
好的提示词不是一句神奇咒语，而是一份简短的任务说明。它让模型知道角色、 背景、目标和完成标准，也让你更容易判断结果是否合格。
角色 + 目标 + 背景 + 约束 + 输出格式 + 验收标准
对比一下
普通提问：“帮我写一份 AI 培训大纲。”
可执行提问：“你是一名企业内训讲师。请为 20 名没有技术背景的运营同事 设计一场 60 分钟的 AI 入门培训。目标：理解大模型能力边界，并掌握三个日常任务。 输出为表格，包含时间、主题、活动与学习目标；避免使用公式，最后附三条课前准备事项。”
后一种问法没有更长就等于更好，而是把评价标准提前写清楚了。 如果结果仍然偏离，优先补充缺失的背景，而不是不断重复“再专业一点”。
04 · VERIFICATION
把验证纳入流程，而不是等出错后再补救
AI 的输出越流畅，我们越容易放松判断。验证不是对模型的不信任， 而是把“生成”和“决策”分开：模型负责提出候选结果，人负责确认它是否适用于当前情境。
查来源：关键事实是否来自可打开的原始资料，而不是模型自己的复述？
查约束：答案是否满足时间、受众、格式、隐私和合规要求？
查反例：如果结论错误，会造成什么后果？是否能先用小范围任务验证？
查可复现性：换一个人按照同样上下文提问，能否得到相近的可用结果？
不要向不可控的公共模型发送密码、私钥、客户数据、儿童信息或未公开的业务资料。
05 · PRACTICE
今日练习：用三次追问完成一次可靠协作
- 选一个你最近真实需要完成的小任务，例如整理会议记录或规划学习路线。
- 用“角色、目标、背景、约束、格式、验收标准”写第一版提示词。
- 要求 AI 标出它不确定的内容，再针对不确定处补充资料或要求重新检索。
- 最后用自己的话总结结论，并核对至少一个关键事实的原始来源。
当 AI 从“给一个答案”变成“参与一个有验证步骤的过程”，它才真正成为可靠的思考伙伴。
从日志、请求链路到安全变更，建立一套可复用的 IT 排障方法。