我第一次意识到 AI 对个人成长的影响，不是在它写出一段漂亮代码的时候，而是在它追问我“你真正想优化的指标是什么”的时候。那一刻我发现，自己并不是缺少答案，而是太习惯把半成形的焦虑包装成一个看似专业的问题。

这也是很多人使用 AI 时最容易错过的部分：我们把它当作搜索框、实习生、代码补全器，甚至是某种廉价顾问，却很少把它当作一面能反射思考质量的镜子。它当然会犯错，会编造，会顺着你的话讲下去。但恰恰因为它反馈得足够快，我们才有机会更频繁地观察自己如何提问。

01 / 问题的质量，决定了工具的上限

对程序员来说，AI 可以帮你写样板代码、解释报错、生成测试用例。但如果你不知道系统的边界在哪里，不知道哪部分逻辑必须保持可读，不知道性能瓶颈是否真的存在，那么 AI 只会把不确定性放大成更多看似完整的文件。

对产品经理来说也是一样。让 AI “帮我设计一个增长方案”往往得到的是一组正确但无用的常识；但如果你告诉它用户分层、当前转化漏斗、实验约束和不可触碰的品牌边界，它就会变成一个不错的推演伙伴。

02 / 把“求答案”改成“做校准”

我更喜欢把一次 AI 对话看作三轮校准。第一轮是倾倒，把脑子里混乱的材料全部放出来；第二轮是归纳，请它找出结构、矛盾和缺口；第三轮才是生成，让它基于新的结构给出方案。

Note 一个简单的判断标准是：如果你把同一个问题交给不同的人类同事，他们也只能给出泛泛建议，那么问题本身就还没有被定义好。

这种使用方式特别适合大学生。因为学习的核心不是囤积资料，而是建立自己的判断坐标。你可以让 AI 扮演反方，质疑你的论文论点；也可以让它扮演面试官，追问项目经历里最薄弱的地方。

03 / 一个更可靠的个人工作流

我现在会把 AI 放进日常工作流中，但只给它三个明确职责：压缩信息、暴露假设、生成备选。压缩信息，是把会议记录、论文摘要、用户反馈变成可比较的结构；暴露假设，是追问方案背后的前提是否成立；生成备选，则是在方向已经确定后，扩展表达、命名或界面状态。

• **先写自己的判断。**在打开 AI 之前，先用三句话写下你认为问题的关键。
• **要求它指出不确定性。**不要只问“怎么做”，要问“这个方案最可能错在哪里”。
• **保留人工决策点。**凡是涉及取舍、价值排序、用户伤害和长期成本的决定，都不应该交给模型自动完成。

04 / 最后，别把工具崇拜成信仰

我们应该拥抱 AI，但不必崇拜它。它擅长模式，擅长语言，擅长把已有材料重新排列；而人仍然要负责经验、伦理、语境和品味。

当你下一次打开对话框时，可以先不急着问答案。试着把问题写得更诚实一点，把限制写得更具体一点，把你自己的判断也放进去。然后观察它如何回应。