AI 不好用？多半是需求没说清楚

同样一个任务，交给模型去做，有时候交回来的东西漂亮得让人想鼓掌，有时候又乱七八糟像新手实习生赶工。很多人把这种时好时坏归因于模型档次：这次用的是旗舰，下次不小心切到了便宜的，所以结果忽上忽下。我倒觉得变量常常不在那里。真正起作用的，是我们递过去的那份任务描述有多清楚。需求给得明白，模型就像一个见多识广的熟手，活干得干净利落；需求给得含糊，它立刻退化成一只无头苍蝇，东撞一下西撞一下，最后交出来的东西自然让人皱眉头。模型的表现摇摆，多半不是它能力摇摆，而是它接到的指令在摇摆。

先把漂亮的那一半说透。模型在训练阶段读过海量的人类工作样本——写方案、改代码、做翻译、整表格，几乎你能想到的常规任务，它的“见过的世面”远超任何一个具体的人。这意味着只要任务落在它熟悉的谱系之内，它缺的从来不是干活的手艺，而是“你到底要哪一种”的信息。这个信息一旦补齐，输出的完成度常常好到超出预期。我自己的体验是，需求描述写足了——背景是什么、目标是什么、边界在哪、给一个样例、说清格式——普通的模型也能交出像样的活儿。这个观察有个不太被重视的推论：对高端模型的需求，其实没有营销话术里那么严重。大多数日常工作根本没到拼模型上限的程度，瓶颈早在需求那一端就把天花板压住了。就像城市通勤，普通家轿和性能跑车能到达的地方没有区别，堵住你的不是马力不够。

再看苍蝇那一半。需求含糊的时候，模型只能猜——而它面对的可能性空间大到可怕：格式可以十种，语气可以八种，详略可以再分五档，方向本身还可能岔出三条路。它没有勇气停下来拒绝你，也不见得会主动追问，多数时候它硬着头皮选一条路走到底，选错了就一路错下去。你看到的“输出不行”，拆开看常常是“它在猜，而且猜歪了”。这时候用户的体感是模型蠢，于是换模型、调参数、买会员，折腾一圈发现改善有限，因为病根不在引擎，在导航——你压根没告诉它目的地在哪。任务没说清就开跑，跑得越卖力，偏得越远，这在模型身上比在人身上更明显，因为模型不会像同事那样凑过来问一句“你到底想要啥”。

升级模型这个动作，救不了模糊的需求。更聪明的模型猜得确实准一点，但方向错了，快马只会更快地跑到错误的终点，甚至因为更自信而错得更流利。钱花在升级模型上，不如先花在把需求写清楚上，这笔账怎么算都更划算。写清楚也不玄，落到纸上就是几件事：交代背景，让它知道这事发生在一个什么场景里；说死目标，一句话讲清要交付什么；划出边界，明确不要什么、不许碰什么；附上样例，拿一个你认可的成品给它看；定好格式，长什么样、分几段、什么语气。这几项填满，苍蝇就有了头，任务立刻从猜谜变成施工。同一只模型，前后表现判若两物，你会怀疑之前是不是一直没给它出场的机会。

写到这里想多说一句：把需求说清楚，听起来简单，其实是门被低估的手艺。职场上能把一件事交代明白的人本来就稀少，模型时代等于给这门手艺明码标价——描述能力直接兑换成产出质量，一分清晰一分货。而且写需求的过程，恰恰是把事情想清楚的过程，很多模糊不在嘴上，在脑子里：你自己也说不清要什么，模型自然更说不清。所以每次对模型失望的时候，我都会先翻回去看自己的那段提示词，十有八九能在里面找到答案。怪模型之前先把需求说清楚，这大概是普通人跟模型打交道最省钱的优化路径，也是最诚实的一条。