最近项目里发生了一件特别有意思的事，非常值得复盘。
项目经理给一位开发同学布置了一个功能模块，按理说难度不大。考虑到现在 AI 编程工具这么强，项目经理估计很快就能搞定。结果呢？这位同学整整搞了一天还没弄完。
项目经理很纳闷，问他：“你没用 AI 协助吗？”
开发同学一脸苦笑：“用了啊。就是因为用了 AI，我才搞到现在。”
原来，他把需求扔给 AI 后，AI 产出了代码和运行结果，这位开发同学又花了大量时间逐项核对。
最后算下来，效率反倒不如纯手写。
这位同事的问题，在于他依然以“写代码”的思维使用 AI，而不是以“验收结果”的思维。
当我们自己写代码时，脑子里是有完整逻辑的，写出来的每一行都心里有数。但当 AI 生成代码时，对我们来说是一个“黑盒”。
我们需要从执行者转变为架构师视角。
在上面这个场景里，我们如果转变思路，把自己当成一个架构师，把 AI 当成负责编码的程序员。会发生什么？
试想一下，如果你给一位开发派活，你会只说一句“帮我做个登录功能”吗？肯定不会。因为你知道一句话需求会导致最后做出来的东西可能完全偏离了方向。
那要怎么做呢？
我们会写详细的规格说明书和接口文档，明确交付标准。然后将这些告诉开发，要按照这些要求来写代码。
对 AI 也是一样。
结合这个案例，我认为要提高 AI 协作效率，必须做好以下几点：
1、边界
告诉 AI 目标是什么、哪些要做、哪些不能做。只有当 AI 清楚知道“要做什么”并且“什么不能做”时，才能正确执行任务。
2、任务拆解
不要把一个大需求直接丢给 AI。正确的做法是拆解。把大任务拆成一个个独立的、可验证的小的任务。
任务越小，AI 犯错概率越低，检查的成本也越低。
3、反馈
当 AI 给出的结果有问题时，我们要能快速识别，并及时提供反馈。
如何才能快速识别？
这就需要我们掌握架构知识和底层原理，所以说 AI 帮我们提升效率的同时，我们自己的能力也需要提升才能更高效地配合。
好的反馈能让 AI 一次性修正错误，避免陷入无效的反复沟通。这不仅省钱（省 Token），还能让 AI 尽可能少地产生幻觉。
4、上下文
AI 和人一样，需要上下文。
一个新人进入团队，需要熟悉工作环境、使用的工具、项目的情况、文档、代码库等，这些就是上下文；上下文越充分，就越容易上手。
5、目标
我们做项目，客户的真实诉求是什么？挖得越深，就会越顺利，可以在后期避免很多不必要的返工。
指挥 AI 干活，也需要让 AI 知道我们的目标和意图是什么，只有这样，产出才不会有偏差，有时甚至有惊喜。
6、验收标准
把任务指派给 AI，必须让 AI 知道什么叫“做完了”。
不要小看这个“做完了”，很多时候，项目经理和开发的理解都不一样，开发认为代码写完就算是做完了，项目经理要对最终的业务负责，考虑的更全面。
首先我们要明确这个标准，再告诉 AI。否则，如果我们自己都不清楚验收标准，AI 就不可能产出符合要求的结果。
评论
评论组件按需加载，不影响文章阅读速度。