12 min read

普通人用10分钟了解如何高效使用AI来干活儿

Source: http://x.com/i/article/2037018000801619971

AI用在不对的场景,就是把屠龙刀当成菜刀来使。面对卷到飞起的 AI 技术,很多人感到焦虑但是却又无从下手,或者尝试之后仅仅停留在“把它当搜索引擎”或者chatbot的初级阶段。很多时候不是AI不好用,而是人们没用在刀刃上。

本文将试图拆解普通人该如何识别AI与人类认知的局限性,并该如何在不同象限精准驾驭 AI,以及如何通过人机互动实现认知和效率升级的同时,又不被AI取代。

为了让文章看起来更高级,引入心理学中的 Johari Window 来讲解人类与 AI 的协作关系,希望能给读者们带来一个不同认知边界的视角。

这个心理学模型理论应用到AI认知边界并非作者原创,大家在网上也能找到很多类似的应用模式,不过解读上可能有所差异,大家看个大概就行。

Johari Window 是个啥?

Johari Window是个心理学模型,像一扇分成四块的窗户,专门用来厘清认知差、沟通时的信息差。这四个象限分别是公开区(一)、盲区(二)、隐藏区(三)和未知区(四)

Image

它按“自己知不知道”和“别人知不知道”两个维度,把信息装进四个格子(象限):大家都懂的“公开区”、别人知道但你却不知道的“盲区”、你藏在心里不说的“隐藏区”,还有双方都没摸透的“未知区”。这个模型很适合从已知和未知的角度解释人类与AI之间的认知差。

为了显得高级,本文借鉴了两位心理学大神的Johari Window将人类和 AI 的认知分为四个象限(而不是窗口)。

Image

省时间不看文字版:

Image

第一部分:AI 协作的四大象限实操指南

Image

第一象限:人类知道,AI 也知道(效率放大区) 在这个象限,我们面对的是高确定性、高重复性的“体力活”。你完全知道好坏的标准,AI 也储备了足够的语料,你自己也能做,但需要耗费大量时间。人把握方向,机器疯狂输出

**用算力换时间。**外包苦力活,追求极致的效率。

  • 适用场景:会议纪要总结、长文翻译、公文/邮件润色、基础代码编写、数据格式转换。
  • 该准备什么:清晰的原始素材(如会议录音转录稿、待翻译的文本),以及你心中明确的“成品标准”。
  • Prompt(提示词)公式:[身份设定] + [明确指令] + [输入素材] + [输出格式限制]
  • 示例: “你是一个资深的外企 HR。请帮我把下面这段中文工作汇报翻译成地道的英文,语气要专业且自信。请用三个要点(Bullet points)来组织,字数控制在 150 字以内。以下是原文:[插入文本]”

第二象限:人类不知道,AI 知道(知识获取区) 你遇到了知识盲区,但这些知识存在于已有的语料库中,AI 已经学习过。

降维学习,把 AI 当作不知疲倦的私人超级外教吧~ (参考:

https://x.com/agintender/status/2035257274361360689?s=20)

  • 适用场景:学习新概念(如“什么是量子计算”)、掌握新技能(“怎么用 Excel 写宏”)、特定领域的专业常识。
  • 该准备什么:明确你的“无知边界”——告诉 AI 你现在懂到什么程度,以便它调整解释的深度。
  • Prompt(提示词)公式:[核心问题] + [我的当前认知水平] + [类比/费曼技巧要求]
  • 示例: “我不懂金融,请用菜市场买菜的类比,给我这个文科生解释一下什么是‘做空(Shorting)’。请分步骤说明,并告诉我其中的风险是什么。”
Image

第三象限:人类知道,AI 不知道(上下文对齐区) 涉及你的个人隐私、公司内部机密数据、当下的即时情绪,或者极度垂直的小众经验。这些 AI 没在训练数据里见过。 这是最高度定制化的区域,也是产生真正商业壁垒的地方。AI 虽然拥有庞大的常识库,但它缺乏你的专有逻辑、非公开数据和特定风控规则。

建立**精准的上下文投喂(Context Injection)。**让 AI 变成“比你阿妈还懂你”的第二人格。(参考:

https://x.com/agintender/status/2035257274361360689?s=20)

  • 该准备什么:你的私有数据(文档、PDF、代码库),以及针对这些数据的处理规则。
  • Prompt(提示词)公式:[背景知识投喂] + [规则限定] + [基于背景的任务指令]
  • 示例: “我会给你提供一份我们公司的《品牌视觉与文案指南》(附文档)。请你先阅读。阅读完成后,仅仅基于这份指南中的风格要求,帮我写一篇关于春季新品上市的微信推文。绝对不要使用指南中禁止使用的词汇。”

第四象限:人类不知道,AI 也不知道(探索与创新区) 在这个象限,没有标准答案。无论是面对一场突如其来的、有组织的商业“黑公关”攻击(舆论走向和情绪发酵充满随机性),还是在探索周期波动中如何最大化个人的“人生杠杆”(代码、社交、叙事、认知杠杆的组合),人类和 AI 都在面对未知的荒野。

激发灵感,把 AI 当作平等的“头脑风暴合伙人”,善于使用AI的“幻觉”。你就想像成是一场多智能体博弈与沙盘推演。

AI 在这里的角色不是解答者,更像是陪练。

  • 适用场景:构思一部新小说的反常规情节、寻找某个复杂技术瓶颈的突破口、探讨要不要结婚、跳槽。
  • 该准备什么:极其开放的心态,以及愿意和 AI 来回“辩论”的耐心。
  • Prompt(提示词)公式:[开放性议题] + [扮演对立面/提供多视角] + [推演要求]
  • 示例: “我现在有一个想法:开一家只在深夜营业、专门服务失眠人群的健身房。我知道这听起来很疯狂。请你扮演一个极其严苛的商业投资人,对我这个想法进行无情的压力测试,找出 3 个最致命的漏洞,并提出可能的转型方向。”

第二部分:跨越象限的认知与协作升级

了解了四个象限的基础理论后,“真正·技术”在于如何在这四个象限之间流动,并且最终将所有的问题往第一象限靠拢/趋近。

Image

1. 人类如何提高“所知”(从第二象限 → 往第一象限靠拢) 不要让 AI 成为你的外脑,更不要让AI驾驭你。

当遇到难题时,不要对 AI 说“帮我写出这段代码”,而是说“告诉我这段代码报错的原因是什么,并给我解决的思路,让我自己来改”。

当 AI 给你解释完一个概念后,告诉它:“我现在尝试用自己的话复述一遍,请你指出我理解中的漏洞。让AI 的知识(第二象限)真正内化成了你的知识(第一象限)。

2. 怎么让 AI 变得更聪明(从第三象限 → 往第一象限靠拢) AI 缺乏的是你的语境(Context)。

人类有很多“只可意会”的经验(比如你平时写邮件的幽默感)。你需要学会将这些抽象经验转化为具体的 prompt。例如,“在邮件结尾加上一句关于咖啡的玩笑”。

善用 RAG(检索增强生成)工具或支持大容量知识库的模型,把你过去写过的好文章、工作流SOP全部喂给 AI。

AI 掌握了你的私有知识/语境context(第三象限),在未来处理你的任务时,直接进入高效的第一象限。

3. 面对未知,人与 AI 如何共舞(攻克第四象限) 在第四象限,AI 产生幻觉(胡说八道)的概率最高。但是幻觉在这里反而是一种feature,而不是一个bug,有时候幻觉往往等于“灵感”。

人类提出设想或者想解决的问题,让 AI 在短时间内生成 50 种荒谬的、跨学科的解决方案。人类利用自己的直觉、审美和现实经验,从中筛选出 1 个有价值的火花。

让人工智能同时扮演“悲观主义者”、“理想主义者”和“实用主义者”来讨论同一个未知议题,人类作为裁判、旁观者、杠精、键盘侠,在多方博弈中寻找最优解。

未知往往是因为问题太大。人类的任务是利用 AI 把第四象限的庞大问题,拆解成无数个第一、第二象限的子问题,然后逐个击破。

从第二象限走向第一象限,是认知广度的扩张;从第三象限走向第一象限,是context数字化的过程(将你的经验变成 AI 可复用的资产);而敢于踏入第四象限,则需要类似《繁花》爷叔的“不响”的定力——在复杂和不确定性中,通过不断的试探、推演,最终找到属于你的皇家同花顺。

第三部分、在象限中流动的法则

熟练使用工具只是术,真正的“道”在于如何在这四个象限之间自如游走,实现人机协同的进化。

内化已知(从第二象限到第一象限) 拜托各位老板们不要把 AI 当作拐杖。当 AI 为你拆解了复杂的机制后,请麻烦尝试用自己的话复述并让它挑错。让机器的知识,真正沉淀为你脑中的认知资本。用提问来内化知识,成为身体的一部分。

Image

Context数字化(从第三象限到第一象限) 将你的行事风格、决策树、独家经验不断投喂给 AI,建立个人知识库。让 AI 彻底掌握你的“上下文”,在未来处理类似的任务时,直接让AI在第一象限里输出即可。

在未知领域探索(驾驭第四象限) 面对绝对的未知和海量的 AI 生成内容,人类最稀缺的能力是“判断力”。让 AI 去穷举、去发散、去扮演无数个侧面,而你只要作为一个观察者、思考者进行批判和反思。在纷繁复杂的推演中,保持冷静,凭借你的直觉、审美和现实经验,化繁为简,返璞归真。

我们不需要把 AI 当作全知全能的神,它只是一面映照我们认知边界的镜子,一根撬动更大可能的杠杆,仅此而已。

后记 Johari Window 是个啥?

Johari Window是两位心理学大神Joseph Luft和Harrington Ingham在1955年发表的。为啥叫Johari?这是两位大神名字的组合体:Jo+Hari,就是这么朴实无华。🤣😂

Image

说起来也搞笑,现在主流的LLM模型也是这么拼接来的~