Hello啊朋友们，我是Simonlin，用通俗易懂的语言，手把手带你玩转AI，提高10倍效率！
说实话，我见过太多人这样用 AI 了，看看你是不是这样：
有一个朋友，打开 ChatGPT，输入一句：“帮我写篇文章。”
然后盯着屏幕等。
AI 唰唰唰输出一大段，他看了一眼，觉得“还行吧”，复制，粘贴，完事。
过几天，他跑来跟我说：
“Simon，AI 好像也没那么神啊。”
我只想说：这个锅。 AI 不能全背。
如果你还在用 2023 年的方式，用2026 年的工具，AI给的东西一定不能让你满意。
今天这篇文章，我结合 Karpathy、Simon Willison、swyx 这些 AI 圈顶级玩家的思路，再加上我自己这一年多踩过的坑，整理出 6 个真正能改善 AI 使用效果的技巧。
不保证你看完立刻变成 AI 大神，但至少可以避免继续把 AI 当许愿池。
一、写提示词，最重要的是“显化意图”
Karpathy 最近讲过一个很有意思的概念：
AI 编程正在从“写代码”，变成“显化意图”。
这个说法听起来有点玄，但翻译成人话就是：
你不再一行行告诉 AI 怎么做，而是把你真正想要的结果、上下文、约束和验收标准说清楚，让 AI 去完成中间过程。
问题是，大多数人的“显化意图”太粗糙了。
他们的提示词通常长这样：
“帮我写个网页。”
“帮我改个 bug。”
“帮我做个总结。”
....
这种指令不能说没用，只能说很像老板拍你同事的肩膀：
“小王，这个项目你优化一下。”
优化哪里？目标是什么？交付标准是什么？有什么不能碰？统统不知道。
这种情况，小王没辞职已经很有职业道德了。
我以前用 Claude Code 也是这样，一开始我会说：“帮我修这个 bug。”
结果它确实修了。
顺便送我三个新 bug，当作买一送三。
后来我开始换一种方式。
我会告诉它：
- 这个功能的目标是什么。
- 当前代码里哪些文件相关。
- 哪些行为不能改。
- 怎么验证修好了。
- 如果有多个可能方案，先分析，不要直接动手。
效果完全不一样。
所以第一个技巧是：
别再把 AI 当搜索引擎，要把它当成你手底下一个什么都能干，但是不够“聪明”的员工，把你的需求讲清楚，它才能干得好。
就好像，你给它一句梦话，它还你一篇梦游。
...公平得很。
二、先想清楚，再让 AI 放大
很多人用 AI 的第一步就是：“先问问 AI 怎么说。”
听起来没毛病，对吧？但这正是很多人用不好 AI 的原因。
MIT 有个研究提到一个挺扎心的现象：
那些一上来就依赖 AI 的人，最后产出的质量，反而可能不如先自己思考、再用 AI 扩展的人。
原因也不复杂。
AI 会给你一个“看起来很完整”的答案...
它输出一完整，你就懒得继续想了。
它表述一自信，你就开始点头了。
它排版一整齐，你的大脑就自动下班了。
这就是 AI 最危险的地方：
给的东西看上去有用，实则一点用没有。
Karpathy 的做法就很值得学。
他不是一上来让 AI 替他想完所有东西，而是先自己写大纲、画结构、列约束，再让 AI 补细节。
Simon Willison 也一直强调：
vibe coding 真正有价值的地方，不是让你无脑甩锅给 AI，而是帮你快速建立对 AI 能力边界的直觉。
我写公众号文章也是这样。
如果我直接让 AI 写初稿，十有八九会出来一篇——
“在当今快速发展的数字时代，AI 正在深刻改变我们的工作与生活。”
看到这句我就想把电脑合上。
但如果我先把文章结构想清楚：
开头用什么场景、中间讲哪几个坑、每个坑用什么案例、最后落到什么观点。
然后再让 AI 帮我扩展、补案例、润色语言，出来的东西就会好很多。
所以第二个技巧是：
AI 是放大器，而不能代替你的大脑。
你自己脑子里得有清晰的结构，它才能交付令你满意的文章、代码、方案、产品。
三、你的知识库，不应该是资料的坟场
第三个技巧，是知识库。
很多人一听知识库，就开始兴奋：“我要把所有文章都存起来！”“我要把所有 PDF 都丢进去！”“我要做第二大脑！”
然后三个月后，第二大脑变成赛博垃圾场。
这事我太熟了，因为以前我也喜欢收藏。
看到好文章——存！
看到好 prompt——存！
看到好工具——存！
结果写文章的时候，根本想不起来自己存过什么。
Karpathy 提到的 LLM Wiki 模式，关键不在“存”，而在“编译”。
也就是让 AI 把原始材料整理成结构化 Markdown，形成可以被阅读、被链接、被复用的知识网络。
这里面有三个动作很重要：
- 第一，原始资料先进 Inbox，不要一上来就假装它很重要。
- 第二，把有价值的内容提炼成可复用的观点、案例、金句、方法。
- 第三，定期让 AI 做健康检查，看看哪里重复了，哪里矛盾了，哪里缺链接。
这也是我现在用 Obsidian 的方式。
我不是只把文章丢进去。
我会让 AI 帮我提炼：这篇文章有什么观点？有什么案例？以后能用在哪类公众号文章里？能不能变成群分享、课程、提示词、飞书画板？
一旦知识变成这种“积木”，AI 才真的能帮你组装。
所以第三个技巧是：
别只让 AI 帮你保存资料，要让 AI 帮你把资料变成可复用的知识。
知识库不应该只负责存东西，它应该是一个大出，将各种食材组合在一起，烹饪出美味佳肴。
LLM-Wiki项目链接：
https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f
四、不会评估 AI，就等于不会用 AI
swyx 说过一句话，我很认同：
2026 年最被低估的技能，是 Evals。
Evals ，就是评估系统。
说简单点：你怎么知道 AI 说得对不对？你怎么知道它有没有编？你怎么知道它写的代码有没有埋雷？你怎么知道它写的文章不是一堆漂亮的废话？
很多人用 AI 的流程是：
输入——输出——相信
这就很危险。
AI 最大的问题不是它会错，是在于它错的时候也很自信。
所以，你必须有质检流程：
- 写代码，就跑测试。
- 写文章，就查事实、查语气、查信息密度。
- 做总结，就回到原文核对。
- 做决策，就找权威来源交叉验证。
我现在让 AI 写文章，一般会至少检查三件事：
第一，事实有没有硬伤。
第二，语气是不是像我。
第三，每一节有没有真实信息，而不是用漂亮话灌水。
写代码也一样。
不是 AI 说“已经修复”就真的修复了。
要跑测试，要看 diff，要检查有没有顺手改坏别的地方。
所以第四个技巧是：
用 AI 之前，先想好怎么验收 AI。
没有经过评估的AI工作流，无异于裸奔。
五、尽信 AI，不如无 AI
这个技巧听起来像废话，但很多人真做不到。
这个月，发生了一个很典型的案例：
河北石家庄的李先生因为行程变动要退机票，他没有去航司官网查规则，而是问了豆包。
豆包回答得非常干脆：
“放心退，手续费不足百元，只扣 5%。”
李先生信了...直接退！
结果被扣了 40% 手续费，整整 600 块啊！
更离谱的是，后续他找豆包理论，AI 还写了份“承诺书”，说愿意赔。
等真要赔钱的时候，AI 又表示：
“我是 AI，没法转账。”
这件事看起来，真的太魔幻了。
但它提醒我们一件事：
AI 输出看起来专业，不代表它可靠。
尤其是涉及这三类事情时，一定要二次确认：钱、健康、法律。
退票规则、合同条款、医疗建议、税务政策、法律责任，这些东西不要只听 AI 的，应该自己亲自再去核查一下。
AI 可以帮你整理问题，可以帮你列查询路径，可以帮你解释官方文档，但最后必须有理有据，有根有基。
所以第五个技巧是：
AI 是参谋，不是决策者。
你可以让它给建议，但别把脑子一并丢给它...
不然它编得很优雅，你亏得很真实。
六、别追新工具，把一个工具用到 80 分
AI 圈有个病，叫 shiny toy syndrome。
翻译一下就是：新玩具综合征。
今天 Claude 更新了，冲。
明天 Gemini 出新功能，冲。
后天又来一个国产 Agent，继续冲。
最后工具试了一堆，每个都只会打开首页。
我发明了一个名词，专门用来形容这类AI玩家——
赛博松鼠，专门囤工具。
Karpathy（没错，依旧Karpathy）的工具栈其实很固定：
Tab 补全处理大部分小任务。
侧边助手处理大段代码。
真正难的问题，再调用更强模型。
Simon Willison 也有类似习惯：
把自己知道怎么做的事情“囤积”成可运行示例，下一次让 AI 直接参考，这比每天换工具有用多了。
我的建议也很简单：
选一个主力工具，用到 80 分。
ChatGPT、Claude、Gemini、豆包、DeepSeek，都可以。
关键不是你装了几个APP，而是你知不知道：
它擅长什么？
它不擅长什么？
它什么时候会胡说？
它适合写代码、做图、读文档，还是做长文本？
我自己现在主力用 Claude Code 处理代码和长上下文，用 ChatGPT 做部分搜索和通用推理，用 Gemini 处理多模态。
比起“一个工具打天下”这种传说，更重要的，是你应该知道，每个工具只要干好自己最擅长的那部分。
所以第六个技巧是：
工具在精，不在多。
把一个工具用到 80 分，比四个工具各用 20 分，有用得多。
总结一下
如果你总觉得 AI “差点意思”，可以从这 6 个地方检查：
- 第一，显化意图。
不要给模糊指令，要给目标、上下文、约束和验收标准。
- 第二，先想后 AI。
先自己搭结构，再让 AI 扩展，不要一上来把思考外包。
- 第三，建设活的知识库。
不要只收藏资料，要把资料提炼成可复用的知识积木。
- 第四，建立 evals。
没有质检流程，就不要轻易相信 AI 输出。
- 第五，关键事情二次确认。
涉及钱、健康、法律，必须回到权威来源。
- 第六，深耕一个工具。
别每天追新玩具，把主力工具用到 80 分。
AI 不是逆天改命的魔法，也不是一无是处的垃圾。
它更像一面镜子——你输出什么，它返回给你什么。
说到底，AI 用得好不好，拼的不只是你会不会写提示词，拼的更是你有没有一套完整稳定的工作流，能不能有效率地使用AI完成任务。
而这，也是会用AI的人，与不会用AI的人的区别。
如果觉得这篇文章还不错，欢迎：点赞，推荐，转发给你身边正在关注 AI 的朋友，让他少走一点弯路。
我建了一个 AI 交流群，群里都是爱好 AI 的朋友，这个群有 AI，也有爱。
我是 Simonlin，下次见。
