深入浅出聊 AI - 高质量对话须知

上一篇我们讲过：大语言模型根据上下文逐步生成语言，因此很会写、很会解释，也可能把没有证据的判断说得很完整。

所以，和 AI 对话与我们过往使用搜索框完全不同。

搜索框的基本动作是：你输入关键词，搜索引擎帮你找到已有网页。你主要需要判断哪个结果值得看，而这些网页大都由人撰写、编辑。与大语言模型对话则不同，它不是装满经过验真答案的数据库。它根据上下文、参数模式和概率计算，逐步生成文字。它可以帮你整理材料、改写文字、提取关系、生成候选方案，也能在接入工具后完成受授权的操作，但不等于人类式的理解、意图和判断。

这意味着，AI 基于你的输入，动态地生成答案，而这个独一份的答案是否合理、准确，需要你来参与判断、修正、完善，这变成了你和 AI 一起协同解决问题的过程。

一旦理解了这个区别，你就可以顺利进入下一阶段：

第一，AI 不是替你思考的答案机器，而是一个需要被正确分工的协作者。

第二，高质量对话不靠一句神奇 Prompt 命中，而靠目标澄清、任务分配、共同迭代和结果验收。

我们这里给你推荐一套框架：AI Fluency，由 Rick Dakan 和 Joseph Feller 两位大学教授提出，Anthropic 与他们合作推出了公开课程。它的核心是四个 D：Delegation、Description、Discernment 和 Diligence，简称 4D 框架。

想象你在一个团队里工作，和团队成员配合时，你需要考虑的问题：什么事可以交给对方？怎样说对方才知道我要解决什么？结果为什么可信？谁来承担后果？

一、Delegation：先决定交给 AI 什么

Delegation 可以翻译成“委托”，意思是先划分工作，再把合适的部分交出去。

AI 的参与有三种方式：

• Automation：让 AI 按明确指令完成一项工作，比如改写一段文字、整理会议记录。
• Augmentation：让 AI 扩展人的能力，比如比较几种方案、帮助你学习一个新概念。
• Agency：给系统一个目标和一定授权，让它自行安排步骤、调用工具、推进任务。

三者没有高低之分，关键是任务和授权是否匹配。

判断分工时，先看两个问题：错误的代价有多大？结果能不能撤回？

让 AI 提出三个活动方案，错了可以重来。让 AI 直接决定员工是否录用，或者替你发送不可撤回的邮件，最终判断和动作就要留在人手里。

就拿设计 AI 培训方案来说，你可以让 AI 先列出员工可能遇到的问题，再提出三种课程结构，比较学习成本和落地难度。最后选哪一种，仍然由你决定。

工具能替你多做一些事，不替你决定这件事值不值得做。

二、Description：把脑中的要求说出来

“帮我写一个项目方案”看起来很清楚，其实可能指向五种结果：给老板看的决策材料，给团队执行的计划，给客户展示的提案，给投资人看的商业说明，或者一份帮助自己思考的草稿。

用途不同，写法就不同。用途不明，AI 只能猜。

怎么样能把脑子中的想法表达清晰，我们可以从三个方面入手：Product、Process 和 Performance。

Product：最后要交出什么

说清楚结果给谁用、采用什么格式、必须包含什么，什么情况算完成。

例如：

我正在为一家 200 人规模的零售企业设计内部 AI 培训项目。
目标是帮助没有编程背景的员工使用 AI 整理资料、总结会议和做初步研究。
项目需要在三个月内开始试运行。

请先提出三种课程结构，比较学习成本、落地难度和潜在风险。
不要假设企业已经统一采购某个 AI 工具，也不要虚构培训效果数据。
先输出比较表和需要我决定的问题，不要直接写完整方案。

Process：希望它怎样推进

复杂任务不必一步写完。可以先拆问题、列证据，再形成判断；先提出方向，再比较资源、收益、风险和依赖条件。

研究一个新市场时，可以要求它先列研究问题和证据需求，区分一手资料、媒体报道和推断，最后才写结论。目标要具体，过程可以调整，不必写成铁路路线。

Performance：说明希望怎样互动

Product 说的是“做什么”，Process 说的是“怎么做”，Performance 说的是第三件事：你希望它用什么方式跟你相处。

这一条最容易被跳过，因为多数人从没想过它可以调。但你回想一下：有没有遇到过 AI 洋洋洒洒写了八百字，而你其实只要一句话？有没有你抛出一个明显有问题的想法，它却顺着你夸下去？这些都不是它不够聪明，而是你没说——你不说，它就默认你想要一段读着舒服的话。

大致有三档可以调：

• 简洁还是详细：直接给结论，还是把推理过程摊开？
• 支持还是挑战：陪我把想法发散出去，还是专挑漏洞？
• 先问还是先做：信息不足时先提问，还是先按它自己的假设写完？

写出来只要几句：

这是一个还没想清楚的早期想法。
请先扮演批评者，指出三个最可能站不住的地方，再说优点。
只给要点，不要展开成文章。
如果我的前提本身有问题，请直接说，不要顺着我讲。

但要分清一件事：Performance 能调的是立场和语气，不是它掌握的事实。“请以世界顶级专家的身份回答”这类说法很流行，可角色设定不会让 AI 多知道任何一条真实信息。它能换一个视角看问题，不能替代材料、来源和你自己的核对。

说到底，AI 不是数据库，也不是自动贩卖机，而是一个会按你给的方式跟你配合的协作者。

三、Discernment：说得像真的，不等于有证据

4D 中最容易被低估的能力，是 Discernment，也就是辨别和判断。

AI 给出的答案可能有三种不同的“好”：

1. 语言表达很好；
2. 结构组织完整；
3. 事实、推理和建议都可靠。

前两种，并不能自动推出第三种。

一份报告写得漂亮，可能只是因为模型很会组织句子，不会因此知道数字是否过时。

所以，检查可以沿着 Product、Process 和 Performance 三个角度进行：

• Product：结果是否准确、切题，符合受众、格式和现实限制？
• Process：有没有跳过关键步骤，把假设当成事实，或者用不足的证据推出结论？
• Performance：互动是否合适？它有没有一味附和、掩盖不确定性，或者在没有授权时替你作决定？

三层里 Product 最费功夫，当你拿到 AI 输出的结果时，可以从下面三个方面检查：

检查层级	主要解决的问题
内部复核	有没有遗漏、矛盾、错误假设和反方观点
外部核验	来源是否存在，数字是否算对，代码和链接是否真的有效
系统测试	换一种输入、版本或异常情况后，结果是否仍然稳定

尤其当 AI 写出一份漂亮的方案、完整的报告或一段看起来很专业的解释时，人很容易跳过检查。微软研究院与卡内基梅隆大学 2025 年一项针对知识工作者的调查发现，AI 会把人的工作从信息搜集和直接生产，部分转向信息核验、回应整合和任务监督；同时，对 AI 的信心越高，用户投入的批判性思考往往越少。

所以，面对流畅答案，至少问四件事：它答的是我的真实问题吗？哪些是事实、哪些是推断？有没有跳过关键步骤？这份结果适合我的团队、预算和场景吗？事实应能追溯到材料、来源或可重复计算；推断可以有价值，但不能伪装成事实。

有人想出办法，让 AI 自己检查。但这种办法更适合发现遗漏、改善结构和提出反例，不等于外部核验。同一个模型可能倾向于认可自己的答案；也有研究发现，模型在自我修订时会放大这种自我偏好。

Discernment 不是怀疑 AI 的每一个字，而是知道：哪些地方可以把它当作思考伙伴，哪些地方必须把证据请进来。

四、Diligence：对选择、披露和交付负责

Diligence 通常翻译成“尽责”，从选择怎么用 AI 到交付成果，都要把后果算在内。

Creation Diligence：谨慎选择怎么用

开始前要想清楚：使用哪个系统，提供哪些资料，采用自动化还是共同完成。隐私、机密、知识产权、组织规则和任务风险，都属于这个判断。

一张包含客户联系方式的表格，不能因为 AI 整理得快，就直接上传到任何工具。你需要先确认数据能否上传，必要时脱敏。高风险任务，可以让 AI 做分类和候选整理，但把决定权留在自己手里。

Transparency Diligence：让相关的人知道 AI 做了什么

如果 AI 参与了报告、课程、设计、代码或决策材料，谁需要知道，披露到什么程度，取决于组织规则、成果用途和 AI 的参与程度。

AI 生成初稿后由人补充资料并核验，和未经检查就直接提交，不是同一种工作过程。不要让未经验证的判断被误认为专业审核。

Deployment Diligence：对交付后的结果负责

报告签了你的名字，邮件从你的账户发出，代码上线，文章公开，责任不会因为“是 AI 写的”就回到工具身上。

交付前检查事实、引用、隐私、版权和工具结果；接入 Agent 后，再看外部状态、日志和撤销路径。

你签名，你负责。

五、把 4D 放进四个日常任务

场景一：做研究

低质量的请求是：

帮我研究一下这个市场。

可以改成：

• Delegation：请建立研究地图、整理资料和提出问题，先不要替我下结论。
• Description：研究中国市场，范围是近三年，读者是公司管理层，用于判断是否进入。
• Discernment：区分事实、来源观点、推断和建议；指出证据不足的地方。
• Diligence：关键数字回到原始来源核对，不能把媒体转述当成一手资料。

先建地图，再补材料，再找反方，最后形成判断。

场景二：学一个新知识

低质量的请求是：

给我讲讲量子计算。

可以改成：

我的目标是建立能够复述的基础理解，不是背定义。
我是没有理工科背景的职场人士。
请先用一个生活类比解释，再说明这个类比哪里不准确。
每讲一个概念，请说明它解决什么问题，以及我容易产生哪种误解。
每一节结束后先问我一个问题，检查我能否用自己的话复述。

• Delegation：让 AI 负责解释、出题和纠错，不替我判断是否真正学会。
• Description：说明基础、目标和学习时间。
• Discernment：检查自己能否复述，并核对教材和可靠来源。
• Diligence：涉及考试、论文或专业结论时，遵守课程规则，说明 AI 的参与。

场景三：设计项目方案

低质量的请求是：

直接帮我写一份完整方案。

可以分成几轮：

第一轮：帮我确认问题到底是什么。
第二轮：提出三个方向，先不要替我选择。
第三轮：找出每个方向最容易失败的地方。
第四轮：根据我的选择，整理成执行方案。
第五轮：站在反对者立场审查这份方案。

• Delegation：让 AI 扩展选项、比较取舍、寻找失败点。
• Description：交代团队、预算、时间、现有系统和成功标准。
• Discernment：检查方案是否回答真实问题，假设是否有证据。
• Diligence：你决定是否值得做，也对最后提交的方案负责。

场景四：管理个人任务

低质量的请求是：

帮我规划一下今天的工作。

可以改成：

请根据下面的任务清单，整理本周工作安排。
请区分重要性、紧急性、依赖关系和预计耗时。
不要替我删除任务，也不要假设会议可以取消。
如果时间不够，请列出需要我做取舍的地方。
输出按日期排列的计划、冲突点、推迟的任务和需要我确认的决定。

• Delegation：让 AI 排出候选计划，不替我做取舍。
• Description：提供截止时间、耗时、依赖关系和不可移动事项。
• Discernment：检查计划是否真的可执行，是否遗漏冲突。
• Diligence：如果系统能改日历、发消息或更新任务状态，先确认权限，再验证动作。

任务不同，人的位置没有变：把能交给 AI 的部分交出去，把目标、取舍和责任留在自己这里。

六、4D 之外，再看 3S

4D 讲的是人：哪些工作交给 AI，怎样把要求说清楚，结果如何判断，责任由谁承担。而今天的 AI 还可能连接搜索、文件、代码、日历和外部服务，所以还要再看系统本身的三件事。

以下三点不属于 4D 原框架，是我们结合 Agent 实践补充的观察。

Tool awareness：知道能力来自哪里

分清模型、检索、代码、文件系统、外部 API 和 Agent。

模型说“我已经查过了”，不等于搜索工具真的返回过结果；它说“文件已经生成”，也不等于文件确实存在。

State management：知道进度放在哪里

长对话不等于长期记忆。要知道当前对话里有哪些资料，哪些来自旧版本，哪些假设已被推翻，进度保存在哪里。

持续数周的项目不能只靠一条聊天记录。阶段摘要、版本标记、任务清单和交接文件，能让下一轮接上进度。这类工作常被称为 Context Engineering。

Safety and evaluation：让“完成”可以被检查

重要任务不能只凭“看起来不错”验收。

如果 Agent 可以读取文件、运行代码或发送邮件，要检查它调用的工具、参数和改变的状态。删除、发送、付款等动作需要更高等级的确认。资料不足、权限不足或无法证明完成时，系统应停下来报告。

多次运行也要看是否稳定，一次成功不代表下一次不会出错。

4D 管人的选择，3S 管系统的边界。

七、一张可以带走的 4D 回顾表

D	一句话	可以问自己
Delegation	决定交给 AI 什么，保留什么	这件事适合自动化、共同完成，还是只给有限授权？
Description	说清结果、过程和互动方式	AI 知道我要交出什么，也知道应该怎样推进吗？
Discernment	判断结果、过程和互动是否可靠	它说得顺，是否也有证据？
Diligence	对选择、披露和交付负责	资料能不能给，是否需要披露，最后谁负责？

八、可迁移的对话模板

这不是万能 Prompt，而是一张任务检查表。越具体，AI 越少猜。

目标：我真正想完成什么？结果给谁使用？
分工：哪些部分请 AI 协助？哪些判断和取舍由我保留？
背景：场景、受众、时间、资源和范围限制是什么？
材料：哪些是事实，哪些是我的假设？请使用哪些资料？
任务：请完成哪些动作？哪些步骤可以自行规划？
标准：什么结果算完成？哪些内容需要来源、计算、测试或示例？
互动：前提有问题请指出；信息不足时先提问。
检查：分别检查 Product、Process 和 Performance。
责任：哪些资料不能上传？是否需要披露 AI 参与？谁对最终结果负责？
交付：按什么格式输出？完成后说明依据、验证结果和仍需我判断的地方。

面对会调用工具的 Agent，再补充一下：

工具：你可以使用哪些工具，各自能做什么、不能做什么？
权限：哪些动作允许直接执行，哪些动作必须先确认？
状态：请如何记录进度、版本和外部状态？
失败：工具报错、资料不足或无法验证完成时，请如何处理？
停止：什么情况下必须暂停并交还给我？
证据：如何证明目标已经完成，而不是只生成一句“完成了”？

结语：高质量的对话，是知道如何与它分工

AI 可以替你整理、改写、比较和推进，但不拥有你的目标，也不替你承担结果。生成的答案是否合理、准确、适合当前场景，需要你判断、修正和完善。

下一次你想说“帮我做一下”时，先问自己四句：

1. 我真正想完成什么？
2. 哪部分交给 AI，哪部分由我决定？
3. 什么结果才算完成？
4. 我准备如何检查它确实做对了？

Chatbot 时代，你是在教 AI 如何回答；Agent 时代，你是在委托一个系统如何完成工作。真正高质量的对话，是从“向 AI 要答案”，转向“和 AI 一起把问题做完”。