我们需要的不是更多的 AI 工具，而是更深层的人机协同智慧。
认知最近这一段时间，我进行了不少关于 AI agent 内容创作能力的探索。很多人对 Vibe Coding （氛围编程）早已耳熟能详？只不过并没有亲身实践过。
我目前已经实践到了这种步骤。
我在星球里面感叹，「能在手机上语音输入控制 agent 端到端操作，这才算是真正的氛围编程」。
这个过程里，我踩了不少坑，有一些心得想要和你分享。
先说结论，我们需要的不是更多的 AI 工具，而是更深层的人机协同智慧。
这篇文章将带你走过三个递进的认知层次：从选择最优 AI 模型的工具基础，到掌握复杂任务拆解的技巧进阶，再到探索端到端内容创作的应用前沿。
注意我们的目标不是替代人类创作，而是找到那个让 AI 成为你最佳搭档的平衡点。
选择模型能力是有巨大差别的。不断摸索和掉到各种坑里后，我强烈建议你使用最好的模型。如果你要处理的是严肃任务，好模型和糟糕模型输出的内容完全是两个世界。
你是否还在因为成本考虑而选择那些「性价比」更高的小模型？这种想法的背后其实是「只想要收益而希望成本为零」的错误逻辑。一位好友就跟我表达过这样的想法，我的答复是「你需要挣钱养家，人家研究大模型提供服务的人也得挣钱养家啊」。
一个真正优秀的模型往往能让你一看就有「于我心有戚戚焉」的感觉，而另外一些模型做出的东西，往往是让你摇头皱眉。当然，你可能马上会说好的模型价格太贵。没错，但你有没有注意到模型价格的下降趋势？
一个模型如果做出来的东西不好，你不但耽误了时间，还在这个过程中可能给自己埋下很多隐患。你觉得省下的那点模型费用，真的抵得过你重新修改、调整、甚至推倒重来的时间成本吗？你真的不在乎爆雷的时候给自己带来的经济与声誉影响吗？
不过，即便是主流旗舰模型也没有能最优处理一切任务，所以你也不用执着于某一个厂家的某一个模型（或者以模型驱动的工具）。前两天我看到网友 yetone 贴出来的这个帖子，非常有趣。
如今你如果为大众提供 AI 产品订阅服务，确实会对这个现象有切肤之痛。但是站在用户的角度，我觉得这是非常理性的举动 —— 你的产品如果不能吸引我，那我立即就转投更好的产品。充分竞争的市场，对用户来说总是好事儿。
当然我并不是说你的任何 AI 对话，都要使用最强悍的模型。那显然是一种误解和浪费。甚至有的时候厂商这么做了，用户也未必领情。
例如 OpenAI 推出 GPT-5 时，下架了包括 GPT-4o 在内的所有「老」模型入口，导致用户众怒。因为很多人并不需要 ChatGPT 帮自己解决什么实际问题，而只是希望一个可以迎合自己的 AI 提供情绪价值。在这项任务上，便宜的 GPT-4o 远远比最贵的 GPT-5 Pro 符合需求。
我做了这样一个决策流程图，供你参考。
当你开始计算时间成本、机会成本和修改成本时，你会发现用最优模型往往能在严肃任务上给你带来意想不到的收益，比如更准确的理解、更自然的表达、更少的后期调整。
这种效率提升带来的心流体验，本身就是无价的。你最近一次因为 AI 的精彩表现而感到惊喜是什么时候？如果时间有点久远，那可能就是工具选择的问题了。
提示有人一直认为提示词工程到了反思式模型的时代就不再重要了。这个看法确实看到了一个方面 —— 处理那些中等复杂度而且模型有经验的任务时，新模型的表现确实出色。
早期模型能力不行的时候，宝玉老师就提出了三步翻译法：先初步翻译，然后进行反思式纠错，把初翻结果、原始语料再加上给出的建议一起要求细化翻译。
这在当时被证明是非常有效的途径，也是提示词工程优秀样例。后来有了反思式模型，自己把这些任务在内嵌的工作步骤里一步步实施。那些中等难度又是 AI 比较熟悉的任务就变得非常容易处理，不需要你单独绞尽脑汁设置更好的工作步骤、策略和提示词，只需要描述清楚目标就行。
因此，有人说，提示词工程没必要存在了。
但你想过没有，如果要做一个非常复杂的任务 —— 那些人类会引以为傲，甚至能够让你在人群中靠着这样的能力被识别出来的任务 —— 会怎样？
例如创意写作 —— 写小说、写公众号、写博客、写报告等 —— 这些任务的复杂度和翻译一篇文章是完全不一样的。
你可以让任何一个 AI，特别是那些包含了 Agent 能力的 AI 去帮你以某个主题写一个什么东西。甚至有人会尝试给某些 Deep Research Agent 一些数据和参考文献，让它去写论文（反面案例，不要模仿）。
初看起来 AI 生成内容效果不错，找到了很多相关文献，论述得似乎也是头头是道。但很不幸，写出来的结果，往往会被业内人士一眼看上去便认为质量不达标。为什么会这样？
这就涉及到复杂任务的本质问题。我们看到的这些人类创作的高度复杂内容，是一遍直出写出来的吗？你可以去读读路遥的 《早晨从中午开始》，也可以看看 《权力的游戏》 作者这些年创作的漫长艰辛过程。
优秀的作品，都需要大量的研究工作、不断规划、调整、修改，才能真正做出来。要管理复杂的时间线索和人物关系，哪里是一条提示词能够帮你完成的？
（图片来源：https://en.wikipedia.org/wiki/A_Song_of_Ice_and_Fire）
人类用户需要做的是依照自己的专业技能，把问题进行合理的拆解。大语言模型虽然更加通用，但是也很难做到「一心多用」时每一个任务都处理得完美。大模型能力的优秀往往是强化学习训练得来的。对于它没见过的任务，对于它不知道深浅的任务，它往往会束手束脚、畏首畏尾。
在 AI 不知道该怎么拆解时，你需要帮它进行合理的拆解。因为只有把拆解做到位了，才能让每一个模型对分割后的小任务都到达一种信手拈来、游刃有余，或者至少是「虽有难度有挑战性，但蹦一蹦能够得着」的地步。
如果没有中间的这些设计，不体现人机协同，寄希望于让 AI 来随便乱试，心中祷告能够创作出精品，那就有些天真了。这就如同让一千只猴子在键盘上随便敲打，而你所期望的是快速打出一个莎士比亚等级的传世之作。
一个关键问题是，很多人都要么觉得提示词要太难写，要么应该由纯人工来书写。 这其实都不对。在很早之前就已经有 AI 可以帮助人们自动优化提示词了（例如 Claude 3.5），而现在具备这样能力的 AI 有更多。
注意我们即便要写提示词，也绝不应该从头到尾每一个字都追求自己来写，那样就如同现在明明有了 AI 协助却非要坚持手动编代码的程序员一样。这样写出的「纯人工代码」当然有好处 —— 完全的控制性（或者至少是掌控感），但从效率上讲是非常低下的。
AI 怎么才能帮好你呢？ 还是那句话，你必须把一些让 AI 原先心里没底的东西变成有底。明确告诉它你的目标，范围限制，给它一些样例，这些都是很好的方式。
在某些探索性阶段，你就应该让 AI 去充当先锋快速出原型。它给出的结果如果与你的预期不同，也不要紧，你可以在提示词设计阶段就帮它去校准。
不要总想着用一个 AI 模型包打所有的事。有的 AI 模型适合根据你的理解去起草，有的适合做全局细致修改和一致性检验…… 这跟它的上下文长度有关，跟它训练的语料有关，跟它本身强化学习的任务也有关联。
所以我经常干的就是让一个大模型去写提示词，让另一个来修改。我觉得很多时候它确实能产生事半功倍的效果，因为这里形成了一个 AI 大模型之间的同行评审（peer review）机制。
探索按照上面的思考，我进行了一些应用探索。例如提供非常详细的框架，让 AI agent 帮助我 撰写小说，或者 调研后创作博客。
小说写作的成果嘛，你可以参考这个视频：【AI 写作进化史：从垃圾内容到让专业读者认真阅读的转变】。
我的阶段性目标其实并非让 AI 替我创作博客、小说，而是让 AI 帮助我去创作定制化的互动教程。只不过，相对于包含多模态和交互设计的教程来说，文本形式的博客和小说更为简单，易于做原型验证。
在之前 我们也介绍了一些 AI 做教程的样例。我在上学期的机器学习课上也给学生们展示了很多当时的 AI Agent，包括 Manus 和 Flowith 做出来动图甚至交互式教程。
当时我的感觉就是，效果还不够理想。用户对内容的控制、AI 对任务的理解，以及全自动生成，这几者之间一定要达到一个拿捏的火候，以便平衡。否则最终生成你会等待很久，而流程容易失控，导致你想要「前门楼子」，生成的是「胯骨肘子」。几番挫败下来，可能你就不想干了。
能不能把中间的过程像编制程序一样变得非常可控，但同时又能够让 AI 模型根据用户的输入动态调整，最后达成完满的定制化、个性化的教程生成？
我觉得我前面设定的写作应用框架就能很好达成这一点。
后续我希望能将其迁移到可视化教程制作应用领域。这样可以降低广大教师朋友们工作的复杂度和负荷。
但如果 AI 真的能在按照我们每个人个性化的理解和风格去生成定制化教程，那么这样的讲授就能够做到千人千面，同时也能够照顾到教师群体所面对的学生的差异化接受水平。
现实的挑战在哪里？
你想要机器有创造力，但又不能让它完全脱缰；你希望流程高度自动化，但关键节点必须有人工介入的机会。这种平衡极其微妙，稍有不慎就可能导致整个流程崩溃。调试周期长、失败率高，这些都是我们必须面对的现实。
当然，AI 模型使用成本目前确实也是个问题。所以如果你打算自己研发，更建议你采用包干订阅制的 AI agent 应用来尝试。否则高昂的 token 账单会让你望而却步。
别问我怎么知道的。
小结从选择最优模型到掌握任务拆解，再到探索端到端应用，这不仅仅是技术技巧的学习，更是思维方式的根本转变 —— 从「如何使用工具」到「如何与智能协同」。
如果你是一个严肃的内容创作者，我觉得你不得不了解一下现在 AI 的前沿能力。可能某一天突然发现自己的竞争力大受折损，甚至找不到原有的需求，那都毫不奇怪。我们总是在高喊着人机协同，但肉眼可见的未来，恐怕不是所有人都能和机器协同的。
诚然即便在快速变化的环境里，每个人也可能因为自己的积累都有引以为傲的「相对静态常量」—— 包括你建立的信誉、你的投资和储蓄，你的人脉圈…… 但你专注做的事情、你服务多年的岗位、你经验丰富的任务，却分分钟有可能变得毫无意义。这个警示某些行业的人看来依然会觉得是耸人听闻嗤之以鼻，但如果你处在另一些行业，这恐怕早就不是什么「贩卖焦虑的预言」了。
现在我特别想听听你的想法：你在与 AI 协同中遇到的最大挑战是什么？是模型选择的纠结，提示词设计的困惑，还是对未来变化的不安？在评论区分享你的经历，让我们一起在这个快速变化的时代找到属于自己的协同节奏。
如果你觉得本文有用，请充电。
如果本文可能对你的朋友有帮助，请转发给他们。
欢迎关注我的专栏「科研利器」，以便及时收到后续的更新内容。
点击这个链接加入少数派会员，立享 9 折优惠！获得专属会员内容、会员播客以及会员定制周边。在更多的领域和方向帮你打开脑洞，找到新的兴趣点。与少数派一起洞悉当下，探索新知。
延伸阅读此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。