我想问一个程序设计方面的问题:到底什么时候开始让 AI 介入比较合适? 前期需要有一个大概的构想,才能让 AI 根据构想去实现。但这个构想不能过于详细,因为只有在看到最终落实的样子时,才会发现其他问题,需要结合实现结果继续修改。如果一开始过于详细,前期有些工作就是不必要的。 另一方面,又需要有一定的构想,否则 AI 做出来的结果会过于发散,与想象中想要达到的结果差距过远。 我想知道这个边界该怎么界定?这两种情况中间,有没有到达某个程度就可以先让 AI 试着做出来?有没有出现一些特征,就预示着你可以再进一步让 AI 去先把它实现出来看看?
提问
构想够到“能验收、能说清对象和边界”就可以让 AI 先做一版;但别指望想全,很多正确决定要看到错误版本才出现。
先做一版,是因为想法本来就不完整
材料里的观点立正写过,landing page 第一版很快就有了,但前后打磨了八十多版。他的解释是:很多正确的决定,在看到错误的版本之前根本不存在——必须先看到页面,才知道信息顺序不对;先用过 dashboard,才知道哪些数据不该占主位。他把这称为“名词是压缩算法”:计划发生在压缩后的世界里,真正的工作发生在解压后的现实里1。这正好支持你的直觉:前期构想不可能也不该过于详细,因为细节要靠实现结果来暴露。
够用的边界:目标、对象、验收标准说清楚
立正给的方法不是“想得多细”,而是“交代得够不够让 AI 自己判断”。他主张结果导向指令:告诉 AI“做到什么算对”,而不是教它“怎么做”,就像对聪明的新员工说清要一份含成本、时间、风险三维度的对比表,而不是遥控它先打开 Excel2。他还提到交付完整任务时要给目标、边界、标准、可用资源,让 AI 自己拆解、自检、修正;任务不熟时约束要密,模式稳定后再逐步撤掉脚手架3。按这个标准,可以试着让 AI 动手的信号大致是:你能说出这次要解决谁的问题、什么算做对了、哪些不能碰。这三样说不清,AI 就容易发散;说得清,剩下的细节交给第一版去暴露。这是 AI 对上述方法的综合,不是原文给出的判定清单。
一个真实的反面案例:目标丢了,加速只会放大偏差
材料里的观点《你赚哪份钱,决定了产品该怎么做》4里东海龙王的团队遇到过一个功能:原本为新手设计,做出来却更适合中高难度玩家。回查发现,大约半个月前的会议里服务对象被改了,更上层的设计目的没留下,后续就沿着新说法一直做。立正对此的评论是:AI 加速了执行,也加速了这个偏差变成成品;只记录“要做什么”,后面的人可以高效完成,却不知道是否还在解决最初的问题4。对你来说,这意味着“先做出来看看”之前,至少要留下目标、对象和理由;否则改起来会越改越偏。
提供的片段没有给出可直接套用的“到什么程度就该让 AI 动手”的量化门槛,也没有讨论不同任务类型(如一次性脚本与长期维护系统)的边界差异;上面的信号是从原文方法推出来的,需要结合你的具体任务检验。
回到4份原文
解释为什么第一版会暴露原构想的不完整,支持“先做出来看”。
给出结果导向指令与隐性标准显性化的具体做法。
说明交付完整任务需要目标、边界、标准,以及脚手架随熟练度调整。
用真实案例说明目标与对象没留下时,AI 会加速偏差。