大多数人用 AI 的方式,还停留在“在聊天框里提问”。
问得好一点,答得就好一点;问得含糊,答得就含糊。于是大家开始研究提示词技巧——怎么加角色设定、怎么让模型一步步思考。
这些有用,但不是效率差异的来源。
真正的差异在于:你把 AI 放在流程的哪个位置。 是把它当成一个随时待命的问答工具,还是把它变成一个按时上班、能自己取数据、有明确验收标准、还能互相检查的执行单元。
我今年 8 月才开始正式工作,做企业内部 AI 提效之前,AI 已经是我个人的日常工具——写代码、查资料、整理东西,几乎什么都试过。
所以下面这几套方法,不是我总结别人的经验,是自己先用了很久,然后带进工作里的。它们不新颖,但足够扎实。
一、定时任务:让 AI 从“随叫随到”变成“按时上班”

这是见效最快的一种。
思路很简单:有些事情每天、每周固定发生,输入来源稳定,输出格式固定。这类事根本不需要你每天去问一遍——让 AI 自己到点干活。
我自己有一个每天自动抓 AI 行业新闻的小工具。它不聪明,但它每天准时出现,把我原来刷半小时信息流的时间省掉了。
真正让它可用的不是模型,而是三条设计原则:
第一,幂等。 同一个时间窗重跑一次,不能产生两份重复结果。用日期或批次号作为唯一键,写之前先查有没有写过。这条不做,出一次故障就会污染数据。避免脏数据。
第二,失败必须喊人。 静默失败是定时任务最危险的地方——它看起来每天正常运行,实际上连续一周没产出,而你完全不知道。不过这种的话,要么人待在电脑前,要么和手机连好,互通,手机上随时看。
第三,结果要有落点。 写进表格、文档或群里,而不是留在对话记录里。留在对话里的结果等于没有结果,因为没人会回去翻。
适合做成定时任务的特征是:节奏固定、输入稳定、输出结构化、错了代价可控。
反过来,需要临场判断、输入每天都不同的任务,不要硬塞进定时任务——那会变成一个每天准点制造垃圾的机器。
二、目标驱动:给目标,不给步骤
这是几种方法里最容易被低估的一种。
我们习惯这样下指令:第一步做这个,第二步做那个,第三步输出成什么样。这套方法在人身上很有效,因为人需要对齐执行路径。
但对着 AI 下这种指令,等于让它照着你的路径走——而你的路径很可能不是最优的。
更好的做法是给三样东西:目标、验收标准、边界。
举个具体对比。
差的指令是:「帮我整理这批用户反馈。」
好的指令是:「把这批反馈整理成一张表,包含问题类型、出现频次、原文摘录三个字段;原文摘录必须是用户原话,不许改写;归类判断不了的单列一类,不要硬塞;如果同一个问题有多种说法,合并成一条并在备注里列全。做完告诉我哪些归类是你自己判断的。」
区别不在于谁更长,而在于第二版可以被别人检查。
我见过太多“AI 输出不行”的情况,追根到底不是模型不行,是需求本身不可验收。你不知道什么算对,模型当然也不知道。
还有两个动作特别有用:
- 先让它复述任务。 开工前让它用自己的话讲一遍它理解的任务和验收标准,理解偏了当场纠正,比返工便宜。
- 让它自己列出“这个任务最可能翻车的地方”。 模型在判断“哪里会错”上通常比判断“怎么做对”更靠谱一点。
三、MCP:别再手动把数据搬给 AI
前两种方法解决的是“什么时候干”和“干成什么样”。这一种解决的是“它凭什么干”。
大多数人用 AI 的瓶颈不在模型,而在喂料:导出表格、复制粘贴、截图、粘贴链接。一天里相当一部分时间花在搬运上。
MCP(Model Context Protocol)做的就是把这件事接起来:把外部系统包装成模型能直接调用的工具,让它自己去取,而不是你每次都手动抱过去。
但接 MCP 有几个绕不开的判断:
第一,先只读,后写入。 查询类接口(查文档、查工单、查库存)风险低、见效快;写入类(发消息、改状态、下单)先别接,或者必须加二次确认。顺序反了,第一个事故就能让整个项目停摆。
第二,工具不是越多越好。 工具清单太长,模型选错的概率会明显上升,还会吃掉大量上下文。按场景分组,一次只给它当下需要的那几个。
第三,权限跟着工具走。 一个能读全库的查询工具,等于把整个数据库交给了模型。能收窄就收窄,能只给视图就别给表。
说到底,MCP 的价值不是“AI 能连更多东西”,而是“人不用再当搬运工”。
四、Skill:把跑通过一次的流程固化下来
这是一个很容易被忽略,但复利最高的事情。
你有没有这种经历:同一件事,上周刚做过,这周再做又要重新想提示词;好不容易调出一个还不错的步骤,换个同事来做,结果完全不一样。
Skill 就是把一次成功的任务反推成一个可复用的包——输入长什么样、按什么步骤做、输出长什么样、怎么判断对错。
写得好不好,有一个很硬的判断标准:给一个没参与过的同事,他照着做,能不能得到差不多的结果。 不能,说明还没固化,只是你脑子里的手感。
一个能用的 Skill 至少包含三样东西:
- 示例:输入和输出各两到三组真实样例,比任何描述都管用
- 检查清单:哪些条件必须满足,逐条能勾
- 边界:什么情况下不要用这个 Skill
还有一件事:要版本化。每次改动记一句为什么改,否则半年后没人敢动它——包括你自己。
最常见的坑是写成“万能 Skill”。越大越没人用,越专一越有人用。
五、多智能体协作:别一上来就搭一个小公司

这是目前最容易被过度设计的方向。
网上流传的多智能体架构图,动辄五个角色、三层调度、一个总指挥。实际跑起来,大部分项目死在三个地方:没有终止条件、agent 之间互相夸奖、成本失控。
我的建议是:从两个开始。
一个干活,一个挑错。
执行 agent 负责产出,审查 agent 只做一件事——拿着验收标准逐条检查,找出不符合的地方打回来。就这么简单,效果已经比单个 agent 好一大截,因为“自己检查自己”没有可比性,且几乎没有意义,。
什么时候值得升级到三角色(规划、执行、审查)?
- 任务长到一次对话装不下
- 任务可以拆成几个相对独立的子任务
- 出错代价高,需要交叉验证
什么时候不值得?
- 任务本身只要几分钟
- 强依赖连续上下文(拆开反而丢信息)
- 你没法调试它(看不见中间过程,等于放任)
多智能体还有几个坑,值得先说在前面:
交接物要具体。 不是“让 A 和 B 讨论”,而是“A 交一份带字段的表给 B”。没有明确交接物的协作,最后会变成两个模型互相客套。
必须有终止条件。 审查不通过就无限重试,是最常见的成本炸弹。定一个最大轮次,到了就停下来交给人。
上下文不共享要当心。 两个 agent 看到的信息不一样,结论必然打架,而且你很难发现是信息差造成的。
六、五种方法共用一个底座:可验证性
回头看,这五种方法其实在做同一件事——把不确定性关进笼子。
定时任务用节奏关住时间上的不确定性,目标驱动用验收标准关住结果上的不确定性,MCP 用权限收窄关住动作上的不确定性,Skill 用固化流程关住人的不确定性,多智能体用交叉检查关住自己判断自己的盲区。
它们的共同前提只有一个:AI 的产出必须能被验证。
凡是不能被验证的活,交给 AI 都是在给自己埋雷。因为它给你一个错误答案时,语气和给正确答案时一模一样。
所以我现在判断一件事该不该交给 AI,只问一个问题:它做完了,我怎么知道它做对了?
答得上来,就可以交给它。答不上来,先别急。
最后:我推荐大家可以尝试的四件事
第一,找一个每天重复、你最烦的事,做成定时任务。 从最简单的开始:每天固定时间汇总一次信息,写到一个固定位置,或者自己尝试做个汇总信息的任务,可以筛选行业信息流。
第二,把最近一次“说不清要什么”的活儿,重写成带验收标准的目标。 写完自己读一遍,问自己:换个人照着做,能不能做出一样的东西?
第三,把一次刚刚做成功的事,反推成一个 Skill。 不用写得完美,把输入样例、步骤、检查清单记下来就够,然后形成可复用的工作流。
第四,给一个高风险任务加一个审查者。 不用多,一个就够——让它只挑错,不提建议。
作者:陈栩(影子kwh),从事 AI 提效工具建设与 AI 能力培训。
本文仅代表个人观点。