給人文領域從業者的 AI 使用指南

人文工作者雖未主動改變世界，卻始終承受著世界的變革。

有時，我感覺那些販售人工智慧教學內容的自媒體，總是將 AI 描繪成一種魔法：只需給出神奇的提示詞，就能實現任何目標。現實並非如此。過去一段時間，因為創立了 FUNES，我們每日大量依賴 AI 進行內容生產。再加上《蜉蝣天地》、個人寫作等多項內容創作，單靠人力已無法應付。因此，我們持續探索如何利用 AI 助力內容市場與人文學科研究。

後來公司新同事入職，我準備了一份簡單的 Keynote。賈行家老師得知後邀請我分享，我與合夥人可達將這次分享命名為《給人文工作者的 AI 使用指南》。當時僅為私下交流，內容主要聚焦大方向原則。此後多次擴充，逐步完善。

這份分享一直未公開，正好今年與重輕合作啟動《詩梳風》節目，首次完整公開討論。以下文字整理自播客《給人文工作者的 AI 使用指南》，經 AI 協助整理，內容有所精簡。若欲收聽完整版，可於官網或宇宙、蘋果播客搜尋《詩梳風》收聽。

小宇宙二維碼

過去一年多，我將這套 AI 實踐經驗分享給許多從事內容、研究、知識產品的朋友。這套方法並非教你背幾個神奇提示詞，更不是把 AI 當成萬靈丹；它更像是一套工作流程：讓你在無需編程的前提下，真正將大型模型嵌入寫作、研究、編輯、選題、資料整理與生產流程，做到可追溯、可監督、可驗證，最終你仍然願意在作品上署名。

這些方法源自我們在真實項目中的實踐與教訓：當內容進入規模化生產，單靠人工必然崩潰；而 AI 直接生成內容又會產生幻覺、偷懶、寫得機械。於是我們不得不將創作流程產線化，並打造可迭代系統。

今天我不打算直接提供各種提示詞，而是希望給予關鍵指導思想與原則。

原則之前：這份指南的三條底線

在具體方法之前，先明確三條底線。這些底線決定你「如何使用 AI」，也決定你「為何要這麼用」。

過程必須可追溯、可監督、可驗證

• 你不能只要結果而忽略過程。對人文工作而言，黑箱最危險：幻覺、錯誤引用、偷換概念，皆可能在黑箱中悄然發生。

必須可操控

• 你必須能控制 AI 的運作方式、標準、流程節奏及嚴格程度。你不是在「抽卡」，而是在生產。

最終你仍願意署名

• 「我是否願意署名？」是最後的質檢標準。若你不願署名，通常不是道德問題，而是你的意志未能貫徹於過程——這意味品質不可控。

原則 0：別對 AI 許願，把它當工作台

許多人使用 AI 的方式，本質上是在許願：

「給我一個好段子」「幫我寫一篇好文章」「解釋這篇論文」。

問題在於——「解釋」本身就有無數種方式：給外行、給本科生、給研究生、給同行，完全不是同一任務。AI 不可能預設你的背景、目的、口味與標準。你若不明確說明，它只能以「平均人類」的預設方式給你一份最省力的答案。

將大型模型視為工作台，意味著：你不向它索要結果，而是調動其工具完成一個過程。你需要明確任務、標準、步驟。

例如讓 AI 解釋論文

你可以將許願式請求（給我解釋這篇論文）轉為工作台式任務：

• 明確目標受眾：聰明、有好奇心，但非該領域專業的研究生

• 明確講解方式：啟發式、循序漸進、具學術嚴謹性

• 明確結構要求：先講意義，再補背景，再還原研究歷程，再講關鍵技術點，最後提出啟示

• 明確語氣：尊重智力、不居高臨下、不假設對方已有深厚基礎

你會發現：越像「作業要求」，AI 就越像一位真正能勝任的助教，而非機械回應。

原則 1：想讓 AI 做好，先反思自己——你才是負責人

如果你雇一位秘書，你不會只說：

「把漢洋那篇寫美國銹帶的文章改好。」

你一定會補充：

這篇文章為何而寫、目標讀者、目前瓶頸、希望解決什麼問題、哪些地方不可修改、需要什麼風格、最在意的指標等。

AI 也是如此。你要將其視為一位勤奮、有禮但不了解你隱含前提的同事。真正的「提示詞工程」不是技巧，而是一種責任感：所有任務仍然由你主導，AI 只是協助執行。

當你對 AI 的結果不滿意，最有效的第一反應不是「AI 不行」，而是：

• 我是否明確說明「對象/受眾/目的」？

• 是否提供足夠的背景資料和約束？

• 是否將「抽象願望」拆解為「可執行動作」？

• 是否給出可判斷對錯的標準？

原則 2：同一問題至少問 3 個模型——每個 AI 都有「性格」與擅長領域

在我們公司，任何初次接觸大型模型的同事，我都建議他在前期使用時，對每個問題詢問三個不同的 AI。AI 如同人一般有差異：有的擅長寫作，有的擅長推理解題，有的擅長程式碼或工具調用。同一家產品的模型、同一模型的新版本，也會不斷微調「風格」與「邊界」。

因此，最有效的習慣是：同一問題至少丟給 3 個不同 AI，你會迅速獲得「手感」：

• 哪個更擅長寫作、哪個更擅長思考、哪個更擅長查詢、哪個容易偷懶

• 哪些任務適合誰做「初稿」，哪些適合誰做「審稿人」

• 哪個適合出「選題/結構」，哪個適合出「段落/句子」

這一步的價值不在於「選出最強模型」，而在於：你開始像管理團隊般管理模型，而非將其視為唯一神諭。

原則 3：AI 不是全知全能——把它當「好學校本科生」的常識水平

一個實用的預期管理是：

 AI 的常識≈一位 985 本科生。

如果某事連優秀本科生都未必知曉，你就應預設 AI 也不知；至少預設它在不懂時會「編得很像懂」。

這帶來兩個直接行動：

任何超出常識的內容，都需你親自教導

• 例如：要它寫段子、寫有獨特品味的文案、撰寫高度專業論證——不能只說「寫得好點」，必須給範例、標準、禁區、語料。你向朋友解釋何為好文字都需花時間，怎能認為 AI 預設明白？

你要將其視為實習生協作，而非神祇

• 它能完成許多「微觀插值」工作：補全你給的腳手架、將資料編成可讀文本。但「腳手架」與「方向」仍由你決定。

原則 4：讓 AI 逐步逼近目標——白盒分步驟比黑箱一次性更可靠

AI 的優勢不在於「直接給出正確答案」，而是能在你設計的流程中，穩定完成多個小步驟。越要求「一步到位」，越容易變成「看似完整、實則偷懶」的黑箱。

最直觀的例子是 TTS（文本轉語音）或朗讀稿處理。與其說「注意多音字、不要讀錯」，不如將任務拆為一系列步驟：

• 標記停頓/重音/語速變化

• 識別潛在多音字

• 根據詞典或權威讀音核對（必要時先檢索再確認）

• 對易誤讀但常見的字提前標註

• 若無法避免，則用同音無歧義字替換，根除誤讀可能

這類「顯而易見的正確做法」人類會預設自己能做，但 AI 不會預設。你不將「顯而易見」寫入流程，它就會走最省力路徑犯錯。

原則 5：先工業化，再 AI 化——不能從農業時代一步跳到 AI 時代

若你的寫作/研究流程本身隨機、憑靈感、資料無管理，確實難以交給 AI。因為 AI 只能接住「可描述、可復現」部分。

更現實的路徑是：

• 先將工作產線化：可拆分、可復用、可質檢

• 再將子步驟交給 AI：讓它成為工位，而非上帝

我們曾做過一項關鍵工作：拆解我自己撰寫非虛構文章的流程，包括：

• 為何用這故事開頭

• 為何選這句話

• 如何評分例子

• 如何起承轉合、過渡、收尾

• 如何將小故事連結至更宏大圖景

最後拆成數十個步驟，讓不同 AI 僅負責其中一個。結果：

 不是模型突然變強，而是流程將它「每次僅能完成一小部分」的能力串聯起來。

當你能清楚描述「文章如何產出」，你就會發現：決定品質上限的從來不是「用哪個大模型」，而是你是否講清楚工作方法。

當時測試時的部分步驟

這段建議收聽節目，內容更詳盡。

原則 6：預判 AI 會偷懶——它會省算力，你需替它掃除「格式障礙」

AI 系統性偷懶：能不開網頁就不開，能不讀 PDF 就不讀，能跳過就跳過。並非 AI 有惡意，而是在算力與時間約束下，天生傾向走最省力路徑。

你要做的，是讓 AI 將算力用於「理解文本」，而非浪費在「處理格式」。

有效改善方式包括：

• 儘量將資料轉為純文本/Markdown，再餵給 AI

• 將網頁內容複製成乾淨文本（去除導覽、廣告、腳註噪音）

• 對長資料先做「事實提煉/結構提取」，再進行寫作

• 將 PDF/EPUB/網頁統一入庫為可檢索的 TXT，再執行後續任務

你會發現：許多人抗拒這種「體力活」，認為「機器應該替我做髒活」。但在人機協作中恰恰相反——你願意做一點機械勞動，AI 的智力部分才會更銳利、可靠。

原則 7：記住上下文有限——盡量將任務轉為「壓縮」，勿期待「憑空擴張」

AI 有上下文窗口與「記憶上限」。你給它兩萬字，它未必能記住多少；給它二十萬字，它可能只掃標題。形象比喻：把人關進小房間一天，丟給他一本二十萬字書，出來讓他背——能背多少，大致就是 AI 能「記住」的量。

因此有一項極重要的反直覺經驗：

壓縮比擴張更可靠

• 把 100 萬字壓縮成 1 萬字，往往比將 1 萬字擴成 100 萬字更可靠。

這直接改變你向 AI 提需求的方式：

• 不要用 100 字提示詞要求生成論文

• 相反，盡可能餵入資料（分批、檢索、RAG 均可），讓 AI 在充分材料基礎上壓縮出結構、觀點與正文

過去寫文章、論文，本就「讀海量資料→提煉→組織→寫作」（至少我是如此）。面對 AI，不要雙重標準，要求其憑空生成。

原則 8：克制「妙手一改就好」的衝動——優化產線，不改結果

許多擅長寫作者最容易在 AI 面前翻車：

AI 生成 59 分稿件，你認為改兩下就能達 80 分，於是開始修；修著修著變成重寫；重寫後又覺得「還是自己來吧」，從此不用 AI。

解決辦法不是更努力「改稿」，而是將注意力移至上游：

• 不要追求 AI 直接生成 100 分

• 目標是讓產線穩定產出 75～80 分

• 應迭代流程，提高「平均分」，而非追求「單篇」完美

原則 9：將產線視為產品迭代——可靠性本身即價值

當你擁有一套能穩定產出 70 分起點的系統，其價值不在於「是否像你」，而在於：

• 你能以近乎零成本獲得可用草稿

• 精力能集中於更高階判斷：選題、結構、證據、品味與取捨

你需要的不是能取代你的全能神，而是可靠的工廠：雖不完美，但穩定。

原則 10：數量優先——讓 AI 多產出，再篩選

只讓 AI 給你一個版本，通常會得到最中庸、保守、平均的結果。你要用「數量」對抗「平庸」。

更有效的做法：

• 總結：一次要 5 個版本

• 開頭：一次要 5 個開頭，做 AB Test

• 選題：一次要 50 個選題，再分組挑選

• 結構：一次要 3 套結構，再組合

• 表述：一次要 10 種不同措辭，再擇優

當你提升平均分與產量，分布中自然會出現 85、90 分的「驚喜樣本」。許多時候，優秀並非源於「神來之筆」，而是你開始以統計學方式工作。

原則 11：勿越俎代庖——像行政總廚般指揮、品嚐並回爐

若你是餐廳行政總廚，不會親自拍黃瓜。你會：

• 品嚐一口

• 判斷是否合格

• 給明確回饋（哪裡不行、如何改進）

• 讓廚師重做一次

與 AI 協作亦然。你要尊重其「按自身方式生成」的主體性——你的任務是教它達到標準，而非親自修正每次結果。

否則你將被無止盡的「修修補補」耗盡精力。

最終底層原則：回到現實——材料 × 品味，決定作品上限

在 AI 時代，一件作品的品質愈來愈像：

 材料 × 品味。

模型會變，方法會迭代，但這兩點不變：

材料源於現實世界

• 若給你兩種選擇撰寫文章：

• 用最新模型，但僅能用網路資料

用舊模型，但擁有完整檔案、口述史、實地採訪

• 更可能產出優秀作品的，往往是後者。

品味來自長期訓練

• 當「生成」變得廉價，真正稀缺的是：

• 你知道什麼值得寫

• 你知道哪些證據更扎實

• 你知道哪種敘述更具力量

• 你願意為材料付出體力勞動：上窮碧落下黃泉，親自查找資料

AI 改變的是你與材料互動的效率與方式；但作品的主語仍是你，賓語仍是材料。AI 只是「動詞」的一部分。

上窮碧落下黃泉，親自拍摘片

結語：將焦慮轉化為手感

許多人無法有效運用 AI，不是因為不夠聰明，而是始終停留在「許願—失望—放棄」循環。真正能讓你突破的，是將 AI 視為工作台，將任務工程化，流程白盒化，並在反覆磨合中培養手感。

當你做到這一點，就不會輕易斷言「AI 不行」；你將更像一位能管理新工具的新型專業者：既不俯視也不仰視 AI，而是將其納入流程、現實與你願意署名的作品之中。

我是漢洋，如對我的文字感興趣，可於 X 關注我或個人部落格查看更多內容。

### 聲明：

1. 本文轉載自 [HanyangWang]，著作權歸原作者 [HanyangWang] 所有。如對轉載有異議，請聯繫 Gate Learn 團隊，團隊將依流程盡速處理。

2. 免責聲明：本文所表達觀點及意見僅代表作者個人，並不構成任何投資建議。

3. 文章其他語言版本由 Gate Learn 團隊翻譯，未提及 Gate 的情況下不得複製、傳播或抄襲翻譯內容。