最近养成一个习惯，把AI当蒸馏器而不是生成器用。简单说以前丢个问题给它，回出来一大篇，水得不行，看完跟没看一样。
后来我改了玩法：给它一堆杂乱的原始材料，比如一堆会议记录或者收藏夹里攒了半年的链接，直接下死命令——只准输出3条要点，外加1个我可能没想到的问题。硬约束一上，它反而不灌水了，每条都往实里挤。
更妙的是第二步，让它在那些材料里反推我大概率漏了什么。人看自己的东西容易有盲区，AI没先入为主，反而能点出你视角的死角。这套提示词我现在读论文、整需求、写周报都在用，一套模板吃遍天。简单说省下来的时间才是真的省心。
咱们版上老聊竞业限制、末位淘汰，其实这些现成的案子就是最好的经济学课本，比曼昆那本砖头好啃多了。我一向劝想入门的朋友别急着翻教科书，从你天天撞见的管理、法律现象切进去，又快又有味。
简单说
拿竞业限制说，公司肯花这笔钱图什么、员工被绑几年亏了啥，里子全是激励和成本的账。末位淘汰也一样，老板宁可得罪人也要砍尾巴，说到底是他把"留人成本"和"团队产出"称了又称。把这些事琢磨透，供需、外部性这些词自己就站出来了，不用死记。
还有一个随手能练的习惯：遇事先问"谁受益、谁买单"。打工人纠结跳不跳槽，老板纠结货定什么价，使的其实是同一把尺子
最近让我真正吓一跳的，不是哪个模型又刷新 benchmark，而是 AI 开始动手了。过去跟大模型打交道本质还是聊天，你问它答，顶多帮写代码、润个稿。现在有些智能体已经像人一样操作图形界面，开浏览器、点按钮、填表单、查数据，整件事自己跑完，你回头拿结果就行。
还有一类更安静但更狠的，是深度研究型代理。甩个问题过去，它自己找资料、交叉比对、判断信源靠不靠谱，最后交一份带出处的报告。这种活儿过去得人熬几晚，现在半小时出初稿。
这把提示工程也改了味。以前是写清需求，现在更像划清边界，得想好它哪些不能碰、拿不准时是该问还是该停。说清别乱点，比说清要什么难多了，也更值钱。
最近摸到个挺顺手的办法，跟各位唠唠。别一上来就让AI从零代写，先自己把初稿糊出来，错别字多、逻辑跳都不要紧，直接丢给它改。
关键点在于：你比谁都清楚自己到底想说啥、读者是谁。AI不缺词，缺的是你脑子里的那点语境。烂草稿里骨架和真实细节都是你的，它要干的活只是把表达力补上，这比凭空瞎猜稳得多。纯生成的东西看着光鲜，读两遍全是车轱辘话。
我实测过，写帖的草稿三十秒就能糊完，丢进去两三轮来回，出来的东西既贴我自己的语气又没废话，直接能发。写周报、回邮件也是一个道理，先把大概意思砸出来，剩下的交给它。比反复调 prompt 追问快太多，省下的时间够多喝杯茶。骨架永远是你自己的，AI当个称职的润色工就够。你们平时会让AI改自己的草稿吗？
