人文工作者如何高效使用AI：一份实用指南

作者：汉洋 MasterPa

人文工作者虽然并未直接创造世界的变化，但他们却站在了感知和应对这些变化的最前沿。

很多时候，那些推广人工智能教程的内容创作者往往将 AI 视为一种魔法工具：只需输入一个神奇的提示词（prompt），就能解决所有问题。然而，现实远非如此简单。在创立 FUNES 的过程中，我们不得不大量依赖 AI 进行内容生产。此外，《蜉蝣天地》以及我个人的写作项目也对内容创作提出了更高的需求，仅靠人力已无法满足。因此，我们不断尝试将 AI 应用于内容市场与人文学科研究的辅助工作中。

随着新同事的加入，我制作了一份简单的 Keynote 分享我们的经验。后来，贾行家老师得知后邀请我进行了一次分享。我和合伙人可达将这次分享命名为《人文工作者的 AI 使用指南》。最初这只是一个私下的交流，主要讨论了一些大方向的原则。经过几次扩充后，内容逐渐丰富。

不过，这份分享一直未公开进行。今年，我和重轻启动了播客节目《诗梳风》，借此机会首次完整地公开探讨了这一主题。以下内容整理自播客《人文工作者的 AI 使用指南》，并由 AI 辅助整理，略有删减。

过去一年多里，我和可达将这套 AI 使用经验分享给了许多从事内容创作、学术研究以及知识产品开发的朋友。它的目标并非教你背诵几个“神奇提示词”，也不是将 AI 视为万能药；相反，它更像是一套工作方法：让你在无需编写代码的情况下，将大模型真正融入自己的写作、研究、编辑、选题、资料整理与生产流程中，并做到可追溯、可监督、可验证，最终你依然愿意在作品上署名。

这套方法源于我们在真实项目中的实践与教训：当内容进入规模化生产时，纯靠人力难以支撑；而让 AI 直接生成内容则容易出现幻觉、偷懒或过于机械的问题。于是，我们不得不将创作过程拆解为生产线，并将生产线转化为可迭代的系统。

今天，我不想直接提供各种提示词，而是希望分享一些关键的指导思想和原则。

写在原则之前：这份指南的三条底线

在具体方法之前，先明确三条底线。它们决定了你“怎么用 AI”，也决定了你“为什么要这样用”。

1. 过程必须可追溯、可监督、可验证。你不能只关注结果而忽略过程。对于人文工作而言，黑箱是最危险的：幻觉、错引、偷换概念等问题都会在黑箱中悄然发生。

2. 必须可操纵。你需要能够控制它如何操作、按照什么标准执行、在哪些地方放慢速度、在哪些地方严格要求。你不是在“抽卡”，而是在生产。

3. 最后你依然愿意署名。“我是否愿意把名字放在作品上？”是最终的质量检验标准。如果你不愿意署名，通常不是道德问题，而是因为你的意志没有贯穿到过程中——这意味着质量不可控。

原则 0：别对 AI 许愿，把它当作工作台

许多人使用 AI 的方式本质上是在许愿：“给我一个好段子”“帮我写一篇好文章”“解释这篇论文”。

问题在于——“解释”本身就有无数种解释：给外行、给本科生、给研究生、给同行，完全不是一个任务。AI 不可能默认知道你的背景、目的、口味和标准。如果不说清楚，它只能以“平均人类”的默认方式给出最省力的答案。

把大模型当作工作台，意味着：你不向它索要结果，而是调动它的工具来完成一个过程。你需要做的是将任务描述清楚、明确标准、安排步骤。

比如让 AI 解释论文

你可以将许愿式的请求（“给我解释这篇论文”）转化为工作台式的任务：

• 明确目标受众：聪明、有好奇心，但不是该领域专家的研究生。

• 明确讲解方式：启发式、循序渐进、具有学术严谨性。

• 明确结构要求：先讲意义，再补背景，再还原研究历程，再讲关键技术点，最后提出启示。

• 明确语气：尊重智力、不居高临下、不假装对方已有深厚基础。

你会发现：你提供的要求越像“作业要求”，AI 就越不像 AI，越像一个真正会干活的助教。

原则 1：想要 AI 做好，先反思自己——你才是负责人

如果你雇了一个秘书，你不会只说：“把汉洋那篇写美国锈带的文章改好。”

你一定会补充：这篇文章为什么写、写给谁、现在卡在哪、你希望它解决什么问题、哪些地方不能动、你要什么风格、你最在意的指标是什么。

AI 也是一样。你要把它当成一个非常勤奋、非常礼貌、但不懂你脑内隐含前提的同事。真正的“提示词工程”不是技巧，而是一种责任感：任何任务仍然是你在做，AI 只是帮你干活。

当你对 AI 的输出不满意时，最有效的第一反应不是“AI 不行”，而是：

• 我有没有说清楚“对象/受众/目的”？

• 我有没有提供足够的背景材料和约束？

• 我有没有把“抽象愿望”拆成“可执行动作”？

• 我有没有给到可判断对错的标准？

原则 2：同一个问题至少问 3 个模型——每个 AI 都有“性格”和擅长领域

在我们公司，任何初次接触大模型的同事，我都会建议他在前期使用中，针对每个问题询问三个不同的 AI。AI 像人一样存在差异：有的更擅长遣词造句，有的更擅长推理解题，有的更擅长代码或工具调用。更现实的一点是：即使是同一家产品的模型或同一模型的新版本，也会不断微调其“风格”和“边界”。

因此，一个朴素但极有效的习惯是：同一个问题，至少抛给 3 个不同 AI，你会快速获得“手感”：

• 哪个更会写、哪个更会想、哪个更会查、哪个更容易偷懒。

• 哪些任务适合谁做“第一稿”，哪些适合谁做“审稿人”。

• 哪个更适合出“选题/结构”，哪个更适合出“段落/句子”。

这一步的价值不在于“选出最强模型”，而在于：你开始像管理团队一样管理模型，而不是把它当作唯一的神谕。

原则 3：AI 不是全知全能——把它当成“好学校本科生”的常识水平

一个很实用的预期管理是：AI 的常识水平 ≈ 一个 985 的本科生。

如果某件事你觉得“一个优秀本科生都未必知道”，那你就应该默认 AI 也不知道；至少默认它会在不知道的时候“编得很像知道”。

这会带来两个直接动作：

1. 任何超过常识的内容，都要你来教它。例如：你要它写段子、写真正有独特品味的文案、写高度专业的论证——你不能只给一句“写得好点”，而是要提供范例、标准、禁区和语料。我相信你现在去和朋友解释你心中什么是好的文字，都需要花点时间；那怎么能认为 AI 默认知道呢？

2. 你要把它当实习生协作，而不是当神。它能完成很多“微观插值”的工作：把你提供的脚手架补全，把你提供的材料织成可读文本。但“脚手架”和“方向”仍然来自你。

原则 4：让 AI 一步一步逼近目标——白盒分步骤，比黑箱一次性更可靠

AI 的优势不是“直接给你正确答案”，而是它可以在你设计的流程中，稳定完成许多小步骤。你越是要求它“一步到位”，它越容易变成“看似完整、实则偷懒”的黑箱。

一个特别直观的例子是处理 TTS（文本转语音）或朗读稿。与其说“注意多音字、不要读错”，不如将任务拆成一串步骤，例如：

• 标出停顿/重音/语速变化的标记。

• 识别潜在多音字。

• 依据词典或权威读音核对（必要时先检索再确定）。

• 对容易误读但常见的字提前标注。

• 实在不行就用同音无歧义字替换，从根上消灭误读可能。

这类“显而易见的正确做法”，人类会默认自己会做；但 AI 不会默认。如果不把“显而易见”写进流程，它就会在最省力的路径上犯错。

原则 5：先工业化，再 AI 化——你不能从农业时代一步跳到 AI 时代

如果你的写作/研究流程本身是随机的、凭灵感的、资料不管理的，那你确实很难把它交给 AI。因为 AI 只能接住你“可描述、可复现”的那部分。

更现实的路径是：

1. 先把工作变成“产线”：可拆分、可复用、可质检。

2. 再把其中的子步骤交给 AI：让它当工位，而不是当上帝。

我们做过一个很笨但很关键的工作：把我自己如何写一篇非虚构文章的过程拆解出来。包括：

• 为什么用这个故事开头。

• 为什么选这句话。

• 如何给例子打分。

• 如何起承转合、如何过渡、如何收尾。

• 如何将小故事连接到更宏大的图景。

最后拆成了几十个步骤，让不同的 AI 只负责其中一个步骤。结果是：不是模型突然变强了，而是流程把它“每次只能行一点点”的能力串联起来了。

当你能清晰描述“我的文章是怎么做出来的”，你就会发现：决定质量上限的从来不是“用哪个大模型”，而是你有没有把工作方法讲清楚。

原则 6：预判 AI 会偷懒——它会省算力，你要替它扫清“格式障碍”

AI 会偷懒，而且是“系统性偷懒”：能不打开网页就不打开，能不读 PDF 就不读，能跳过就跳过。不是它坏，而是它在算力与时间的约束下，天然倾向于走最省力路径。

所以你要做的是：把 AI 的算力用在“理解文本”，而不是浪费在“处理格式”。

非常有效的改进方法包括：

• 尽量把材料转成纯文本/Markdown，再喂给 AI。

• 把网页内容复制成干净文本（去掉导航、广告、脚注噪音）。

• 对长材料先做“事实提炼/结构提取”，再让它写作。

• 把 PDF/EPUB/网页统一入库成可检索的 TXT，再做后续任务。

你会发现：很多人抵触这种“体力活”，觉得“机器就该替我干脏活”。但在人机协作中恰恰相反——你愿意做一点点机械劳动，AI 的智力部分才会变得更锋利、更可靠。

原则 7：记住上下文有限——把任务尽量改成“压缩”，不要指望它“凭空扩张”

AI 有上下文窗口，有“记忆上限”。你给它两万字，它未必能记住多少；你给它二十万字，它可能只扫标题。一个形象的类比是：把人关进小房间一天，丢给他一本二十万字的书，出来让他背——能背多少，大概就是 AI 能“记住”的量。

因此有一个很反直觉但极重要的经验：

• 压缩比扩张容易得多。把 100 万字压到 1 万字，往往比把 1 万字扩到 100 万字可靠。

这直接改变你向 AI 提需求的方式：

• 不要用 100 字提示词去要一篇论文。

• 相反，把材料尽可能喂进去（分批、检索、RAG 都行），让它在充分材料基础上压缩出结构、观点和正文。

你过去写文章、写论文，本来就是“读海量材料→提炼→组织→写作”（至少我是这样）。到了 AI 这里，不要突然双标，要求它凭空生长。

原则 8：克制“我妙手一改就好了”的冲动——改产线，不改结果

很多擅长写作的人，最容易在 AI 面前翻车：

AI 出了个 59 分的稿子，你觉得自己改两下就 80 分，于是你开始改；改着改着变成你重写；重写完你说“还是我自己来吧”，然后从此再也不用 AI。

解决办法不是更努力“改稿”，而是把关注点挪到更上游：

• 不要追求让 AI 直接写出 100 分。

• 你的目标是让产线稳定产出 75～80 分。

• 你要做的是迭代流程，让“平均分”提高，而不是让“单篇”完美。

原则 9：把产线当产品迭代——可靠性本身就是价值

当你有一个系统能稳定给你 70 分的起点，它的价值不是“它像不像你”，而是：

• 你能在接近零成本的情况下拿到一个可用草稿。

• 你能把精力集中在更高阶的判断：选题、结构、证据、品味与取舍。

你要的不是一个能代替你的全能神，而是一个可靠的工厂：它不完美，但它稳定。

原则 10：数量第一要务——让它多产出，再筛选

只让 AI 给你一个版本，通常会得到最中庸、最保守、最“平均”的那一个。你要用“数量”对抗“平庸”。

更有效的做法是：

• 总结：一次要 5 个版本。

• 开头：一次要 5 个开头，做 AB 测试。

• 选题：一次要 50 个选题，再分组、再挑。

• 结构：一次要 3 套结构，再组合。

• 表述：一次要 10 个不同措辞，再择优。

当你提高平均分、提高产量，分布里自然会出现 85 分、90 分的“惊喜样本”。很多时候，好的不是“那一次神来之笔”，而是你终于开始用统计学的方式工作。

原则 11：别越俎代庖——像行政总厨一样指挥、品尝、让它回炉

如果你是餐厅的行政总厨，你不会亲自去拍黄瓜。你会：

• 尝一口。

• 判断是否合格。

• 给出明确反馈（哪里不行、要怎么改）。

• 让厨师回去重做一遍。

与 AI 协作也一样。你要尊重它“按它的方式生成”的主体性——你要做的是教它怎么达到你的标准，而不是自己跳下去把它每次的结果修成成品。

否则你会被无止尽的“修修补补”耗死。

最后一个底层原则：回到真实世界——材料 × 品味，决定作品上限

在 AI 时代，一个作品的质量越来越像是：材料 × 品味。

模型会变，方法会迭代，但这两件事不变：

材料来自真实世界。如果给你两种选择去写一篇文章：

• 用最新模型，但只能用网上资料。

• 用老模型，但你有完整档案、口述史、实地采访。
  更可能做出好作品的，往往是后者。

品味来自长期训练。当“生成”变得便宜，真正稀缺的是：

• 你知道什么值得写。

• 你知道哪些证据更硬。

• 你知道哪种叙述更有力量。

• 你愿意为材料付出体力劳动：上穷碧落下黄泉，动手动脚翻资料。

AI 改变的，是你和材料交互的效率与方式；但作品的主语仍然是你，宾语仍然是材料。AI 只是“动词”的一部分。

结语：把焦虑换成手感

很多人用 AI 用不起来，不是因为不聪明，而是因为一直停留在“许愿—失望—放弃”的循环里。真正能让你跨过去的，是把它当作工作台，把任务工程化，把流程白盒化，然后在不断摩擦里长出手感。

当你能做到这件事，你就不容易草率地下结论“AI 不行”；你会更像一个能管理新工具的新工种：既不俯视它，也不仰视它，把它放在流程里，放在现实里，放在你愿意署名的作品里。