人与 AI 分工的七个阶段

大语言模型聊天框

AI 给出回答，人判断能否采用。

回答由模型根据预训练知识和当前的上下文（Context）生成。提示词（Prompt）只是上下文的一部分；联网搜索带回的材料也会进入上下文，但找到来源不等于结论成立。

• 说清真实目标，补充必要的上下文；
• 能分辨三种问题：回答不适合当前任务、出现幻觉（hallucination），或者依据不足；
• 按结果的用途和影响决定核查强度。

• 把流畅的回答当成事实，
• 把引用链接当成证明，
• 或把 AI 的建议直接当成决定。

智能体分担一项工作

AI 操作文件和网页，持续推进一项工作；
人交代目标、限定范围，并检查结果。

智能体（Agent）是整体系统，不是一种新模型。模型提出工具调用（tool call），系统执行动作，结果返回后模型再判断下一步，这个智能体循环（Agent Loop）让工作持续推进；判断一旦出错，也会影响真实的文件和消息。

• 交代目标和要求，限定智能体能读取的材料和能执行的动作；
• 关键承诺和对外发送前由人判断，最后检查结果能否采用。

• 把能继续执行当成结果正确，
• 以为开放的工具和权限越多越好，
• 或以为有了有限授权就不必再判断。

适合 AI 协作的工作环境

人把资料、要求、方法和进展留在工作环境里，
AI 重新开始时也能接续工作。

新的会话（Session）不会继承上一次对话，智能体要从工作环境里重新了解情况。资料放在工作区（Workspace），可复用的做法写成技能（Skill），进展留作记忆（Memory），新会话才能接续工作。

• 把资料、要求和做法整理到工作区里，写清从哪里开始读、哪条规则优先；
• 新开一次会话，智能体不依靠前一次对话也能完成同类任务。

• 把文件堆在一起或目录整齐当成准备就绪；
• 过时的资料和互相冲突的规则，会被智能体一次次照用。

智能体执行工作流

AI 连续完成多个步骤，
人在关键环节前确认，并验收最终结果。

接上更多工具后，智能体能把读取、整理、填写、发送这些步骤连成一条工作流，连续完成，人不必逐步推动每个动作。人的重点变成两件事：决定哪些环节必须停下来等人确认，以及验收最终结果。

• 给智能体有限授权，让它连续完成主要步骤；
• 在对外发送、修改正式记录这类影响较大的动作前停下来，等人确认后再继续。

• 把接入的工具数量当成自动化水平；
• 没有想清楚出错时怎么处理、什么情况下必须停止。

AI 原生思维（认知转折）

有了 AI，先重新思考「做什么」，再考虑「怎么做」。

「这件事能不能让 AI 参与？」开始成为遇事的第一反应。前面几个阶段是在原有做法里加入 AI；AI 原生（AI-Native）思维反过来，把 AI 当作默认条件，先重新决定要做什么，再安排怎么做。

• 面对工作、学习或生活中的问题，先判断 AI 是否改变了问题本身、可选的目标和整体安排，而不只是让原来的步骤变快。

• 凡事都强行用上 AI，
• 或把技术新奇误当成真实价值。

回归专业能力

AI 分担更多查找、整理和执行，
人依靠专业知识提出问题、判断结果质量。

AI 分担了查找、整理和执行，剩下的部分更依赖专业判断：怎样定义问题、怎样取舍方案、怎样判断质量。缺少这些能力，只会更快地产出没有经过判断的结果，工作完成了，自己却未必说得清楚。

• 用专业知识提出准确的问题，并审阅 AI 交回的结果；
• 把判断的理由、限制和代价写下来，供同事和 AI 理解、检查；
• 坚持主动学习，给理解和思考留出时间。

• 用熟练的工具操作掩盖专业基础的不足；
• 产出变多了，真实价值却没有提高。

发展管理能力

AI 分担的工作变多后，
人要安排分工、划定权限，并对整体结果负责。

AI 做得很快，整体却未必更快，说明、检查和返工的时间都要算进去。每个把工作交给 AI 的人都在委托：明确要求、提供反馈、评估结果，这些原本属于管理的能力，决定了委托是否划算。

• 委托前讲清目标、边界和完成标准；
• 过程中查看阶段进展，及时反馈；
• 交付时要求附上自查结果，再评估是否达标。

• 只看生成速度，不算说明、检查和返工的时间；
• 或把管理简化成分配任务、查看结果。

多智能体协作？（待验证的假设）

多个智能体分工合作，
能否稳定可靠尚待验证。

让多个智能体分工合作，可能同时推进更多工作，但可靠性还没有定论。把它当成成熟的阶段之前，要先确认：由谁安排分工、工作怎样在智能体之间交接，这些协调的成本是否可控。

• 要验证分工、交接、处理冲突和合并结果这几步，能否稳定地反复运行。

• 把一次成功的演示当成稳定能力；
• 智能体越多，出错、成本和协调难度可能一起放大。