聊一聊关于人机协作方式的思考

这两年看过太多 AI 提效的分享：教你写 Prompt，教你搭知识库，教你用插件把流程串起来。听的时候挺燃，回去照做三天，很多人就又回到原样。

原因不复杂：工具能加速，但工具不会替你把事情组织好。多数人的问题不是 “不会用 AI”，而是工作方式本来就很散，随时被打断、随时换任务、随时被情绪拖着走 。AI 进来以后，只是把这种状态放大：写得更快、生成得更多，但方向照样飘 。

可以越来越确定的是：人机协作的关键，不在 “让 AI 更像人”，而在 “让人更像一个可管理的系统”。大模型之所以强，不是因为它懂你，而是它的机制清楚：有窗口、有缓存、有注意力、有检索、有推理套路，还能调参数。把这些机制翻成日常能做的动作，才是更稳的提效。

缓存

很多人一天忙到飞起，真正推进的事却不多。不是能力不够，是脑子一直处在 “半加载”：上一件事没收尾，下一件事又闯进来，残留任务像没清掉的缓存一样占着资源。

你会很熟悉这种状态：写方案时脑子在等消息；开会时心里在补坑；回到工位，又被会议的情绪一路拖着走。看起来都在处理事情，其实是在被上下文牵着跑。

最有效的办法反而很笨：切换任务前，先把缓存“转存”出去；找一个固定地方（纸、备忘录、同一个文档都行），每次只写四行：

• • 我现在做到哪了？
• • 下一步是什么？
• • 卡点是什么？
• • 需要谁/什么资源？

写完再做一个明确的结束动作：起身、喝水、换位置，甚至去洗手间都行。你是在给大脑一个信号：这个窗口关了。 很多人以为自己缺的是更强的专注力，其实缺的是更干净的上下文。

权重

注意力也不是非常神秘的东西，它不是更集中，而是更会分配权重。 LLM 的注意力机制很直接：重要的给高权重，不重要的压到接近 0。我们常犯的错，是把注意力平均分给所有输入：消息、通知、紧急、重要、好奇、情绪……看起来都差不多重要，结果就是那种特别消耗的状态：忙，但不推进。

可以尝试给自己加了个很小的规则：每次接触信息，先问一句它和我当前目标的相关性是多少？不需要深思，直接打分 0～10：0～3 跳过；4～6 标记，放到统一处理时间；7～10 立刻处理，并且做 “掩码”。

掩码别理解得太复杂：就是不要靠意志力硬扛，把干扰变成不可达，通知关掉、手机放远、全屏单任务、耳机隔离、只开一个窗口。

所谓信息过载，很多时候不是信息太多，而是权重分配太平均。

步骤

大模型提升推理准确率的办法很简单：把步骤摊开；人也一样，只要把关键推理写出来，你就有了“调试接口”。 当我们处理不确定问题是，是不是也可以强制写五行（不写就不往下做）：

• • 我要解决的具体问题是什么？
• • 关键变量有哪些、我缺哪几个？
• • 备选路径至少三条是什么？
• • 我选哪条、依据是什么？
• • 怎么验证没走偏、失败信号是什么？

写出来之后推进会变快，因为这样可以减少直觉和情绪的干扰，而是靠结构往前走；不再靠“想明白”，而是靠“写清楚”。

分工

效率低、内耗重的人，常见问题是把规划、执行、审查混在一起：刚准备写两句就怀疑方向；刚排完计划又忍不住做细节；做着做着开始自责，最后变成精神消耗。

更好的做法是把自己拆成三个角色：决策的、干活的、挑毛病的。

• • 决策的：每天固定 10～15 分钟，只做取舍，写清楚今天最多三件主线任务。
• • 干活的：只完成清单，不重新规划；执行时禁止 “重新思考意义”，那经常是拖延的变体。
• • 挑毛病的：只在收尾出现，检查质量、复盘卡点、更新规则。

这种分工的调整，不是工作变少了，而是脑子不再来回切角色，能量损耗会小很多

笔记

大多时候我自己做知识管理像是在囤货：收藏、截图、链接、网盘、笔记一大堆。真要用的时候，还是找不到、拼不起来、读不下去。因为未来的自己不是读者，是用户；用户要的是能直接调用的片段。

我现在只坚持三条：

• • 一条笔记只讲一个观点
• • 标题写成“问题—结论”
• • 顶部补一句 “什么时候用得上”

这样下一次要做事，我们就不是从零开始想，而是把上下文直接加载进来。

调参

最后是状态。LLM 有温度参数：低温度更严谨，高温度更发散。人也一样，只是我们经常在错误的任务里用错误的状态。 很多写不出来、想不动，不是能力问题，是 “编辑脑” 太早上线：还没生成就开始挑错，直接把输出掐死。

我现在把产出拆成两段：

• • 先生成：只输出，不回删、不评判
• • 再优化：收敛、补证据、调结构、压冗余

看起来简单，但很管用，因为它把 “创造” 和 “审查” 从同一条时间线里拆开了。

结尾

所以回到最开始：为什么很多人学了工具，反而更焦虑？因为 AI 把你的工作方式放大了，混乱会被放大，结构也会被放大。

当你开始用更系统的方式组织自己时，清缓存、分权重、写步骤、做分工、做可用笔记、分阶段产出，AI 才会从一个热闹的玩具，变成稳定的协作者。

真正的提效，不是让 AI 替你做更多，而是让你用更少的认知成本，把事情推进到更确定的状态。