AI 使用实践
AI 使用的核心任务，是把一个模糊需求逐步收敛成可交付、可验证、可复用的结果。工具品牌会变，这条工作链更稳定：
明确任务 → 提供上下文 → 限制行动
→ 检查结果 → 沉淀方法
先判断 AI 在任务中的角色
对话伙伴适合澄清问题、生成候选、解释材料和修改草稿。任务依赖当前事实、多个来源或相互冲突的证据时，进入 Chat 与 Research。
内容生产者适合把已有意图转成文字、图片和结构化素材。图片生成 重点处理规格、参考图、迭代和交付验收；GEO 处理产品事实如何被检索、理解和引用。
受约束的执行者适合处理文件、代码、工具和多步工作流。从 AI Coding 学习小步修改和验证；当下一步需要根据环境反馈动态决定时，进入 Agent 实践。
可复用的系统组件适合承载已经反复验证的知识和流程。Skill 封装做事方法，LLM Wiki 管理来源与派生知识，AI 中转站 和 Sub2API 处理模型访问的工程边界。
从一次回答走向稳定工作流
- 定义结果：写清受众、输出形式、完成标准和不做什么。
- 组织上下文：提供必要的文档、示例、已有判断和约束，避免让模型猜测关键信息。
- 限制行动：只开放当前任务需要的数据、工具和副作用，高风险动作保留人工确认。
- 外部验收：用原始来源、测试、差异、数据对账或真实试用检查结果。
- 保留有效经验：只把经过验证的规则、模板和失败纠正写回项目说明或 Skill。
单次用对了并不代表流程可复用。稳定工作流还需要在正常输入、缺失信息、工具失败和权限受限时都有明确处理方式。
使用 AI 的三条质量底线
方向由人决定。 AI 可以提供信息、候选和执行能力，目标是否值得、风险是否可承受、人想成为什么样的主体，仍需要人来回答。
关键判断需要证据。 流畅、自信和引用格式都不能单独证明结论正确。查看 AI 洗脑 了解如何保留判断权，用 AI 使用数据 观察自己的实际使用，但不把 token 消耗直接等同于产出价值。
数据和权限需要可收回。 重要资料保留自己可导出的副本，模型和工具可以替换；删除、发布、付款、发送消息和修改权限等动作，按影响范围设置审批与审计。