别让人工智能填补所有重要空白

人工智能被称为“辣味自动完成”、“令牌预测器”或“随机鹦鹉”。无论你问谁，结果都取决于他们对这项技术的看法。但所有这些说法的核心真理是：AI非常擅长填充空白。一个半成形的提示词加上零星细节，就能输出可用的结果。对于局外人来说，AI的“魔力”一半就在于它填补空白的能力。

然而，这种填补空白的能力正是导致AI生成内容显得平庸和千篇一律的原因——你得到的只是人类输出的统计平均值。理想的做法是反其道而行之：在擅长的领域给出具体且详细的指示，朝着符合你品位的方向充实内容。如果你知道HyperLogLog能轻松满足精确需求，就不要让AI在不同解决方案间徘徊。

这意味着将大型语言模型视为结对程序员，而非魔法黑盒。用具体的技术或美学决策锚定提示词，剔除AI用平庸替代你个人品味的倾向。

模糊的指示无法实现有效授权。当提示词不够明确时，你其实是在放弃定义产品的核心工程和决策。这时需要扪心自问：使用AI是为了杠杆效应，还是把它当作逃避认知负担的出口？

拖延思考是常见陷阱。写一个观点明确的提示词几乎总是比之后理清未做决策的技术难题要快。当你没有事先规定实现方式时，“节省”的执行时间只是被推迟到了未来。这种摩擦体现在审查AI输出时：你会花费精力去理解它为什么选择特定数据结构或状态管理模式。在提示词中多花三十秒明确约束条件，能大大提升获得理想结果的可能性。

AI难以产生可重复结果的抱怨也源于此。用户自己填充空白可以在一定程度上减少这个问题。非确定性在模糊性中滋生：提示词越开放，AI在不同运行中循环的变体就越多。缩小问题空间到一条单一、明确的“快乐路径”——即你的路径——AI就不再猜测你的想法，而是直接翻译你的具体需求为代码。

当然，这也要求提升提示词编写技巧。看着通用设计或代码片段归咎于AI缺乏灵感很容易，但问题通常在于提示词，进而在于我们自己。大语言模型虽能在未明确告知约束的情况下输出功能性结果，但这不意味着你可以完全跳过这些约束。半心半意的输入必然导致乏味的输出。

感谢阅读至此！如果你正在构建有趣的项目，需要帮手加速交付，或只是想打个招呼，欢迎联系。我的收件箱随时开放。