我与AI协作的心智模型

作者Mete Polat在假期后回归，带来了他个人总结的8个与AI协作的心智模型。这些模型来自他的实践和借鉴，旨在帮助读者在AI这个难以捉摸的领域中导航。文章从实用技巧开始，逐渐过渡到更抽象的行业思考。

1. 极致的前期对齐

与AI合作时，越早明确假设，后期越少纠正。就像计算机科学中著名的花生酱果酱三明治思维实验，任何隐含的假设都会导致意外输出。LLM尤其会用自己的假设填补空白，因此初始提示和上下文的投入回报率极高。最佳方式是通过深度问答来提取隐式假设。

2. 重做优于纠正

当AI的初始输出严重偏离预期时，从头开始比逐轮修正更好。LLM对路径依赖非常敏感，早期的错误和纠正会累积成混乱的上下文。更好的策略是退回起点，重新编写提示和上下文。

3. AI拥有与你相同的工具

AI能够完成大部分设置、测试和浏览器工作，只需赋予它合适的工具。例如，通过CLI、MCP或浏览器控制，AI可以管理API密钥、配置权限等。在Codex等平台中，还可以通过插件商店或直接登录开发门户来启用这些功能。

4. 坏输出是特性而非缺陷

互联网上对“一次成功”的追捧脱离实际。当AI在创意早期介入时，糟糕的输出反而成为了解自身品味的信息。它揭示了你不想要什么，这比知道你想要什么更有价值。但要注意路径依赖，避免被坏输出束缚。

5. 想要特定视觉输出，就用视觉输入

对于图像或前端工作，视觉参考比长篇文字提示更有效。推荐使用Flora.ai等工具来迭代视觉内容。同时，建立参考库成为关键——收集各种模态的参考物，形成你的品味地图。

6. 成为数字囤积者

随着AI变得多模态，参考库的价值不断增长。它不仅封装了你的品味，还为AI提供原材料。当你开始新项目时，丰富的参考库能帮你引导输出，避免落入俗套。

7. 设计是对抗同质化的解药

没有有品位的引导，任何模型都会退化成平均化的“垃圾”模式。设计师的工作就是通过指导来避免这种同质化。

8. 让LLM相互审查

人工审查已成为瓶颈。利用一个LLM对另一个LLM的输出进行对抗性审查，可以发现盲点和漏洞。这种“智能形状”的组合提供了更全面的覆盖。作者建议在Claude Code中使用/codex插件来实现。

最后，作者强调这些模型帮助他更好地与AI协作并理解相关讨论。