我與AI協作的心智模型

作者Mete Polat在假期後迴歸，帶來了他個人總結的8個與AI協作的心智模型。這些模型來自他的實踐和借鑑，旨在幫助讀者在AI這個難以捉摸的領域中導航。文章從實用技巧開始，逐漸過渡到更抽象的行業思考。

1. 極致的前期對齊

與AI合作時，越早明確假設，後期越少糾正。就像計算機科學中著名的花生醬果醬三明治思維實驗，任何隱含的假設都會導致意外輸出。LLM尤其會用自己的假設填補空白，因此初始提示和上下文的投入回報率極高。最佳方式是通過深度問答來提取隱式假設。

2. 重做優於糾正

當AI的初始輸出嚴重偏離預期時，從頭開始比逐輪修正更好。LLM對路徑依賴非常敏感，早期的錯誤和糾正會累積成混亂的上下文。更好的策略是退回起點，重新編寫提示和上下文。

3. AI擁有與你相同的工具

AI能夠完成大部分設置、測試和瀏覽器工作，只需賦予它合適的工具。例如，通過CLI、MCP或瀏覽器控制，AI可以管理API密鑰、配置權限等。在Codex等平台中，還可以通過插件商店或直接登錄開發門户來啓用這些功能。

4. 壞輸出是特性而非缺陷

互聯網上對“一次成功”的追捧脱離實際。當AI在創意早期介入時，糟糕的輸出反而成為了解自身品味的信息。它揭示了你不想要什麼，這比知道你想要什麼更有價值。但要注意路徑依賴，避免被壞輸出束縛。

5. 想要特定視覺輸出，就用視覺輸入

對於圖像或前端工作，視覺參考比長篇文字提示更有效。推薦使用Flora.ai等工具來迭代視覺內容。同時，建立參考庫成為關鍵——收集各種模態的參考物，形成你的品味地圖。

6. 成為數字囤積者

隨着AI變得多模態，參考庫的價值不斷增長。它不僅封裝了你的品味，還為AI提供原材料。當你開始新項目時，豐富的參考庫能幫你引導輸出，避免落入俗套。

7. 設計是對抗同質化的解藥

沒有有品位的引導，任何模型都會退化成平均化的“垃圾”模式。設計師的工作就是通過指導來避免這種同質化。

8. 讓LLM相互審查

人工審查已成為瓶頸。利用一個LLM對另一個LLM的輸出進行對抗性審查，可以發現盲點和漏洞。這種“智能形狀”的組合提供了更全面的覆蓋。作者建議在Claude Code中使用/codex插件來實現。

最後，作者強調這些模型幫助他更好地與AI協作並理解相關討論。