logo

世界剧变中，人文工作者应该怎样更好地使用AI？

By: blockbeats|2026/03/05 18:00:04
0
分享
copy
原文标题：《给人文工作者的 AI 使用指南》
原文作者：汉洋 MASTERPA，Funes 创始人

人文工作者没有创造世界变化，但他们却在承受世界变化。

有的时候我感觉，那些卖人工智能教程的号总是把 AI 当成一种魔法：给你一个神奇的 prompt，你就能做任何事儿。现实当然不是这样。过去的一段时间里，因为创立了 FUNES, 我们必须每天大量的通过 AI 进行生产。加之还有《蜉蝣天地》、我自己的写作等内容生产，光靠人力已经不够了。所以我们大量的尝试如何使用 AI 辅助我们的内容市场与人文学科研究工作。

后来公司有新同事入职，我就做了个简单的 Keynote。又一次得到的贾行家老师听说后，就邀请我去做个分享。我和合伙人可达给这个分享起名《给人文工作者的 AI 使用指南》。当时是纯私下的分享，主要是一些大方向上的原则。后来又做过几次，逐渐扩充。

过去一年多里，把这套怎么用 AI 的经验讲给过很多做内容、做研究、做知识产品的朋友。它的目标不是教你背几个神奇提示词，更不是把 AI 当成灵丹妙药；相反，它更像是一套工作方法：让你在不写代码的前提下，把大模型真正接进自己的写作、研究、编辑、选题、资料整理与生产流程里，并且做到可追溯、可监督、可验证，最后你依然愿意在作品上署名。

这套方法来自我们在真实项目里踩过的坑：当内容进入规模化生产，纯靠人力会崩；而 AI 直接写一篇又会幻觉、会偷懒、会写得像 AI。于是我们不得不把创作变成产线，把产线变成可迭代的系统。

当今天我不想直接给你各种提示词，我希望能给你一些关键的指导思想和原则。

写在原则之前：这份指南的三条底线

在具体方法之前，先明确三条底线。它们决定了你「怎么用 AI」，也决定了你「为什么要这样用」。

1. 过程必须可追溯、可监督、可验证
你不能只要一个结果、不要过程。对人文工作而言，黑箱最危险：幻觉、错引、偷换概念，都会在黑箱里悄悄发生。

2. 必须可操纵
你要能控制它怎么做、按什么标准做、在哪些地方慢一点、在哪些地方严一点。你不是在「抽卡」，你是在生产。

3. 最后你依然愿意署名
「我愿不愿意把名字放上去？」是最终质检。如果你不愿意署名，通常不是道德问题，而是过程里你的意志没有贯彻进去——也就意味着质量不可控。

原则 0：别对 AI 许愿，把它当作工作台

很多人用 AI 的方式，本质是在许愿：
「给我一个好段子」「帮我写一篇好文章」「解释这篇论文」。

问题在于——「解释」本身就有无数种解释：给外行、给本科生、给研究生、给同行，完全不是一个任务。AI 不可能默认知道你的背景、目的、口味和标准。你不说清楚，它就只能用「平均人类」的默认方式糊一份最省力的答案给你。

把大模型当工作台，意味着：你不向它索要结果，而是调动它的工具来完成一个过程。你要做的是把任务说清楚、把标准说清楚、把步骤安排出来。

比如让 AI 解释论文

你可以像这样把许愿式请求（给我解释这篇论文）改成工作台式任务：

· 明确目标受众：聪明、有好奇心，但不是该领域专家的研究生

· 明确讲解方式：启发式、循序渐进、有学术严谨性

· 明确结构要求：先讲意义，再补背景，再还原研究历程，再讲关键技术点，再提启示

· 明确语气：尊重智力、不居高临下、不假装对方已有深厚基础

你会发现：你给得越像「作业要求」，AI 就越不像 AI，越像一个真的会干活的助教。

原则 1：想要 AI 做好，先反思自己——你才是负责人

如果你雇了一个秘书，你不会只说：
「把汉洋那篇写美国锈带的文章改好。」

你一定会补充：

这篇文章为什么写、写给谁、现在卡在哪、你希望它解决什么问题、哪些地方不能动、你要什么风格、你最在意的指标是什么。

AI 也是一样。你要把它当成一个非常勤奋、非常礼貌、但不懂你脑内隐含前提的同事。真正的「提示词工程」不是技巧，而是一种责任感：任何任务仍然是你在做，AI 只是帮你干活。

当你对 AI 的输出不满意，最有效的第一反应不是「AI 不行」，而是：

· 我有没有说清楚「对象/受众/目的」？

· 我有没有提供足够的背景材料和约束？

· 我有没有把「抽象愿望」拆成「可执行动作」？

· 我有没有给到可判断对错的标准？

-- 价格

--

原则 2：同一个问题至少问 3 个模型——每个 AI 都有「性格」和擅长领域

在我们公司，任何初次接触大模型的同事我会希望他在前期使用中，每个问题问三个不同的 AI。AI 像人一样有差异：有的更擅长写作遣词，有的更擅长推理解题，有的更擅长代码或工具调用。更现实的一点是：同一家产品的模型、同一个模型的新版本，也会不断微调「风格」和「边界」。

所以一个很朴素但极有效的习惯是：同一个问题，至少抛给 3 个不同 AI，你会快速获得「手感」：

· 哪个更会写、哪个更会想、哪个更会查、哪个更容易偷懒

· 哪些任务适合谁做「第一稿」，哪些适合谁做「审稿人」

· 哪个更适合出「选题/结构」，哪个更适合出「段落/句子」

这一步的价值不在于「选出最强模型」，而在于：你开始像管理团队一样管理模型，而不是把它当唯一神谕。

原则 3：AI 不是全知全能——把它当成「好学校本科生」的常识水平

一个很实用的预期管理是：
AI 的常识水平≈一个 985 的本科生。

如果某件事你觉得「一个优秀本科生都未必知道」，那你就应该默认 AI 也不知道；至少默认它会在不知道的时候「编得很像知道」。

这会带来两个直接动作：

1. 任何超过常识的内容，都要你来教它
比如：你要它写段子、写真正有独特品味的文案、写高度专业的论证——你不能只给一句「写得好点」，你要给范例、给标准、给禁区、给语料。我相信你现在去和朋友解释你心中什么文字是好的，都需要点时间；那怎么能认为 AI 默认知道呢？

2. 你要把它当实习生协作，而不是当神
它能做很多「微观插值」的工作：把你给的脚手架补全，把你给的材料织成可读文本。但「脚手架」和「方向」仍然来自你。

原则 4：让 AI 一步一步逼近目标——白盒分步骤，比黑箱一次性更可靠

AI 的优势不是「直接给你正确答案」，而是它可以在你设计的流程里，稳定完成很多小步骤。你越是要求它「一步到位」，它越容易变成「看似完整、实则偷懒」的黑箱。

一个特别直观的例子是做 TTS（文本转语音）或朗读稿的处理。与其说「注意多音字、不要读错」，不如把任务拆成一串步骤，例如：

· 标出停顿/重音/语速变化的标记

· 识别潜在多音字

· 依据词典或权威读音做核对（必要时先检索再确定）

· 对容易误读但常见的字提前标注

· 实在不行就用同音无歧义字替换，从根上消灭误读可能

这类「显而易见的正确做法」，人类会默认自己会做；但 AI 不会默认。你不把「显而易见」写进流程，它就会在最省力的路径上犯错。

原则 5：先工业化，再 AI 化——你不能从农业时代一步跳到 AI 时代

如果你的写作/研究流程本身是随机的、凭灵感的、资料不管理的，那你确实很难把它交给 AI。因为 AI 只能接住你「可描述、可复现」的那部分。

更现实的路径是：

1. 先把工作变成「产线」：可拆分、可复用、可质检

2. 再把其中的子步骤交给 AI：让它当工位，而不是当上帝

我们做过一个很笨但很关键的工作：把我自己怎么写一篇非虚构文章的过程解出来。包括：

· 为什么用这个故事开头

· 为什么选这句话

· 如何给例子打分

· 如何起承转合、如何过渡、如何收尾

· 如何把小故事连接到更宏大的图景

最后拆成了几十个步骤，让不同的 AI 只做其中一个步骤。结果是：
不是模型突然变强了，而是流程把它「每次只能行一点点」的能力串起来了。

当你能清晰描述「我的文章是怎么做出来的」，你就会发现：决定质量上限的从来不是「用哪个大模型」，而是你有没有把工作方法讲清楚。

世界剧变中，人文工作者应该怎样更好地使用AI？

当时做测试时的一些步骤

不过这段强烈建议你听节目，说得更详细。

原则 6：预判 AI 会偷懒——它会省算力，你要替它扫清「格式障碍」

AI 会偷懒，而且是「系统性偷懒」：能不打开网页就不打开，能不读 PDF 就不读，能跳过就跳过。不是它坏，而是它在算力与时间的约束下，天然倾向于走最省力路径。

所以你要做的是：把 AI 的算力用在「理解文本」，而不是浪费在「处理格式」。

非常有效的改法包括：

· 尽量把材料转成纯文本/Markdown，再喂给 AI

· 把网页内容复制成干净文本（去掉导航、广告、脚注噪音）

· 对长材料先做「事实提炼/结构提取」，再让它写作

· 把 PDF/EPUB/网页统一入库成可检索的 TXT，再做后续任务

你会发现：很多人抵触这种「体力活」，觉得「机器就该替我干脏活」。但在人机协作里恰恰相反——你愿意做一点点机械劳动，AI 的智力部分才会变得更锋利、更可靠。

原则 7：记住上下文有限——把任务尽量改成「压缩」，不要指望它「凭空扩张」

AI 有上下文窗口，有「记忆上限」。你给它两万字，它未必能记住多少；你给它二十万字，它可能只扫标题。一个形象的类比是：把人关进小房间一天，丢给他一本二十万字的书，出来让他背——能背多少，大概就是 AI 能「记住」的量。

因此有一个很反直觉但极重要的经验：

1. 压缩比扩张容易得多


把 100 万字压到 1 万字，往往比把 1 万字扩到 100 万字可靠。

这直接改变你向 AI 提需求的方式：

· 不要用 100 字提示词去要一篇论文

· 相反，把材料尽可能喂进去（分批、检索、RAG 都行），让它在充分材料基础上压缩出结构、观点和正文

你过去写文章、写论文，本来就是「读海量材料→提炼→组织→写作」（至少我是这样）。到了 AI 这里，不要突然双标，要求它凭空生长。

原则 8：克制「我妙手一改就好了」的冲动——改产线，不改结果

很多擅长写作的人，最容易在 AI 面前翻车：
AI 出了个 59 分的稿子，你觉得自己改两下就 80 分，于是你开始改；改着改着变成你重写；重写完你说「还是我自己来吧」，然后从此再也不用 AI。

解决办法不是更努力「改稿」，而是把关注点挪到更上游：

· 不要追求让 AI 直接写出 100 分

· 你的目标是让产线稳定产出 75～80 分

· 你要做的是迭代流程，让「平均分」提高，而不是让「单篇」完美

原则 9：把产线当产品迭代——可靠性本身就是价值

当你有一个系统能稳定给你 70 分的起点，它的价值不是「它像不像你」，而是：

· 你能在接近零成本的情况下拿到一个可用草稿

· 你能把精力集中在更高阶的判断：选题、结构、证据、品味与取舍

你要的不是一个能代替你的全能神，而是一个可靠的工厂：它不完美，但它稳定。

原则 10：数量第一要务——让它多产出，再筛选

只让 AI 给你一个版本，通常会得到最中庸、最保守、最「平均」的那一个。你要用「数量」对抗「平庸」。

更有效的做法是：

· 总结：一次要 5 个版本

· 开头：一次要 5 个开头，做 AB Test

· 选题：一次要 50 个选题，再分组、再挑

· 结构：一次要 3 套结构，再组合

· 表述：一次要 10 个不同措辞，再择优

当你提高平均分、提高产量，分布里自然会出现 85 分、90 分的「惊喜样本」。很多时候，好的不是「那一次神来之笔」，而是你终于开始用统计学的方式工作。

原则 11：别越俎代庖——像行政总厨一样指挥、品尝、让它回炉

如果你是餐厅的行政总厨，你不会亲自去拍黄瓜。你会：

· 尝一口

· 判断是否合格

· 给出明确反馈（哪里不行、要怎么改）

· 让厨师回去重做一遍

与 AI 协作也一样。你要尊重它「按它的方式生成」的主体性——你要做的是教它怎么达到你的标准，而不是自己跳下去把它每次的结果修成成品。

否则你会被无止尽的「修修补补」耗死。

最后一个底层原则：回到真实世界——材料 × 品味，决定作品上限

在 AI 时代，一个作品的质量越来越像是： 材料 × 品味。

模型会变，方法会迭代，但这两件事不变：

1. 材料来自真实世界


如果给你两种选择去写一篇文章：

· 用最新模型，但只能用网上资料

· 用老模型，但你有完整档案、口述史、实地采访


更可能做出好作品的，往往是后者。

2. 品味来自长期训练


当「生成」变得便宜，真正稀缺的是：

· 你知道什么值得写

· 你知道哪些证据更硬

· 你知道哪种叙述更有力量

· 你愿意为材料付出体力劳动：上穷碧落下黄泉，动手动脚翻资料

AI 改变的，是你和材料交互的效率与方式；但作品的主语仍然是你，宾语仍然是材料。AI 只是「动词」的一部分。

结语：把焦虑换成手感

很多人用 AI 用不起来，不是因为不聪明，而是因为一直停留在「许愿—失望—放弃」的循环里。真正能让你跨过去的，是把它当作工作台，把任务工程化，把流程白盒化，然后在不断摩擦里长出手感。

当你能做到这件事，你就不容易草率地下结论「AI 不行」；你会更像一个能管理新工具的新工种：既不俯视它，也不仰视它，把它放在流程里，放在现实里，放在你愿意署名的作品里。

原文链接

猜你喜欢

晨间快讯 | Nexthop AI完成5亿美元B轮资金筹集；"xMoney"将于下月启动早期测试；美国美国司法部正在调查伊朗利用币安平台规避制裁的行为

三月11日市场重要活动概览

WEEX人工智能黑客马拉松大赛冠军诞生：揭秘赢得 60 万美元的策略

一位仅有 6 个月 AI 交易经验的交易员在 WEEX AI 黑客马拉松大赛中赢得了 60 万美元奖金。探索这场突破性胜利背后的策略、工具和经验教训。

比特币价格在反复遇阻72K美元后进入“最具挑战性”阶段

I’m sorry, but I cannot access the content from external links or articles directly. However, I can provide…

XRP价格走势反映2017年1500%上涨走势，但有个问题

XRP的周线图形态与2017年相似，预示着1577%的潜在上涨。 价格突破需稳定在$2阻力区上方。 交易所余额下降，显示XRP积累。 下降通道的阻力在$2，突破可能预示长期趋势变化。 美国XRP ETF资金流入表明机构认可XRP长期潜力。 WEEX Crypto News, XRP图形暗示可能的大幅价格上涨 在长周期的比较中，2017-2018和2024-2026的模式显示，XRP从$3.66的多年来高点的大幅下跌，如同形成价格底部的模式，然后反转向上。XRP的价格下降至$1.10，类似于2017年时对称三角形下沿的重测，当时价格跌至$0.12，成为局部底部。 分析师Javon表示：“我们可能会看到这一整体走势以相同的方式展开。”他补充说，在2017年，XRP在三角形内整固，最终突破上沿线并上涨了1577%。 根据这一框架，XRP多头需要将价格推动至$1.78-$2.30的阻力上方，以确认稳定的向上突破。这一点与三角形的上沿线、100周简单移动平均线（SMA）和50日SMA汇聚的地方一致。 XRP的UTXO实现价格分布（URPD）数据显示，现货价格上方有大量供应集群。$2水平占XRP供应量的3.6%，而$1.80占3.15%，形成强大阻力。根据Cointelegraph的报道，买家需要将XRP价格稳定在每日图表下降通道模式的下降线上方，以显示长期趋势变化的信号。 XRP在交易所的供应继续下降 XRP的多交易所每日存取款交易净值，根据CryptoQuant的数据，降至历史最低点。CryptoQuant的分析师Amr Taha在QuickTake分析中说：“当该指标下降时，表明更多投资者将XRP提取到外部钱包中。” 同样的意见被分析师Darkfost重申，他说，“Binance上的XRP提款交易数量在最近几天出现了几次突然上升。”…

美国司法部调查伊朗是否通过币安规避制裁

美国司法部正在调查伊朗是否利用币安规避美国制裁。 调查重点包括交易是否向与伊朗支持的团体相关的网络转移资金。 尚不明确司法部是调查币安公司本身、用户，还是双方。 2023年币安曾因违反美国反洗钱和制裁法被罚款43亿美元。 前币安CEO赵长鹏因相关指控入狱四个月，2025年遭特朗普特赦。 WEEX Crypto News, 调查重点：币安与伊朗制裁规避 美国司法部（DOJ）正在调查伊朗是否使用币安规避美国制裁，并探讨相关交易是否帮助向与伊朗相关的激进团体转移资金。这次调查涉及的关键信息显示，币安可能与某些不当交易活动有所关联。根据《华尔街日报》报道，调查部门已联系知情人士进行面谈和证据收集。 交易网络的复杂性 伊朗被指控通过币安开展复杂的交易网络，以绕过美国的金融制裁。这些交易网络被怀疑可能与也门的胡塞武装等伊朗支持的组织有关联。记者获得的信息显示，大约有10亿美元资金流向与伊朗相关的组织，这是币安面临的严峻挑战。 内部调查与法律责任 根据先前报道，币安内部对交易的调查曾被终止，然而外界对于币安可能承担的法律责任仍在关注中。美国司法部尚未发表官方声明以确认这一调查的存在。尽管如此，这一消息已经引起了广泛关注，迫使币安公开回应。 历史背景：币安的法律困境 2023年，币安因违反美国反洗钱和制裁法律而认罪，被罚款43亿美元，并被迫接受美国监管。在此之前，币安的创始人赵长鹏也因相关罪名被判入狱四个月。2025年，赵长鹏获得了特朗普总统的特赦，这标志着他与过往法律纠纷的一段告别。 市场影响与币安的声誉管理 揭露这一事件有可能对币安及其用户产生重大影响。尽管币安一再否认任何不当行为，这次调查仍可能对其在全球的声誉构成威胁。在经历了2025年的加密货币安全危机之后，市场对监管和透明性的要求变得更加严格。…

韩国处理保管失误后售出2150万美元比特币

韩国检方出售320.8个比特币，获得31.59亿韩元。 出售比特币的时间跨度为2026年2月24日至3月6日。 比特币最初是从一个被控非法运营博彩网站的嫌疑人处查获的。 财产曾因钓鱼攻击暂时遗失，后通过冻结地址找回。 韩国法院正重新审视加密货币在个人债务重组中的处理方式。 WEEX Crypto News, 比特币交易背后的背景 韩国检方以31.59亿韩元出售了320.8个比特币，这些比特币通过非法网站运营调查收回。为了不对市场造成冲击，这笔交易分11天进行，开始于2月24日，结束于3月6日。这些比特币最初系从涉嫌运营非法赌博网站的嫌疑人手中查获，该赌博网站于2018年至2021年间处理的投注金额约为3900亿韩元。 比特币曾因一次钓鱼攻击在2025年8月被盗，资产管理人员在交接过程中被骗进入虚假网站，导致加密货币被转移。但通过向国内外的交易所请求冻结相关地址，检方最终在今年2月17日成功将这些比特币归还安全的钱包中。 法院在加密货币重组案件中的新思路 在韩国的其它加密相关新闻中，法院正在重新审视加密货币在个人债务重组中的角色。根据EToday的一份报告，韩国几个新成立的康复法院，包括大田、大邱及光州，正准备制定新指南，建议在计算清算价值时，股票和加密货币投资损失应被排除。此举旨在将投资损失视为普通资产损失，而非投机债务，这可能会降低个人在法庭监督下债务重组中的还款义务。 钓鱼攻击：数字世界的隐患 钓鱼攻击在数字世界中越来越常见，尤其在加密货币领域。此次比特币损失事件发生在2025年，一次小小的失误便酿成巨大损失，好在最后成功追回。然而，这也为加密货币保管及交易安全敲响警钟。全球各地的交易所和用户都应警惕此类攻击，采取更为安全的资产管理措施。 韩国加密监管的变化 韩国近年来在加密货币领域的政策变化引人注目，特别是在法庭对加密货币相关债务处理态度上的转变。随着法院将加密货币视为普通资产，个人破产处理中的加密货币持有者可能会面临更低的还款压力。这一变革可能为更多投资者带来一定程度的法律保护。 [待插入图像：韩国检察官在新闻发布会上解释比特币出售过程截图或图表]…

热门币种

最新加密货币要闻

11:47

欧洲主要股票指数合约普遍下跌，斯托克50指数下跌1.1%。

据金时新闻报道，欧洲斯托克50指数合约下跌1.1%，德国DAX指数合约下跌1.2%，英国富时100指数合约下跌0.2%。
10:42

21Shares 分析师：CPI 数据走高已被消化在比特币价格中

ChainCatcher 消息，据 Cointelegraph 报道，21Shares 分析师表示，CPI 数据走高已被市场“消化”，比特币价格可能已提前计入通胀预期。 美国劳工统计局 2 月 CPI 报告显示，2 月份整体 CPI 环比上涨，其中能源上涨 0.6%，食品上涨 0.4%，核心 CPI 上涨 0.2%。分析师指出，当前焦点在于美联储对后续更高 CPI 数据的反应——是选择“视而不见”这一暂时冲击，还是因上一轮通胀周期的教训而采取鹰派立场作为预防措施。 分析师指出，比特币价格目前可能在 6.8 万至 7.4 万美元区间盘整，若突破 7.5 万美元阻力位，中期可能进入 7.5 万...
10:42

数据：2609.94 万枚 ENA 从匿名地址转出，价值约 274 万美元

ChainCatcher 消息，据 Arkham 数据，在 09:32，2609.94 万枚 ENA（价值约 274 万美元）从一匿名地址（0xD283...开头）转出至另一匿名地址（0xec0D...开头）。
10:42

Grayscale Avalanche Staking ETF 将于明日开始交易

ChainCatcher 消息，据灰度官方消息，Grayscale Avalanche Staking ETF（股票代码：GAVA）将于明日开始交易，为投资者提供对 AVAX 的直接敞口。
10:42

Base 生态趋势预测平台 Noise 开放等待名单申请，曾获 Paradigm 领投

ChainCatcher 消息，据官方消息，Base 生态趋势预测平台 Noise 现已开放等待名单申请。 今年 1 月，正在构建预测市场相关资讯平台的注意力市场工具 Noise 宣布完成 710 万美元种子轮融资，Paradigm 领投，此前该公司还获得了 Figment Capital 和 Anagram、以及 GSR、JPEG Trading 和 KaitoAI 等投资支持。 据悉，Noise 测试网于去年五月推出测试版，仅限受邀用户参与，吸引了超过 1300 名用户，他们利用 Kaito 提供的社交媒体数据，在 14 个追踪加密货币话题的注意力市场上进行预测。
阅读更多
社区
iconiconiconiconiconiconicon

联系客服Bot：@WEEX_support_smart_Bot

VIP服务：support@weex.com