把上下文交给 AI，把选择留给自己

先讲清背景，再让 AI 提方案

最近，我和 AI 合作的方式发生了一个变化：以前，我先想好方案，再让 AI 帮我完善；现在，我会先说明背景和限制，让它提出几个方案，再由我选择。

这个变化让我省力了不少。尤其是面对自己不熟悉的问题，我不必一开始就想清楚“应该怎么做”。我更需要讲清楚的是：想解决什么问题，手头有什么，哪些条件不能改变，以及自己在意什么。

我做电商运营，经常需要处理产品数据。卖家精灵导出的 Excel 有多个工作表，我还会从不同 API 获取数据。这些数据互有关联，格式却不统一，有些表里还有图片、合并单元格和不同用途的内容。

当时，我想做一个省心的系统：把数据全部丢进去，让 AI 清洗，再整理成规范数据库，以后直接调用。

顺着这个想法，我从 SQLite 了解到 DuckDB，又研究了 LanceDB。每次以为已经找到合适的工具，就会遇见新的选择。我花了几个星期弄明白其中的逻辑，后来却发现，很多需求用 Markdown 和 CSV 就够了。

回头看，我一开始就认定自己需要一个数据库，却没有先把实际需求和使用条件梳理清楚。

处理数据时，这个问题更明显。有些数据互相矛盾，我知道背后的业务原因；有些内容没有价值，可以直接舍弃。但这些判断留在我脑子里，没有告诉 AI。它只能根据看到的内容处理，于是会反复追查一些我知道不必纠缠的问题，工作反而变慢了。

这让我意识到，上下文不只是文件和数据，还包括我为什么做这件事，哪些差异有原因，哪些东西值得保留，以及我能接受多复杂的维护工作。

我也开始留意自己的提问方式。过去，我常常把方案讲得很完整，再问 AI：“这样做怎么样？”

AI 有时会顺着我的想法继续展开。回答看起来很周全，却可能一直在完善我最初的方案，很少重新讨论这个方案是否合适。我越笃定，越容易把它的回答当成认可，也越难看到其他选择。

现在，我会先提供背景，再请 AI 给出几个不同方案，讲清楚各自适合什么情况、需要付出什么代价。我也会问：还有哪些信息缺失？哪些前提可能不成立？有没有更简单的做法？

这样的沟通不能保证 AI 每次都给出好方案，但能让我看见更多可能，也更容易比较和判断。

这里仍然有人的工作。有些个人倾向、业务经验和临场判断，我暂时说不完整，就需要在看方案时不断补充。AI 提出方案，也能帮助我发现：原来自己还有一个没说出来的要求。

我现在对分工的理解是：目标明确、规则清楚的任务，可以让 AI 多承担执行；涉及目标选择、整体规划或信息不充分时的权衡，就由人主导，让 AI 提供分析和选项。

了解 AI 的能力边界，也包括了解自己掌握了哪些它不知道的信息。我不再要求自己先想好全部做法，而是把背景尽可能说清楚，让 AI 提方案，再结合实际情况做选择。

**把上下文交给 AI，把选择留给自己。**这就是我现在更愿意采用的协作方式。