最近网上流传一份据称来自Anthropic内部的AI使用方法论，引发了不小的讨论。抛开“泄露”这个噱头不谈，里面提到的几个技巧确实值得琢磨。
核心观点很简单：决定AI输出质量的，不是你用哪个模型，而是你如何组织对话。
第一招叫“记忆注入”。大多数人每次对话都从零开始，但高手会预先加载持久化的上下文。比如告诉AI你的编程偏好、代码风格、常用框架，让它在后续所有回答中都遵循这些设定。这就像给AI装了一个“人设”，它不再是泛泛而谈的通用助手，而是真正了解你的专属顾问。
第二招叫“反向提问”。不要急着让AI干活，先让它问你问题。比如你想分析客户流失数据，可以说：“在你帮我之前，先问我5个关于数据集、业务背景和预期目标的澄清问题。”这个技巧的精妙之处在于，它迫使模型在执行前先进行批判性思考，大幅减少胡说八道的概率。
第三招叫“约束级联”。别一股脑把所有指令都扔给AI，而是分层递进。先让它总结文章，等它完成后再让它找出薄弱论点，最后再写反驳。这种渐进式的复杂度提升，比一次性倾倒所有要求效果好得多。
第四招叫“角色叠加”。不要只分配一个角色，而是让AI同时扮演多个专家视角。比如分析营销策略时，让它同时从增长黑客、数据分析师、行为心理学家三个角度来看问题。这会在AI内部形成一种“辩论”机制，互相查漏补缺。
第五招叫“验证循环”。让AI写完代码后，自己找出三个潜在bug，然后重写修复。这种自我纠错机制，能在你看到输出之前就拦截掉很多逻辑错误。
有意思的是，评论区的反应很分裂。有人觉得这些技巧确实有用，已经在实践中验证过；也有人质疑“99%的人都用错了”这种说法太过武断，认为大家只是在摸索阶段而已。
我的看法是：这些技巧的底层逻辑是相通的，就是把AI当成一个需要被正确引导的协作者，而不是一个许愿池。你给它的结构越清晰，它返回的结果就越精准。
说到底，AI工具的红利期正在消退，接下来比拼的是谁能把工具用得更深、更巧。
x.com/lazukars/status/2017191587768590515
热门跟贴