周五下午，把一周零散记下的几行字粘进输入框，等几秒，出来一份结构齐全、语气得体的周报。读一遍，改两处措辞，发出去。前后不到五分钟。
生成式人工智能进入办公室的方式，大多是这样琐碎的切口——不是替掉某个岗位，而是先接走一段流程里最枯燥的那一截。平常到不值得专门讨论，但有个位置变化被忽略了：原来写的人，现在变成了改的人；原来改的人，现在变成了验收的人。而验收这件事，多数团队还没有对应的习惯。
产出便宜之后，稀缺的变成验收
出稿速度快，代价也低，可以一次要三个版本再挑。问题在于它给的是概率性的结果——同一段输入，两次的详略、语气，甚至对同一件事的侧重都可能漂移。所以“读着还行”不能算验收标准，那只是通顺。
真正的验收需要先把标准写下来：哪些数字必须回到源头核对一遍，哪些表述不能被顺手润色掉，哪些结论不能交给模型替你归纳。这份标准通常不在模型那边，在业务这边。把它整理清楚，比多学几个提示词技巧管用。
写提示词，其实是一次需求描述练习
很多人把提示词当成新技能。我的看法偏保守：它更像一件老功课——把模糊的需求讲清楚。对象是谁、拿去干什么、多长、什么不能碰，说清楚了，才可能拿到能用的草稿。一个平时跟同事交代事情就说不明白的人，换成对着输入框说，也不会突然说明白。
不过约束不是越多越好。要求堆得太密，模型只能在互相冲突的条件之间做取舍，最后交出一份各方面都平庸的东西。少而硬的几条，比面面俱到的一长串有效。
它擅长的地方，和它不该被指望的地方
措辞、结构、改写、同一段话换个说法、几版方案放在一起比对，这些是它明显顺手的地方。需要真实来源、需要对具体情境做判断、需要有人为结果负责的地方，生成式人工智能只能递上一份草稿。把这两类活儿混着用，是眼下最常见的失误。
还有一项不太被提起的成本：改一份看起来已经像模像样的稿子，有时比自己从头写更费神。因为修改的前提是先读懂，再判断哪句该留、哪句是模型自作主张添的。省下来的时间也未必落到人身上，往往被更多的产出填满。
几个我自己在用的做法，谈不上方法：
- 先要结构，不要直接要成稿；骨架自己认一遍，细节再让它填。
- 凡是数字、时间、引用，一律回原处核对，不因为它写得笃定就放过。
- 自己先写一版粗糙的初稿留着，用来对照它删掉了什么、加强了什么。
工具还会继续变，提示框会变短，输出会变长，可做的事会变多。但“这份东西能不能用、由谁判断”这个问题，短期内仍然要落在具体的人身上。它不太像一个技术问题，更像一个愿不愿意花时间读第二遍的问题。