Be Specific

把问题往下拆，一个任务从来不只是一句需求，它是一组判断。

你想要什么结果，为什么要这个结果，给谁用，边界在哪里，什么不能做，什么可以牺牲，什么必须保留，这些都不是 AI 自然知道的东西。它可以猜，但猜出来的东西不一定是你的判断。

所以具体更像一种思考压力。prompt 技巧只是最后落出来的形式。

当你必须把任务说具体，你就被迫回答一些原本可以含混过去的问题：目标到底是什么，成功标准是什么，限制条件是什么，优先级怎么排，什么样的结果虽然漂亮但不该要。

模型越强，这件事越重要。因为模型很会补空白，结果也会显得合理。但那些空白里，可能已经塞进了很多你没有选择过的方向。

如果人只是被动接收方案，短期会很舒服。你少写了很多说明，少做了很多判断，也更快拿到了一个可用版本。

长期的副作用是，人的判断会被慢慢外包。

很多时候，判断没有被模型夺走，是人自己少做了一次澄清，少做了一次取舍。一次两次没关系，久了以后，人会习惯在 AI 给出的方案里微调，而不是在方案出现前先定义问题。

长期思考就是在这里变弱的。定义问题、限定范围、排除选项、承担取舍，这些动作不能省。

结果质量也会受影响。模糊任务生成的方案，往往沿着平均路径走。它可能流畅、完整、看起来专业，但未必贴合真实约束。影响结果的变量，人要先说出来。

以后好的 AI 使用者，不一定是会写最长 prompt 的人，而是能把任务定义到最小必要清晰度的人。

具体靠的是把影响结果的变量拿出来，把无关装饰拿掉，把判断交给模型之前先在自己这里过一遍。

模型越强，越需要这种反向训练。它会诱惑我们变懒，也可以倒逼我们变清楚。区别在于，我们把 AI 当成替自己想的人，还是当成迫使自己想清楚的镜子。