AI思维:掌握AI协作的基本对话技巧
作者：微信文章备注：最近我会写一系列和 AI 相关的内容，是我参加荷荷【AI个人炼金坊】过程中的一些作业整理和实践记录。
在 AI 时代，我也在学习如何建立 AI 思维，这些内容更多是对自己学习过程的一次梳理，如果能对同样在摸索中的你有所帮助，那就再好不过了。Day1，从AI工具到AI思维，掌握AI协作的基本对话技巧学习决心：这套课程，我从第一期跟到第三期，在概念已经了解的基础上，我的目标是加深理解并熟练运用。并且我认为工作中那些我最熟悉、最有经验的领域，正是我建立 AI 思维最快、也最扎实的地方。学习内容：一个认知、一个框架、一套心法。应用场景：软件工程师如何在AI助力下成为优秀的系统架构师。概念介绍：1.一个认知：AI思维。AI时代已经到来，AI的应用场景已经覆盖信息世界的方方面面，我们需要习惯随时请出AI来协助我们解决问题，同时我们也需要掌握跟AI的有效沟通方式，才能让AI给出我们想要的答案。随时随地让AI来高效解决问题，我认为这就是AI思维。2.一个框架：四部分提示词框架。课程中提到的Prompt（提示词）框架由四个部分组成：角色、任务、细节约束以及期望的输出格式。
以我工作中用到的一套提示词为例：你现在作为一名【C++ 工程架构师 + GPU 计算专家】协助我，熟悉大型 C++ 工程、CUDA、oneAPI（DPC++）、以及点云处理。
【目标】- 在 NVIDIA GPU 上使用 CUDA 加速点云去噪- 在 Intel 平台支持 oneAPI- 在没有 GPU 的情况下使用 CPU- 三种方式在同一工程中共存，并在运行时自动选择
【任务】请你：1. 设计一个点云去噪的后端抽象架构（接口 + 工厂模式）2. 划分 CUDA / oneAPI / CPU 三种后端的职责3. 说明哪些算法可以直接使用第三方库（如 PCL），哪些需要自研 GPU 实现4. 给出一个最小可行实现（MVP）的实施思路5. 简要说明构建系统中对多后端的管理方式
【约束】- 偏工程落地，而不是理论分析- 需要考虑代码的可移植性、性能和长期维护- 不接受只在单一硬件环境下成立的方案
【输出格式】请按以下顺序输出：1. 总体架构概览2. 核心接口设计（含示意代码）3. 后端职责划分说明4. 算法取舍原则5. MVP 实施步骤6. 构建与依赖管理建议
【风格要求】- 使用工程语言- 每个设计选择给出简要理由- 默认读者具备基础 C++ 背景
这是一套角色清晰、目标完整、约束明确、输出可检查的提示词。也是一套能把AI的能力约束在我们想让它起作用的范围内的有效“魔咒”。
但我想大家看到这套提示词的时候肯定会觉得太复杂。很多时候我们自己对于要做的事情是模糊的，根本给不出这么清晰的框架。我一开始也是这样认为的。
AI 思维的建立：从会用工具，到形成方法
在反复跟着【AI个人炼金坊】二期到三期的学习与实践中，我一直在思考一个问题：
当我们还写不出“标准提示词”时，AI 思维该如何真正落地？
结合自己的实践经验，我逐渐形成了一个更可执行的过程。
一、先接受不熟练：记住“结构”，而不是追求完美
AI 思维的第一步，并不是一开始就能写出结构完整、约束清晰的提示词。
对大多数人来说，更现实的起点是：
先记住提示词有哪些组成部分
至少知道：角色、任务、约束、输出格式这四个维度的存在
哪怕一开始写得很粗糙，只要脑子里有这四个“锚点”，就已经迈出了关键一步。
二、让 AI 反过来“教我们怎么提问”
这是我觉得非常重要、但容易被忽略的一步。
一开始，我们往往会像跟人交流一样，直接把需求丢给 AI。
但后来我开始刻意换一种方式：
不急着下指令
先让 AI 复述它对问题的理解
甚至直接问它：
“如果是你，你会怎么写这个任务的提示词？”
这个过程非常有价值：
我能清楚看到 AI 是如何拆解问题的
也能发现它关注的点，和我原本以为的重点并不完全一致
很多时候，AI 给出的结构比我自己的更清晰、专业
通过“观察 AI 的思考方式”，我开始反过来校正自己的提示词结构。
三、从“直接下任务”转向“先对齐认知”
在工作中，我以前常常是：
给 AI 一堆代码或文档 → 直接说需求 → 让它帮我实现
但最近我刻意调整了顺序：
先给 AI 一份 Log / 代码 / 文档
不下任何指令
只让 AI 说出它的理解和判断
这个过程让我非常震惊：
AI 对问题的分析往往更有条理
描述也更加体系化
甚至会指出一些我从未意识到的盲点和潜在问题
在这个过程中，我明显感受到：
AI 不只是在帮我“干活”，而是在拓展我对问题的理解边界。
四、有意识地“收集好用的提示词结构”
随着使用次数增加，我开始有意识地做一件事：
看到对我有启发的提示词结构，就记录下来
不断复用、微调、实践
逐渐形成一套适合自己的提示词模板库
后来我甚至让 AI 帮我生成了一套多角色提示词库：
系统架构师
性能优化专家
风险评估与稳定性审查专家
......
用不同“角色视角”来反复审视同一套方案。
这个过程让我站在了一个更高的维度与 AI 对话——
前提是，我自己也必须补齐这些角色所需的基础认知。
五、从“技巧”到“肌肉记忆”
到目前为止，这套 AI 思维在我的工作场景中已经相对熟练：
我知道什么时候该让 AI 发散
什么时候该用结构和约束收紧它的输出
也更清楚如何把 AI 的能力限定在我希望它发挥作用的范围内
但在生活中的其他场景，这种思维还远没有形成肌肉记忆。
这也让我意识到一个事实：
AI 思维并不是通用技能的“一键解锁”，
而是需要在具体场景中反复锤炼的能力。
页:
[1]