Be Specific

从第一性原理看，一个任务不是一句需求，而是一组判断。

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。

所以具体不是一种 prompt 技巧。具体是一种思考压力。

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。

这件事在 AI 时代会变得更重要，而不是更不重要。因为模型越强，它越能替你补全空白。空白被补上以后，结果会显得合理，但里面可能已经塞进了很多你没有真正选择过的方向。

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。

不是模型强行夺走判断，而是人自己少做了一次澄清，少做了一次取舍，少做了一次对结果负责的思考。一次两次没关系，长期下来，人会越来越习惯在 AI 给出的方案里做微调，而不是在方案出现前先定义问题。

这对长期思考不利。因为思考能力不是只在看答案时训练出来的，而是在定义问题、限定范围、排除选项、承担取舍时训练出来的。

这对长期结果也不利。一个模糊任务生成的方案，往往会沿着平均路径走。它可能流畅、完整、看起来专业，但未必贴合真实约束。真正决定结果质量的，常常不是 AI 写得够不够多，而是人有没有把关键变量说清楚。

所以未来好的 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。

具体不是堆细节。具体是把影响结果的变量说出来，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。