Day 032 · 如何管理 AI 的摇摆？

前两篇写了两个现象。

第一篇是：

为什么一质疑 AI，它就马上改口？

第二篇是：

为什么有时候一生气，AI 产出突然变好了？

这篇想收回来讲一个更实际的问题：

既然 AI 会改口、会迎合、会过度修正，我们到底应该怎么和它协作？

我的判断是：

AI 的摇摆不能完全消除，但可以被管理。

因为 AI 本来就会根据上下文、反馈、目标和约束不断调整输出。

问题不在于它会变。

问题在于：

它为什么变？
根据什么变？
哪些地方可以变？
哪些地方不应该变？
什么时候应该停？

如果这些都不清楚，AI 就会变成一个非常努力、但没有边界的协作者。

你一质疑，它改。
你一生气，它改。
你换个说法，它改。
你说 self-review，它继续找问题。

看起来很配合。

但最后可能是一起迷路。

AI 越改越乱，通常不是因为它不会

很多人用 AI 做开放任务时，会经历一种很熟悉的循环。

第一版太泛。第二版太长。第三版太硬。第四版太口语。第五版终于有结构，但又没有感觉。

看起来一直在优化。

其实是在不同标准之间来回摆。

这通常不是因为 AI 完全不会。

而是因为协作里缺了几样东西：

没有清楚的目标；
没有固定的评价标准；
没有说清楚不要什么；
没有限制每次 review 的范围；
没有记录当前决定；
没有设置什么时候该停。

AI 很擅长继续生成。

但它不天然知道什么时候应该停止。

AI 很擅长响应反馈。

但它不天然知道哪些反馈应该改变主干，哪些只是局部偏好。

AI 很擅长给新版本。

但它不天然知道上一版哪些东西其实应该保留。

所以管理 AI 摇摆，不是靠一句：

“你不要迎合我。”

这句话太宽。

真正有用的是：给它一套清楚的协作边界。

第一件事：先定义什么叫好

开放任务最容易摇摆，是因为“好”本身不清楚。

比如你让 AI 写标题。

你说：

“帮我写几个更好的标题。”

但什么叫更好？

更清楚？
更有传播感？
更像真人？
更专业？
更适合小红书？
更适合官网？
更适合投资人？
更容易转化？

这些都可能是“更好”。

但它们不是同一个方向。

更清楚，可能变普通。
更有传播感，可能变标题党。
更专业，可能变模板。
更像真人，可能变松散。

如果一开始没有定义标准，AI 后面每一次修改都只能根据你的反馈猜。

你说“太普通”，它就变得更有冲击力。
你说“太标题党”，它又变得更克制。
你说“太 AI 味”，它开始口语化。
你说“不够专业”，它又开始加概念。

这不是越改越好。

这是评价标准一直在漂。

所以，对开放任务来说，第一步不应该是产出。

第一步应该是先问：

这次我们用什么标准判断好坏？

可以这样说：

“在开始前，请先定义这次任务的评价标准，并按优先级排序。如果标准之间冲突，请说明优先保哪一个，牺牲哪一个。”

比如写文章：

这次更重要的是机制解释，不是情绪共鸣。更重要的是结构清楚，不是金句。更重要的是能泛化，不是只讲个人经历。

比如写简历：

这次更重要的是岗位匹配，不是经历完整。更重要的是可信，不是包装得很满。更重要的是具体证据，不是抽象能力词。

比如做产品方案：

这次更重要的是验证需求，不是功能完整。更重要的是用户路径，不是技术炫技。更重要的是识别风险，不是把方案写漂亮。

标准清楚后，AI 仍然会修改。

但它不再是乱改。

它是在同一套评价坐标里改。

第二件事：反馈前，先判断问题层级

很多时候，我们对 AI 的反馈太粗。

“不对。”“不好。”“再优化一下。”“你确定吗？”“这版不行。”

这些话都能表达不满。

但它们没有告诉 AI：到底哪里出了问题。

是事实错了？
逻辑错了？
目标变了？
约束没遵守？
表达不自然？
输出形式不合适？
还是你只是更喜欢另一个方向？

这些问题的修法完全不同。

如果是事实错了，要查证。
如果是逻辑错了，要重推。
如果是目标变了，要换标准。
如果是约束没遵守，要修边界。
如果只是表达问题，才需要润色。
如果只是审美偏好，不一定要推翻主判断。

所以，当你想 challenge AI 时，不要让它立刻改。

先让它判断反馈层级。

可以这样说：

“我在 challenge 你的输出。请不要立刻修改。先判断我的反馈属于哪一类：

事实错误；
逻辑问题；
目标变化；
评价标准变化；
约束未遵守；
表达问题；
审美偏好；
信息不足。

判断完后，再说明：原答案应该保留、局部修改，还是完全推翻。”

这个动作的意义是：

防止 AI 一听到不满就认错。

也防止它把局部问题当成整体失败。

很多时候，我们不是要它马上给新版本。

我们是要它先判断：

这个反馈到底改变了什么。

第三件事：告诉 AI 不要什么

我们很习惯告诉 AI：

我要什么。

但不太习惯告诉它：

我不要什么。

可是“不要什么”非常重要。

因为开放任务里，错误方向太多了。

你说：“写得更专业。”

AI 可能去堆术语。

你说：“写得更自然。”

AI 可能变得松散。

你说：“结构更清楚。”

AI 可能只是加很多小标题。

你说：“重写一版。”

AI 可能把原本好的东西也删掉。

所以只说目标不够。

还要给负向约束。

也就是明确告诉 AI：

哪些方向不要走。

比如：

不要写得更长。
不要只是润色。
不要加更多概念。
不要全盘推翻。
不要为了显得专业而牺牲可读性。
不要把我的反馈全部塞进去。
不要把一个局部问题改成整体重写。

这会减少很多乱修。

因为 AI 不是不知道努力。

它是不知道哪些努力方向是错的。

负向约束的作用，就是先封掉错误的路。

写代码时，可以说：

不要为了修 bug 重构整个项目。
不要改无关文件。
不要引入新依赖。
不要优化性能，先保证测试通过。

做产品方案时，可以说：

不要先写完整功能列表。
不要假设用户已经有强需求。
不要把商业化放在需求验证之前。
不要用大而全的路线图掩盖核心假设没验证。

做调研时，可以说：

不要只总结观点。
不要混用旧资料和新资料。
不要把没有来源的判断写成事实。
不要只给结论，不说明证据等级。

很多时候，说清楚“不要什么”，比说“更好一点”有效得多。

第四件事：限制 review 的范围

AI self-review 很容易越改越乱。

因为只要你让它 review，它几乎总能找出问题。

可以更短。
可以更深。
可以更自然。
可以更专业。
可以更有结构。
可以更有案例。
可以更像真人。

每一条可能都对。

但不代表都该改。

很多 self-review 失败，不是因为 AI 没找到问题。

而是因为它找到太多问题，而且没有排序。

最后下一版把所有建议都塞进去。

这会让内容更满，但不一定更好。

所以不要直接问：

“帮我 self-review 一下。”

这个问题太宽。

更好的问法是：

“只 review 结构，不要改语气。”“只检查事实和逻辑，不要润色。”“只判断是否符合目标用户，不要重写。”“只找最重要的 2 个问题，不要列一堆。”“如果没有严重问题，请明确说不需要改。”

最后一句很重要。

因为 AI 很容易默认：

既然你让我 review，我就必须找出问题。

但好的 review 不一定要导向修改。

好的 review 是判断：

现在最重要的问题是什么；
这个问题是否值得改；
改了会不会破坏其他东西；
如果不改，风险有多大。

review 不是列问题。

review 是排序和取舍。

结构坏了，就不要先改语气。
目标不清，就不要先补例子。
事实没验证，就不要先打磨表达。
只是局部问题，就不要全盘推翻。

限制 review 范围，本质上是在防止 AI 用“做更多”来假装“做得更好”。

第五件事：保留决策记录

AI 容易摇摆，还有一个原因：

它不一定知道现在应该以哪个版本为准。

你今天说 A。明天说 B。中间又说“其实 A 也有道理”。它可能会把这些都当成有效信息。

最后回答时，随机抓一个方向。

这在长期任务里特别明显。

比如你在做一个产品。

一开始你说目标用户是独立开发者。后来你觉得可能是求职转型的人。再后来你发现这两个方向不应该混在一起。于是你决定：先只验证独立开发者。

如果这个过程没有记录，AI 很容易在后面又把旧判断捡回来。

看起来像记忆好。

其实是版本感差。

所以重要任务里，最好有一个简单的决策记录。

不需要复杂。

可以只有几行：

当前目标：
当前阶段：
已确认判断：
已放弃方向：
待验证问题：
下一步：
不要再重复讨论：

这个文件的作用，不是让 AI 记得更多。

而是让它知道：

现在应该以哪个版本为准。

很多 AI 协作失败，不是因为它完全忘了。

是因为它把旧假设、新判断、过程情绪、临时偏好混在一起。

决策记录是在帮它建立版本感。

第六件事：设置停止规则

开放任务最容易卡在最后一步：

一直改。

一篇文章永远可以更好。
一个标题永远可以再想。
一个产品方案永远可以补风险。
一段代码永远可以继续优化。
一份简历永远可以再打磨。

如果没有停止规则，AI 会一直陪你改下去。

因为它不会天然说：

够了。

所以开始前最好说清：

最多 review 几轮。
每轮只处理什么问题。
什么情况下必须停止。
什么情况下允许推翻。
什么情况下只做局部修正。

比如：

“最多改两轮。第一轮只改结构。第二轮只改表达。除非发现事实错误或逻辑漏洞，否则不要推翻主方向。”

或者：

“如果当前版本已经满足 80% 标准，请不要继续追求完美。只指出发布前必须修的地方。”

停止规则不是偷懒。

它是在防止你和 AI 一起陷入无限优化。

尤其是做产品、内容、求职、学习时，真正的反馈不可能只来自 AI 内部。

你最后还是要发布。要测试。要投递。要让用户看到。要从真实世界拿结果。

AI 的 review 不能替代外部反馈。

所以该停的时候，要停。

一个可以复用的协作协议

如果要把上面压缩成一个通用版本，我会这样写：

“在开始前，请先帮我明确：

这个任务的目标是什么；

成功标准是什么，按优先级排序；

哪些方向不要走；

哪些约束必须遵守；

如果我后面 challenge 你，请先判断我的反馈属于事实、逻辑、目标、标准、约束、表达，还是偏好；

每次 review 只找最重要的 2 个问题；

除非目标、事实或关键标准变化，否则不要全盘推翻；

如果已经达到可用标准，请明确建议停止，而不是继续优化。”

这不是一个万能 prompt。

它更像一个协作协议。

它提醒 AI：

不要只管生成。
先确定目标。
不要只管迎合。
先判断反馈。
不要只管修改。
先确认改哪里。
不要无限优化。
该停的时候要停。

最后

所以，如何管理 AI 的摇摆？

不是靠更凶。
不是靠更多 prompt。
也不是靠反复问“你确定吗”。

而是把协作过程变清楚。

先定义什么叫好。
再说明不要什么。
反馈时先分层。
review 时限制范围。
长期任务里保留决策记录。
开放任务里设置停止规则。

AI 的摇摆，很多时候不是因为它完全没能力。

而是因为它太愿意对齐你。

如果你自己没有稳定标准，它就会跟着你一起漂。

所以更好的 AI 协作，不是把 AI 变成一个永远坚定的人。

而是让人和 AI 共享一套清楚的判断系统。

什么是目标。什么是标准。什么是约束。什么是当前版本。什么情况才允许推翻。什么情况应该停止。

这套东西清楚了，AI 仍然会调整。

但它不会乱调整。

它不是不再变化。

而是开始有依据地变化。

这才是管理 AI 摇摆的关键。