与AI协同：过松过紧都不对

让 AI 来写方案，只给了大方向却没有明确细节——生成的内容往往空泛笼统，你觉得不满意，AI 也无从施展。

而如果你把步骤、格式、清单都交代得过于细致——AI 的表现又会变得僵硬刻板，创造力几乎被压没，你费尽心力，效果甚至不如亲自完成。

这两类问题，其实都非常普遍。表面上看彼此相反，本质上却出自同一个原因：对 AI 能做什么、不能做什么，判断出现了偏差。

人的思考方式更像因果链条，强调可控、可解释、可复用。AI 的运作方式则更接近概率分布，长于联想、重组和突破既有框架。

当两种模式正面相遇：如果完全放手，概率会不断发散而失去中心；如果完全管控，概率又会迅速收缩而丧失智能表现。

这正是「宽严皆误」的核心——并非方法技巧出了问题，而是认知位置没有对齐。

想真正摆脱这种困局，可以采用三层协作框架：

第一层：原则锚定（严） 由人来明确「为什么要做」「边界在哪里」——包括目标、限制和不可退让的条件。这一层必须严格，但只定原则，不定路线。

第二层：弹性探索（宽） 由 AI 主导方案构思、路径判断和风险预估。这一层要给予足够空间，让它的概率优势真正发挥出来。

第三层：闭环校验（严宽动态） AI 给出结果 → 人类进行判断 → 再反馈迭代。校验的重点不是每个步骤，而是关键节点上的有效确认。

替代「太宽」

✗ 「帮我设计一个 RAG 系统」

✓ 「目标：提高技术问答准确率（核心指标 > 85%）；约束：必须采用开源向量库，延迟 < 500ms；请提供 3 种方案，并标明风险和适用场景」

→ 用目标 + 约束替换空洞指令，既保留自由度，也不至于跑偏。

替代「太严」

✗ 「第一步查 MySQL，第二步调 Redis，第三步……」

✓ 「核心逻辑：先查缓存，未命中再查数据库；请结合数据热度特征设计缓存策略，写出关键伪代码并说明取舍点」

→ 用意图 + 校验点替代步骤罗列，确保方向明确，同时不给路径设限。

前期探索 →适当放宽，鼓励发散，尽量收集可能性 中期收敛 →适当收紧，集中验证，减少噪声 后期交付 →更加严格，保障质量，压住风险

「我刚刚给出的指令，到底是在激活 AI 的智能，还是只是在消耗它的算力？」 前一种会形成认知杠杆，后一种不过是机械式重复。

真正好的 AI 协作，更像是在带一个聪明但尚欠经验的伙伴：不是把每一步都替他规定好，也不是仅仅丢下一句「你自己看着办」，而是告诉他——

「我们的目标，是翻过前面那座山。左侧有悬崖，绝不能走，其他路线你都可以尝试。每到一个路口，把你的判断依据告诉我。」

原则是锚，弹性是帆。 只有两者同时作用，才能走得稳，也走得远。