第01章：思维层级——从执行者到决策者
第01章：思维层级——从执行者到决策者
有个同事曾经来找我说，他用DeepSeek写了三个版本的产品方案，每次都觉得AI给的东西缺点什么，改了又改，最后还是自己重新写了一份。花了原来三倍的时间，换了一堆"AI协助过的草稿"。
他问我为什么。
我问他：你给AI的是什么？
他说：我给了产品背景、用户需求，还有竞品分析。
我说：那AI给你的是什么？
他说：给了一份结构不错的方案，但感觉太通用，没有我们这个产品的个性。
这就是问题所在了——他给AI的是材料，AI给他的是通用处理结果。这整个交互里，判断力始终在他这边，但他没有把判断力传递给AI；AI在没有方向的情况下，只能给出最保险的"通用解法"。
这就是执行层和决策层的差别。
两种使用方式的本质差异
执行层（大多数人的用法）：
我有一个任务 → 我描述这个任务 → AI帮我完成这个任务 → 我看结果好不好
这种模式的问题不是AI不够好，是你没有让AI知道"好"的标准是什么。AI只知道你要做什么，不知道你认为什么样的结果是成功的。
决策层（工程师的用法）：
我有一个问题 → 我给AI提供判断依据 → AI参与分析和权衡 → 我基于AI的推理做决定
两种方式的核心差别在一个词：判断依据。
执行层的用户给AI任务，决策层的用户给AI判断依据。判断依据包括：你的目标是什么，成功的标准是什么，你认为的关键限制是什么，你已经排除了哪些选项以及原因。
把这些传递给AI，AI给你的就不再是通用解法，而是在你的具体约束下的定向推理。
三个思维层级
我见过的AI用户大概分成三层：
第一层：任务执行
“帮我写一封邮件/帮我总结一份文件/帮我翻译这段话”
这层用户在用AI替代劳动力。AI确实能做这些，但做得怎么样高度依赖提示词的质量，而这层用户通常没有系统的提示词方法。
第二层：流程辅助
“帮我分析这份数据/帮我梳理这个问题/帮我生成几个选项让我来选”
这层用户开始把AI纳入自己的思考流程，AI参与部分工作，但核心判断还是人来做。
第三层：决策参与
“我要做一个关于X的决策，这里是我已知的信息、已排除的选项、以及我的判断标准，帮我找我可能遗漏的假设和风险”
这层用户让AI成为思考伙伴，AI不只是执行，而是参与决策质量的提升。
本书的目标是帮你从第一层走到第三层。不是每个任务都需要第三层，但知道什么时候用哪个层级，是进阶的核心。
判断依据是核心杠杆
来看同一个任务的三种提示词写法：
第一层写法：
帮我写一份产品方案，产品是企业内部的知识库工具，目标用户是中型企业的IT管理员。
第二层写法：
帮我写一份产品方案，产品是企业内部的知识库工具，目标用户是中型企业的IT管理员。
方案需要包含：产品定位、核心功能、竞争差异化、实施建议。
参考结构：先说问题，再说解法，再说为什么我们的解法比现有方案更好。
第三层写法：
我正在写一份给投资人看的产品方案，产品是企业内部的知识库工具，目标用户是中型企业的IT管理员。
背景：
- 市场现有产品（Notion、飞书知识库、Confluence）都有固定用户群，我们的切入角度是"企业IT管理员自己能配置，不需要IT外包"
- 投资人上次见面的主要疑虑是：这个市场是否足够大，以及我们的差异化是否真的壁垒
我的判断：
- 我认为市场足够大（中型企业500-5000人的IT预算有明确数据支撑）
- 差异化的核心不是功能，是"IT管理员的使用门槛"，这个壁垒在竞品里没有被专门针对过
请帮我：
1. 审查我的判断是否有逻辑漏洞
2. 找出投资人可能追问的3个问题，以及我可以怎么回答
3. 在此基础上，帮我写方案的第一部分（市场定位和差异化描述，约500字）
三种写法得到的AI输出，质量差距不是一个层次的。第三种写法里，AI不是在完成任务，是在配合你做决策——审查你的逻辑，预测潜在的反驳，然后才执行具体的写作。
怎么把判断依据传递给AI
很多人觉得"把判断依据给AI"听起来很抽象，不知道具体说什么。以下是实操框架：
框架1：TACO框架（任务×背景×约束×目标）
任务（Task）：你具体要AI帮你做什么
背景（Context）：这件事的来龙去脉，包括已经知道的、已经排除的
约束（Constraints）：不能怎么做、必须符合什么
目标（Objective）：成功的结果长什么样
不是每次都要把四个都写完，但每次都应该问自己：我传递的判断依据够不够？
框架2：给AI你的"权衡"
当你面对一个有取舍的决策，把你的权衡过程告诉AI：
我在考虑两个方案：
- 方案A：速度快，但质量可能不稳定
- 方案B：质量稳定，但上线要晚3周
我目前倾向于方案A，原因是[你的理由]。
请帮我：
1. 分析方案A的潜在风险，我是否低估了什么
2. 如果方案B有没有办法缩短到延迟只有1周
这是让AI参与你的权衡，而不是让AI替你做决定。
框架3：告诉AI你不想要什么
这个被大多数人忽视，但极其有效。
帮我设计这个功能的交互流程。
不要：
- 给我多个选项让我选（我需要的是一个有依据的建议）
- 参考竞品X的做法（我们已经明确不走那条路）
- 给过于理想化的方案（我们开发资源有限，优先简洁）
限制条件是判断依据的一部分。你的"不要"里包含了大量隐性的专业判断，把它们说出来，AI就不会在那些方向上浪费你的时间。
DeepSeek V4在决策层的特殊能力
DeepSeek V4的1M上下文窗口，在执行层几乎没有用——你不需要1M的上下文来写一封邮件。
但在决策层，1M上下文是真正的游戏规则改变者。
你可以把一整个项目的资料——需求文档、历史会议记录、竞品分析、用户反馈——全部放进一次对话，然后问AI：基于这些材料，你觉得我们现在做的决策是否有依据？哪个假设是最脆弱的？
这是把AI从工具变成真正思考伙伴的关键一步。
V4-Pro的思考模式（reasoning_effort: high）在处理复杂决策问题时有明显优势——它会在给你答案之前展示推理过程，这让你能看到AI是如何权衡的，而不只是接受结论。关于思考模式的详细使用，我们在第三章专门讨论。
进入这一层需要克服的惯性
有个我反复观察到的现象：当人们开始尝试第三层使用方式时，他们很快会放弃，回到第一层。
原因不是第三层太难，是第一层太方便了。打开AI，随手输入任务，马上得到东西，这个反馈速度是让人上瘾的，哪怕那个"东西"质量一般。
第三层的代价是：你需要在给AI提示词之前，先做一些思考——我的判断依据是什么？我的成功标准是什么？我已经排除了什么？
这个额外的思考时间，对于很多任务来说，和你直接用AI执行+反复修改的总时间相比，通常是更少的。但心理上感觉"慢"，因为你在AI回复之前就花了时间。
解法很简单：先接受这个学习成本，专门花2周时间把TACO框架用到你最常做的10类任务里。一旦形成习惯，速度和第一层一样快，但质量不在一个级别。
第01章的三个核心练习
在进入下一章之前，做这三个练习：
练习1：找出你上周用AI最频繁的3个任务，把它们重新用TACO框架改写一遍，看看输出质量有没有变化。
练习2：写下你最近遇到的一个真实决策（工作或生活都行）——不是执行任务，是需要做决定的事。用"判断依据传递框架"把这个决策给DeepSeek V4跑一遍，看看AI能不能发现你遗漏的角度。
练习3：在下一周，遇到任何想用AI的时候，先问自己一个问题：“我要给AI的判断依据是什么？” 如果答不上来，先想清楚再开对话。
如果今天只记一件事：把你的判断依据传递给AI，而不只是传递任务。判断依据是你的目标、成功标准、约束条件，以及你已经排除的选项。有了这些，AI就不是在完成任务，而是在帮你做决策。