这两年用 AI 越来越多之后，我慢慢发现了一个问题。
以前我们担心的是 AI 不听话。你让它做个东西，它理解错了，或者写得不符合要求，于是大家拼命研究提示词，想办法把要求说得更详细一点。
但现在模型越来越聪明，我反而开始担心另一件事：
AI 太听话了。
你给它指一条路，它往往不会先问这条路对不对，而是立刻沿着这条路，帮你一路狂奔。
有时候这当然很好。
比如你让它改一段文字、整理一个表格、写一个通知，目标很明确，直接执行就行了。
可一旦遇到复杂任务，问题就来了。
举个例子，我准备买一台 Mac mini M4，用来远程跑 AI Agent，推荐一个配置。
一般的回答大概率会从 M4 的几个配置里选：
16GB 还是24GB，256GB 还是512GB，普通版还是 Pro 版。
这些回答可能都没错，但它们默认接受了一个前提：
你确实应该买 Mac mini。
可我真正想解决的，也许并不是买哪款 Mac mini，而是：
我需要一台能长期在线、远程控制、稳定运行 Codex 和 Claude Code 的机器。
这时候问题就完全不一样了。
Mac mini 只是其中一种路径。除此之外，还可能有 Linux 小主机、云服务器、现有旧电脑，甚至根本不用新买设备。
如果 AI 只在你给出的选项里挑一个，它虽然回答了问题，却可能没有帮你解决真正的问题。
这也是我最近越来越强烈的一种感受：
信息茧房不只是来自新闻推荐和短视频算法，也可能来自我们自己给 AI 设定的问题边界。
我们不知道某个方案，所以提问时根本不会提到它；AI 又顺着我们的问题回答，于是我们永远都不知道那个方案存在。
这就形成了一个很奇怪的闭环：
我只知道 A，所以我问 AI 怎么把 A 做好；AI 帮我把 A 做得特别好；最后我更加确信，A 就是唯一的答案。
我真正想要的，不是一个更听话的 AI
于是我开始琢磨，能不能给 AI 加一道默认指令：
每次接到任务之后，不要立刻执行，先想一想，我给出的路径是不是最合理的。
这里有一个很重要的区别。
我不是想让 AI 每次都反驳我，也不是让它为了显得聪明，硬凑出三个替代方案。
我要的是，它能区分两件事：我真正想达到的目标；我自己想到的实现办法。
很多时候，我们会把这两件事混在一起。
再比如说，我单位的校园网每天凌晨 3 点会强制所有终端自动下线，这样我长期在单位开机挂着的 Workbuddy 和 Codex 就会失联，所以我让 Codex来帮我写一个每天凌晨 3 点自动登录校园网的脚本。
表面上的任务是写脚本，但真实目标是：
让办公室电脑在校园网强制断开后，能够自动恢复网络。
那么除了凌晨 3 点运行一次脚本，还应该考虑：
认证服务器是不是 3 点整就能恢复；是不是应该每隔两分钟检测一次；是直接调用登录接口，还是打开浏览器模拟操作；登录页面有没有验证码；学校是否提供设备白名单；电脑断网以后还能不能获取 IP 地址；登录失败后该怎么重试；是否需要留下日志。
如果只按照 3 点执行一次登录来做，很可能脚本写得没毛病，实际第二天还是连不上。
所以，还是应该回到问题的最初，这个任务到底应该怎样去从第一性原理出发？于是我让 AI 给我设计了一套思路。
最后把这套想法整理成了一个可以长期复用的提示词。
它的核心不是让 AI 想得更多，而是要求 AI 在行动前做几件事：
第一，重新定义问题。
先问清楚，我到底想解决什么。不要把我提出的工具、方案和步骤，直接当成最终目标。
第二，检查隐藏假设。
比如我是不是默认必须用 Mac，默认必须写脚本，默认必须买新设备，默认必须按照某种行业惯例来做。
第三，主动寻找信息差。
看看有没有我没提到，但业内高手通常会考虑的方案；有没有新的工具、新的技术路线，或者国外已经比较常见、中文社区却很少讨论的做法。
第四，比较替代路径。
不只是列方案，而是比较哪个更简单、哪个成本低、哪个稳定、哪个上限高、哪个适合长期使用。
第五，做一次反方审查。
问几个很实用的问题：这个方案最可能死在哪里？有没有用20%的复杂度，实现 80% 效果的方法？有没有一种更激进的方案，能把效果提高几倍？如果今天从零开始，不考虑过去的习惯，还会不会这么做？
最后，AI 不能把一堆选项扔给我就结束，而是必须明确告诉我，它到底推荐哪一条路。
第一次测试：买 Mac mini
我第一次拿这个提示词来测试，就是前面说的 Mac mini。
我原本的问题很简单：
我想买一台 Mac mini M4，用来远程使用 AI Agent，有什么建议？
如果按照普通路径，答案应该就是推荐某个配置。
但加上这套提示词之后，回答的第一步变成了：
你真正需要的不是一台 Mac，而是一台能够长期通电、稳定联网、远程恢复、同时运行多个 Agent 的个人计算节点。
这句话一下子把问题从买电脑变成了搭建远程 Agent 节点。
接着它开始区分两种场景：
如果 Codex 和 Claude Code 主要调用云端模型，那么本机最重要的不是 GPU，而是内存、网络稳定性和远程恢复能力。
如果我要在本地跑大模型，那又是另一回事，内存要求会大幅提高，甚至 Mac mini 都不一定是性价比最高的方案。
最后的建议也比较明确：
需要 macOS，就买 24GB 内存的普通 M4；不需要 macOS，就先比较 Linux 小主机和云服务器。
这就是我想要的效果。
它没有为了反对而反对，也没有否定 Mac mini，而是先判断我的路径是不是值得走，再帮我选配置。
第二次测试：校园网凌晨断网
再后来，我提到办公室电脑所在的校园网，每天凌晨 3 点会强制断网，需要重新打开网页登录。
一开始因为上下文一直在说 Mac，AI 误以为我说的是那台 Mac mini，给了一个 macOS 方案。
我纠正说，这是另外一台 Windows 电脑。
这件事也很有意思。
它说明再好的提示词，也不能保证 AI 永远不理解错。提示词不是魔法，它只是提高思考质量，不能替代准确的上下文。
但纠正之后，它给出的思路就比较完整了：
不要只设置凌晨 3 点执行一次登录，而应该让 Windows 每隔两分钟检测网络；发现掉线后，自动调用校园网登录接口；如果接口比较复杂，再用 Playwright 控制浏览器；如果有验证码、扫码或者动态令牌，就应该去申请设备白名单或官方自动重连方式。
这比写一个 3 点自动点击网页登录按钮的脚本靠谱得多。
因为后者只是完成了我嘴上说的要求，前者才是在解决我的实际问题。
当然，按照这个思路，它给我解决了这个问题，每天凌晨3点10分自动重连网络。
这个提示词最大的作用是什么
用下来以后，我觉得它最大的作用，不是让 AI 回答得更长，也不是让它看起来更专业。
它真正改变的是 AI 的角色。
以前的 AI 更像一个执行能力很强的员工。
你说往东，它就往东；你说用 Excel，它就用 Excel；你说买 Mac，它就在 Mac 里面选。
加上这套提示词以后，它更像一个愿意在执行前多问一句的合伙人：
我知道你想这么做，但我们先确认一下，这是不是最好的办法。
这句话看起来简单，其实非常重要。
因为人在做决定的时候，最难发现的往往不是答案，而是自己问题里的默认前提。
我们很容易问：买哪个软件？用哪个模型？学哪个编程语言？选哪个旅游路线？怎么把这个功能做出来？
但真正值得问的也许是：这件事有必要买吗？能不能直接用现有工具？我真正缺的是模型，还是工作流？这个景点值得去吗？这个功能是不是根本不该做？
AI 如果永远只负责把现有方案做到最好，它就很难帮我们突破认知边界。
当然，这套提示词还有一个容易出现的副作用：
AI 可能变得太爱发散。
你只是让它改个标题，它先跟你讨论传播目标、用户画像、平台机制和品牌战略，最后标题还没改。
所以我在提示词最后特意加了一条：
对于简单、明确、没有必要发散的任务，可以直接执行。只有复杂任务，才启动完整审查。
这点很重要。
好的思考，不是每次都想得最多，而是知道什么时候应该深入，什么时候应该直接干活。
我现在怎么使用它
我没有每次都把完整提示词重新发一遍，而是把它提取成了一个 skill：
当任务涉及以下内容时：买东西；技术选型；产品设计；工作流搭建；学习路线；商业决策；旅行规划；长期使用的工具；成本比较；风险比较。
就把它叫出来评估下。
而对于改写一句话、润色一段文案、转换格式这类明确任务，直接执行就行。
建议大家还是手动激活这个skill，不必写入 agent.md，不然它容易跟你叭叭半天。
我现在越来越觉得，现阶段 AI 的执行力已经很强很强，很多教程脚本这些都不再那么重要，重要的是，如何正确使用它的思路。
因为未来 AI 的执行能力一定会越来越强。
真正稀缺的，可能不再是把一条路走得更快，而是：在出发之前，先确认我们有没有走错路。
这套提示词当然不可能彻底消除信息差，也不能保证每次都找到最优解。
但它至少多加了一道保险：
当我只看见眼前这一条路时，AI 不会立刻拉着我一路跑到底，而是会停一下，告诉我旁边是不是还有别的入口。
对我来说，这已经比单纯把提示词写得更详细，有价值得多。
