指令明明寫得很詳細，AI 的結果還是不對。問題通常不在提示詞技巧，也不在模型不夠聰明，而在你沒意識到自己缺了哪些資訊。這一頁把「AI 總是跑偏」這個模糊的感受，整理成一個可以系統性診斷、系統性處理的問題。
把每一次與 AI 的協作拆成三個東西：
你給 AI 的一切：指令、背景、範例、限制條件。這是 AI 眼中的世界。
任務實際發生的地方：真實的程式庫、真實的限制、真實的環境與受眾。
地圖與領土之間的差距。AI 遇到差距只能猜，而猜的品質，決定產出的品質。
這不是新問題，但有一件事正在變：以前結果不對，你會怪模型不夠好；現在的模型已經強到足以執行大多數任務，結果不對，多半是因為你的地圖和領土差得太遠。
開始一個任務之前，所有可能的未知量可以分成四類。前兩類好處理，後兩類才是大多數失敗的來源。
你明確寫進指令裡的內容。AI 能忠實執行。
你知道自己還沒想清楚的問題：「功能邊界還沒定」「不確定哪個方案合適」。
你其實知道、但太理所當然而不會寫出來的東西——偏好、直覺、品味。
完全不在你地圖上的坑。你不知道它存在，所以不會想到要提前處理。
善用 AI 的人，不一定是提示詞寫得更好，更多時候是他們開始之前的未知量更少。這是可以訓練的技能，不是天賦。
整個流程分成實施前、實施中、實施後。最重要的是實施前——也是多數人完全跳過的階段：拿到任務就開始下指令，做到一半發現不對再返工。前面多花十分鐘清未知量，後面常常省下十小時的重做。
五種方法，底層邏輯通用：寫程式、寫文章、做產品決策、剪影片，都是同一套思路。依你卡住的類型選用。
直接請 AI 幫你找盲點。關鍵是同時告訴它你的背景——你是誰、對這個領域了解多少——它才能找出對你有價值的盲點，而不是講一堆你早就知道的東西。
與其讓 AI 猜你的意思，不如讓它給出幾個截然不同的方向，你來反應哪個對、哪個不對。你的反應就是資訊。一個需求在草圖階段改是幾秒的事，深度實施後再改可能要整個推翻。遇到「不確定做不做得到」的事也一樣：先花幾分鐘做原型驗證可行性，不要直接投入完整版本。
把提問的角色交給 AI：給它任務背景，讓它來採訪你。記得給一個排序標準——優先問那些你的答案會改變整體方向的問題——否則它可能把時間花在無關緊要的細節上。很多時候你自己想不清楚問題在哪，但被一問，馬上就知道自己要什麼。
直接給 AI 一個參考物：一段實現了你想要行為的原始碼、一篇你想學其風格的文章、一個交互做得恰到好處的網站。對開發者來說原始碼的資訊最豐富；圖表、文件、截圖也都可以。指給它看，比你用語言描述快得多，AI 拿到的資訊也準確得多。
先讓 AI 擬一份實施計畫，重點不在計畫的全貌，而在把「需要你拍板的決策」和「AI 可以自己處理的執行」分開：前者放最前面，後者完全交出去。這樣 AI 在動手前，先把它自己也不確定的東西顯式化，讓你在成本最低的階段確認最後剩下的未知量——你只需要看決策點，不用審每個細節。
實施前做得再充分，執行中還是會冒出沒預見的情況。這個階段的核心不是消除未知量，而是遇到未知量時不亂。
讓 AI 維護一份臨時的偏差記錄（deviation log）：遇到邊緣情況時，不要停下來等你確認——先選保守的處理方式，記下這個決策，繼續推進。這解決了兩個常見問題：AI 做著做著前後不一致，或遇到一點小事就卡住等指示。所有決策都有跡可循，這份記錄也會成為你下次任務「更好的地圖」的原材料。
任務完成不等於工作結束，還有兩步。
提案與說明。把產出、原型和實施記錄打包成一份別人看得懂的文件。這不只是讓別人理解你做了什麼，也是在強迫你自己搞清楚你讓 AI 做了什麼。審閱者往往和你當初有同樣的未知量——提前在文件裡回答掉，審閱和獲批都會快很多。
測驗。在重要產出落地前，讓 AI 先出題考你，通過了再確認。邏輯很簡單：很多時候我們讓 AI 改了一堆東西，掃一眼覺得沒問題就過了，但真要問你改了什麼、為什麼這麼改，根本答不上來——之後出問題你連從哪查起都不知道。測驗是消化機制，不是信任問題。
這個框架真正的價值，是把「AI 跑偏」從模糊的感受變成可診斷的問題。以前結果不對，你會重寫提示詞、換個模型、或乾脆自己做；現在你有清晰的診斷起點——到底是哪一類未知量沒處理好？不同的診斷，對應不同的處理。
框架原作者的親身案例：一個完全沒有影片剪輯經驗的人，用 AI 獨立完成了一支正式產品發布影片的剪輯。過程正好走了一遍整個框架：
這個過程說明一件重要的事：未知量不是開始前一次清完的，它在整個任務裡持續出現。每次卡住，做的都是同一件事——先停下來想：我現在是哪類未知量沒處理好？再動手。