素材直接丢给AI？难怪产出是废品

前两天我搞到两本电子书。

一本叫《Claude Code 设计指南》，一本叫《Claude Code 与 Codex 的 Harness 设计哲学》。

说实话，光看书名我就已经开始犯困了……

我跳着翻了几页，全是 query.ts、exec_policy、rollout 这种源码级的东西。我一个产品经理，看到这些词的感觉，大概跟普通人看到一份全英文医疗器械说明书差不多，脑子直接进入待机状态。

但我还是硬着头皮往下翻了。

不是因为爱读技术文档。是因为这两本书翻来覆去在讲同一件事，而且这件事，跟每个用AI的人都有关。

它们到底讲了什么，我待会再聊。

先跟你说说我第一次是怎么翻车的。

01先说一个反面教材

我打开 Notebook LM，把两本PDF直接丢了进去。

点生成播客。

等了几十秒，出来了。

我戴上耳机，跟我翻PDF一样，选择跳着听了一下。

。。。

怎么说呢，不是不能听。

是那种「两个AI在念课本」的感觉。什么Thread ID、什么Rollout、什么StateDB Bridge，我自己跳着听了不到三分钟就关掉了。

emmmm，这可是我自己丢进去的素材，结果我自己都听不下去。

我转成文字稿给你们体会下：

这还真不是工具不行。Notebook LM 配 Gemini 3.5 Flash，本身就是个好东西。是我没告诉它，这个东西最终给谁听，应该从什么角度讲。

我直接把素材丢进去，然后坐在那等奇迹。

这就是典型的「没上规矩」。

02回到那两本书

它们反复在讲一句话。

AI 模型不可靠，所以聪明的使用者会主动给它上规矩，而不是把它当万能助手放任自流。

这套方法论，技术圈管它叫 Harness。说实话这个词去年下半年就开始有人提了，Anthropic、OpenAI、Cursor 这些公司陆续在讲 agent harness，到今年这个概念算是正式出圈了。

当时 Hermes 也刚火起来，圈内有个比喻我印象特别深，把 Hermes 比作马，Harness 就是缰绳。

马再强，没有缰绳它就是野马。

我那个废物播客，就是没上缰绳的结果。

03我是怎么「上缰绳」的

关掉那个播客之后，我没有马上重做。

先停了一下，想了想到底差在哪。

然后换了条路。我没有再把书直接丢给 Notebook LM，而是先把两本书喂给了 Claude Opus，直接跟它说，我想做一个个性化的双人语音播客，但不知道应该重点讨论什么内容。我可以把这两份PDF发给你，然后你来帮我决定。

Claude 给了我一版。

坦率的讲，第一版太深了。

它设计的播客主题是「当我们承认大语言模型不可靠时，秩序到底应该坐在系统的哪一层」。我看完就跟它直说了，你这个太深入了，对于日常在职场里用AI提效的人来说，这些架构层的东西完全不相关。有没有更接地气的建议。

然后 Claude 重新调整了方向

不聊 Harness 架构了。改成提炼这两本书里能带走的反常识洞见，把底层原理翻译成「我每天用AI能避开哪些坑、能提高哪些效率」。

期间省略几轮我跟它来回扯皮的过程，最终claude给出来的新的提示词如下：

你还真别说，这回完全不一样了。

我把这套调整后的提示词重新喂给 Notebook LM。生成的播客、PPT、思维导图、闪卡，跟第一次直接丢进去的产物比。

一个天一个地。

我这里把新的思维导图贴出来，大家可以感受下，很贴近普通人用法了。

说到底，同样的素材，同样的工具。唯一的区别是，我有没有先想清楚规矩。

04规矩不是一句提示词

写到这我停下来想了三秒。

因为我突然意识到，我跟 Claude 那一轮来回，它本身就是 Harness。

我没有让AI自由发挥。我先想清楚了我要什么、给谁听、从什么角度，然后把这些规矩告诉AI，让它在这个框里干活。它跑偏了，我拉回来。

我是真的觉得，这个顺序看着简单，拆开看其实有四件事。我按我自己的理解翻译成人话。

第一件事，让AI能连续干活。

不是一问一答就完事了。是设计一个循环，让它一步步往前推。

我跟 Claude 的对话不是一轮就停的，出方案，我反馈，它调整，再出方案，来回好几轮。每一轮的结果都喂给下一轮，这才叫连续工作。

你回想一下你用AI翻车的经历。是不是经常这样，它出了一版你觉得还行但不够好，然后你就将就着用了？第一件事就没做。

第二件事，让AI跑偏了能被纠正。

我发现第一版太深了，马上拉回来。

如果我不拉，它就会沿着「技术哲学」一路狂奔，最后产出一个只有程序员能听懂的播客。你用AI写方案、做PPT也是一样，第一版出来不对劲，你得有意识把它拽回正轨，而不是凑合。

第三件事，让多个工具串成工作流。

我不是只用了一个工具。Claude 负责想策略和生成提示词，Notebook LM 负责生成最终内容。两个工具各司其职，串起来才是完整工作流。

很多人的问题是每个工具单独用，从来没想过怎么让它们打配合。

第四件事，让协作有人管。

谁负责想，谁负责做，谁负责检查。这不是AI自己能安排的，是你设计出来的。

在我这个案例里，Claude 是策略官，Notebook LM 是执行者。而我是产品经理，定方向、做质检、拍板。

说真的，你把自己用AI翻车的经历往回倒一下，是不是都能归到这四件事的某一环上。

直接丢个文档让AI总结，没告诉它给谁看、重点是什么。第一件事没做。

AI写了一版你觉得不对劲，但你没反馈，直接用了。第二件事没做。

每个工具单独用，从来没想过串起来。第三件事没做。

所有事情指望一个AI一次性搞定，没有分工。第四件事没做。

05下次动手前，先想30秒

不是列清单。就是脑子里过一下。

这个东西最终给谁用。你希望它从什么角度切入。它如果跑偏了，你怎么拉回来。

想清楚这三件事再动手。你会发现AI的产出质量有一个肉眼可见的跳跃。

不是AI变聪明了。

是你给它上了规矩。

06写在最后

那两本技术书里有一段话，我看到的时候真的停了好几秒。

我们总觉得AI越自由越好，给它越多空间它越能发挥。

但这两本书的结论刚好反过来。越是强大的工具，越需要明确的边界。

马的能力再强，没有缰绳它就是野马。你不是不信任它，你是知道它会跑偏，所以才主动给它上缰绳。

先想规矩，再让AI干活。这个顺序，比你用什么模型、装什么插件都重要。

试试看。