人与AI共同思考的工作方法

9.1

以问题与判断标准开始

人与AI协作的第一步，是把任务写成能够判断完成与否的问题。不要从“帮我做一张思维导图”开始，而要从“我要判断酒店客诉为何在夜间积压，需要区分客流、人员与升级规则”开始。前者指定了产品，后者指定了认知任务。只有认知任务清楚，系统才知道应索取哪些资料、保留哪些例外以及采用什么表征。图的形式可以在比较候选后决定。

任务说明至少包含对象、受众、行动目的、可用资料和限制。对课程来说，还应加入学生基础与需要证明的能力。对行业项目，还应加入时间范围、业务指标、数据权限和哪些动作必须人工确认。AI可以把缺失项整理成问题清单，但不应为追求完整而擅自填入事实。无法获得的数据可以标为缺口，无法确认的关系可以标为假设，任务仍然可以在这些边界内前进。

判断标准需要提前明确。比如一张客诉流程图的合格标准是：正常路径可执行、责任明确、证据来源可查、三种异常有出口、学生能解释升级理由。美观只占其中一部分。若直到生成后才决定标准，人很容易被成品外观吸引，从而降低对内容的要求。先定标准，也使不同方案之间的比较更公平。

9.2

先形成多个低成本候选

视觉思维的一项优势，是能够在方案还不昂贵时比较不同结构。AI可以根据同一问题生成一张责任泳道图、一张瓶颈时间图和一张原因假设图。人分别说明它们能回答什么、不能回答什么，再决定下一步。这比过早把一种形式精修到完成状态更适合探索。候选不必都生成完整图片，简短结构草稿就足够判断方向。

比较时应记录放弃理由。例如原因图缺少数据，暂时用于提出调查问题；责任泳道图已有规范依据，适合安排跨部门讨论；时间图需要收集时间戳，暂时不能完成。这样的记录让项目逐步积累知识，而不是只留下最终成品。模型的价值在于扩大候选空间，人的价值在于根据场景与证据缩小空间。两者相互支持，才能避免生成数量替代判断质量。

对学生，可以把候选比较设计成短讨论。每组领取两种图，不立即选择“最好”的，而是解释各自适合哪个问题。随后加入新的条件，例如夜班人手不能增加，要求重新选择。学生会看到形式与目的之间的关系，也能学习承认一个图的局限。AI在此承担对话素材提供者，而非权威答案提供者。

9.3

用解释 修改与反例完成迭代

一次有效迭代至少包含三种活动：解释当前结构，修改一个重要关系，检验一个反例。解释防止只看表面；修改检验是否理解依赖；反例检验适用边界。以RAG流程为例，学生先说明检索资料怎样进入回答，再把“资料冲突”加入流程，最后处理“查到资料但资料已过期”的情形。完成这三步，比单纯把原图换色更能显示理解。

AI反馈可以采用问题而不是直接替换。例如“这一动作是否需要客户身份？”“两个政策日期不同，图中在哪里判断？”“删除审核节点后，什么错误会被放行？”系统不应在每次回答后都自动给出完整正确图，否则学生容易只做接受操作。教师可把反馈分为提示、局部示例和完整解释三个层级，按学生需要逐步开放。

修改还应区分概念变化与版式变化。节点位置调整可能提高可读性，却不一定改变推理；新增授权条件则改变流程含义。学生提交时应分别写出“我改了什么”和“为什么改”。这种记录既有助于评价，也能让AI在后续任务中使用准确的偏好与规则，而不是根据外观推测学生的思考。成熟的协作保留有理由的改变，而不是无限生成。

9.4

形成可交付的推理包

建议最终交付一个相互对应的推理包：问题说明、主要图、数据或来源表、关键假设、替代方案、验证记录和下一步行动。图不能独自承担全部责任，文字也不必重复图中所有节点。两者分工应当清楚：图显示结构，文字解释意义，表保留可比较记录，附录支持复算。这样的组合适合课堂答辩，也适合企业中的跨岗位讨论。

交付还应设定阅读顺序。受众先看到问题和主要结论，再查看关系与证据，需要时进入细节。对不同受众可以保留相同事实结构而改变展开程度，避免为领导、教师与学生各写一份事实不一致的材料。中英文版本也遵循相同原则：共享编号与数据，分别优化表达。视觉思维的成果最终应让别人能够继续思考，而不是只能欣赏作者已经完成的画面。