The Mental Models I Use to Work with AI
9 days ago
- #Productivity
- #Creative Workflow
- #AI Mental Models
- 通过让初始提示中的隐含假设明确化，以投资于前期对齐，避免出现意外的AI输出。
- 当初始输出偏离预期时，重新开始并提供更好的背景信息，而不是试图引导AI；避免通过路径依赖加剧错误。
- 为你使用的工具（CLI、MCP、浏览器控制等）配备AI代理，以处理设置、测试和仪器化任务。
- 将早期不良的AI输出视为品味信号，有助于定义创意方向，而不仅仅是失败。
- 使用视觉参考而非冗长的文字提示来更有效地引导视觉输出。
- 建立一个数字参考库来映射你的品味，并为AI提供原始材料，以避免产生通用结果。
- 应用设计原则，引导模型远离平庸，保持独特且有个性的输出。
- 使用不同LLM进行对抗性审查，以压力测试输出，并减少审查过程中的人力瓶颈。
- 大胆思考超越MVP本能，因为低成本执行允许更大、更具创新性的项目。
- 为AI提供验证自身输出的工具（例如浏览器、测试框架），以创建内部反馈循环。
- 将AI错误中的教训编码到记忆系统（如AGENTS.md）中，以防止重复错误。
- 认识到LLM反映的是共识而非判断；你自己的品味和背景对于差异化至关重要。
- 关注清晰的方向和背景，而非精确的措辞；系统比提示语法更重要。
- 对你缺乏专业知识的领域中令人印象深刻的AI输出保持怀疑，需验证以避免错误信息。
- 理解AI安全致命的三大要素：结合私人数据、不受信任的内容和外部通信会增加数据泄露风险。
- 随着执行变得商品化，优先考虑方向而非执行；方向上的错误成本更高。
- 将SaaS AI工具重新定义为同事而非仅仅是工具，解释向基于聊天的界面的转变。
- 将关于AI的激烈辩论视为信仰体系（如宗教），而非基于证据的论证。
- 将AI能力差距带来的挫败感视为新产品和工作流程的机会。
- 通过评估一个聪明人使用LLM是否能轻松复制，来判断SaaS想法的可行性；通过品牌、分销等方面实现差异化。