从 Claude Fable 5 指南看顶尖工程师与你使用 AI 的差距

你是不是也经常遇到这种情况？

有个绝佳的点子，交给 AI 后，它一顿猛干，最终得到的结果却让你大失所望。

最难受的不是它做错了。

而是它做得还不错。

只是，

不是你想要的那个东西。

我曾一度怀疑：

是不是我的提示词写得还不够好？

毕竟社区里到处都是复杂的提示词。

配上世界顶级专家的人设、三十年从业经验、几十种专业技能，再加上一整套工作流程。

今年我也写过不少这样的提示词。

它们确实能让输出变得更稳定，却不一定让结果变得更好。

像是给我的想法套上了标准答案的缰绳。

这让我异常沮丧。

问题到底出在哪个环节？

直到最近，我读到 Claude Code 团队写的文章：《A Field Guide to Claude Fable: Finding Your Unknowns》。

我才突然意识到：

或许，问题不在我或 AI 的身上。

从未知的未知到已知的已知

作者在文章里用了一个比喻。

你提供给 AI 的提示词、Skill 和背景资料，是一张地图。

真正需要处理的代码、用户、场景与现实限制，是地图下面的领土。

地图永远不可能完整覆盖领土。

中间缺失的部分，就是未知。

当 AI 遇到一个你没有说明的问题，它只能按照自己的理解替你做决定。

一个决定偏一点，可能看不出问题。

几十个决定叠加在一起，最后就会得到一个“没有做错，但不是我想要的东西”。

文章把这些未知分成了四种。

• 已知的已知，是你知道，也能明确告诉 AI 的信息。
• 已知的未知，是你知道这里还有问题，只是暂时没有答案。
• 未知的已知，是你心里已经存在，却还无法准确表达的判断。
• 未知的未知，是你根本没有意识到，这里还有一个问题。

这不是分类，而是一条路线：

从未知的未知，走向已知的已知。

先发现这里原来还有问题，再把问题一点点说清楚，最后才开始执行。

这也解释了，为什么社区正在从“堆提示词”，转向依赖模型本身的能力。

模型越来越聪明以后，我们不需要再教它每一步怎么做。

但模型能够解决“怎么做”，不代表它知道“要做什么”。

比如你只告诉 AI：

帮我写一篇卖货文案。

无论模型多强，它都不知道：

• 产品真正的卖点是什么；
• 目标客户是谁；
• 用户正在为什么事情苦恼；
• 希望他看完以后产生什么感受，又采取什么行动。

这些信息没有想清楚，让 AI 扮演世界顶级文案大师也没有用。

反过来，只要把这些问题讲清楚，即使没有复杂的角色和技能设定，它也能完成得不错。

真正有用的提示词从来不是越长越好。

它只需要包含那些会改变结果的信息。

差距不在能力

读到这里，你可能会觉得：

顶尖工程师本来就懂得更多，普通人怎么可能和他们相比？

但作者观察到的真正差距，不是他们已经知道所有答案。

而是他们会默认：

这里一定还有我不知道的东西。

普通人拿到一个想法，立即让 AI 开始执行。

顶尖工程师会先调查、提问、做原型，再决定怎样执行。

他们不是没有未知。

只是更早把未知暴露出来。

这让我意识到：

我和顶尖工程师之间的差距，未必是能力。

更多时候，是我对这件事还不够理解。

这反而是一件好事。

能力很难在一夜之间提高。

但理解可以通过提问、观察和反馈，一点点建立起来。

你不需要先成为专家。

只需要先承认：

我现在可能还没有真正想清楚。

先往后退一步

过去，我们习惯向 AI 提问。

但如果我连自己的问题是什么都不知道，直接索要答案没有意义。

这时候，可以让 AI 反过来采访我们。

先用一份问卷，把能够直接表达的信息铺开。

再一次只问一个问题，把那些模糊、矛盾和难以描述的想法慢慢挖出来。

我不需要先准备一份完整的需求。

只需要给它一个模糊的起点。

最后

当我下次再有一个绝佳的点子，我不会立即把它丢给 AI 开干。

我会先退一步。

让它通过问卷和访谈，挖掘我内心里还没有注意到的想法。

真正拉开人与人使用 AI 差距的，不是谁掌握了什么“神秘”咒语。

而是谁能更快把“不知道”，变成“接下来要怎么做”。

彩蛋

非常感谢你能看到这里。

我把这套问卷、访谈和自己常用的思维方法，封装成了一个名为 thinking-methodology 的 Skill，并将它开源。

你可以让自己的 AI 安装试试：

帮我将 yinjiatao/skills 的 thinking-methodology 技能安装到本地并使用。

如果它对你有帮助，那再好不过。

如果它不合你的心意，也请留言告诉我。

让我们一起逐步完善它。