给 AI 的任务总跑偏？先查你的未知量
深度思想，谈 AI 与向往
—— 字节深思圈
你有没有过这种体验：提示词写得很详细，结果还是不对，感觉 AI 总在跑偏。
以前你会怪模型不够聪明。但现在的模型已经强到能执行大多数任务，结果不对，大概率不是模型的锅，是你的指令和现实差得太远。
Anthropic 技术团队的 Thariq 把这个差距拆成了一个框架，叫"地图与领土"。
你给 AI 的提示词、背景、指令，是地图。任务实际发生的地方——代码库、真实约束、现实环境——是领土。地图和领土之间的差距，就是未知量。AI 遇到未知量只能靠猜，猜的质量决定产出质量。
模型越强，你的未知量越贵。这句话值得读两遍。
四类未知量
已知的已知。 写进提示词的内容，AI 能忠实执行。
已知的未知。 你知道问题存在但还没解决：功能边界没想好、方案没定。这类还有机会在开始前解决。
未知的已知。 你有偏好和直觉，但太理所当然不会写出来，只有看到结果才知道对不对。表现是不断说"再调整一下"、感觉还不对——因为你自己也不知道"对"的标准是什么。
未知的未知。 完全没想到的坑。它从一开始就不在你的地图里，等你发现时，通常已经在错误方向走了很远。
优秀的 AI 使用者不一定是提示词写得更好，更多时候是开始之前的未知量更少。这是可以训练的技能，不是天赋。
实施前：多数人完全跳过的一步
很多人拿到任务就开写提示词，干到一半发现不对再返工。前面多花十分钟清未知量，后面能省十个小时。
五个方法，写代码、写文章、做产品决策、剪视频，同一套逻辑：
盲点探测。 针对"不知道要问什么"。直接让 AI 做一次 blindspot pass，同时告诉它你的背景——你是谁、对这个领域了解多少。它知道你的起点，才能找到对你有价值的盲点，而不是列一堆你早就知道的东西。
头脑风暴与原型。 针对"知道要什么但说不清"。让 AI 给几个截然不同的方向，你反馈哪个对、哪个不对。你的反应就是信息。小需求在草图里改是几秒的事，深度实施后再改可能要推翻重来。
AI 反向提问。 针对"知道有模糊地带但不知从哪问起"。把背景给它，让它一次问一个问题，优先问"你的回答会改变整体方向"的问题。你不是在问 AI，是让 AI 采访你——把找问题的活交给对全局看得更清的一方。
给参考物。 针对"描述不出来"。对开发者，最好的参考物是源代码：指向一个实现了你想要行为的库，让 AI 读懂后重新实现。图表、文档、截图都可以，但源码信息最丰富。
实施计划。 让 AI 先拟计划，重点不是计划全貌，是把需要你拍板的决策和它能自己处理的执行分开——前者放最前面（数据结构、接口、文章结构），后者完全交出去。
实施中：维护偏差记录
做得再充分，执行中还是会冒出没预见到的情况。这个阶段的核心不是消除未知量，是遇到未知量时不乱。
让 AI 维护一个偏差记录文件：遇到边缘情况必须偏离计划时，优先选保守的处理方式，在偏差下面记一笔，继续推进，不要停下来等你确认。
解决两个问题：AI 做久了前后不一致；遇小问题就卡住等你指示。有了记录，它能自己往前走，所有决策有迹可循。这份记录还是下次任务的"更好地图"的原材料。
实施后：提案和测验
任务完成，两个收尾动作。
第一，把产出、原型和实施记录打包成一份别人看得懂的文件。这既是让别人理解你做了什么，也是强迫你自己搞清楚你让 AI 做了什么。
第二，让 AI 考考你。先给一份报告，把做了什么、背后的思路写清楚，最后放一个你必须通过的测验。答对了，才说明你真的理解了，而不是扫了一眼。很多情况下我们扫一眼觉得没问题就合并，真要问改了什么、为什么改，根本答不上来。
一个完整例子
Thariq 用 Claude 从零剪完 Fable 的发布视频。他不懂调色，视频出来颜色发闷。他让 Claude 做几个版本挑，做完发现自己还是不知道哪个对——他没有判断标准。这是未知的未知。于是他回到盲点探测，先让 Claude 教他理解调色，建立判断标准，再回来动手。
未知量不是在开始前一次性清完的。它在整个任务里持续出现。每次卡住，先停下来想：我现在是哪类未知量没处理好？
前期便宜的错误，好过后期昂贵的返工。这笔账很好算。
注：框架来自 Thariq Shihipar（Anthropic）公开文章与访谈；文中的浏览数据与项目细节来自视频转述，属原作者观点。