活让 AI 干砸了？先别骂 AI，你可能有一半的决定根本没做

我最近有个越来越强烈的感受：AI 模型越来越强的当下，能不能做成一件事，越来越不取决于"你会不会做"，而取决于你是否知道这件事存在、或者知道完成它的路径存在。工具的上限一直在涨，卡住你的越来越是你自己的认知边界——你连问都不知道该问什么。

前两天读到一篇文章，把我这个模糊的感受讲成了一套能上手的方法。作者叫 Thariq，就在 Anthropic 做 Claude Code——那个让 AI 直接在你电脑里动手干活的官方工具。他们家刚出了新模型 Fable，他写了篇使用心得，两天 165 万浏览。造工具的人讲自己怎么用工具，这种一手东西不多，我认真消化了一遍，这篇讲给你。原帖链接放在文末。

他开篇的判断就很扎心。他说，Fable 是第一个让他觉得活干得好不好，瓶颈不在 AI 的能力，而在他自己的模型——瓶颈在于他能不能把自己没说清楚的事找出来。

地图不等于真实世界

他用了一个老比喻：地图和真实世界。

你给 AI 的指令、背景、要求，全部加起来是一张地图。而活真正要发生的地方——你的项目、你的代码、你的生意、那些真实的约束——是真实世界。地图和真实世界永远对不上，对不上的那部分，他叫 unknowns，我把它叫盲区：你没交代、AI 也不知道的事。

关键在这：AI 撞上盲区的时候，多数时候不会停下来问你，它会猜——按它理解的"一般人会想要什么"猜一个。活越大，撞上的盲区越多，猜的次数越多，猜错的地方越攒越多。最后你看着成品说"AI 干得不行"，其实一大半是它在替你做你没做的决定。

那把指令写细一点行不行？他说两头都是坑：写太细，AI 会死板照办，哪怕中途明显该拐弯也不拐；写太粗，它按"行业惯例"自由发挥，而惯例往往不是你要的。而且有些盲区你就是要干到一半才撞得见，光靠事前把指令磨到完美是不够的。

所以他的姿势是：把"找盲区"当成贯穿全程的事——开工前找、干活中找、干完后还要找。这个心态上的转变我觉得比任何单个技巧都值钱：你不是在"下指令"，你是在持续缩小地图和真实世界的差距。

盲区不是一种，是四格

他最值钱的一刀，是把"你和这件事的关系"切成了四格。前两格好理解：

• 你知道、也说了的——写进指令里的部分，就是那张地图。
• 你知道自己还没想清楚的——比如"定价我还没定"，你心里有数，早晚会补。

真正要命的是后两格，长得像，药方完全相反：

第三格：你其实知道、但说不出口的。 这些事对你太理所当然了，你从来不会想到写下来——但成品一摆到你面前，你立刻认得："哎不对，我要的不是这样。"典型就是审美和口味。

第四格：你压根不知道存在的。 这一格更深——你连问题都提不出来。你不知道这个领域有什么坑、不知道"好"长什么样、甚至不知道自己该问什么。我开头说的那个感受，说的就是这一格：路径可能一直存在，只是你不知道它存在。

为什么要分清这两格？因为药方是反的。第三格的解法是"让 AI 快速做出来给你挑"——你看到就认得，所以让选项尽快出现在你眼前。第四格的解法是"让 AI 先教你"——你连认都不认得，看再多选项也是白看，只能先补课。文章最后有个真事把这两格的区别演了一遍，一会儿讲。

七个招，连"原话怎么问"一起给你

他给了一套具体打法，而且每一招都附了他真实在用的问法。我把他的原话翻译过来，再把里面的门道拆给你——有几招我顺手翻成了生意场景的版本，你不写代码也能直接用。

开工前

① 盲区扫描。 治第四格的第一招：开工前，直接让 AI 把你的第四格翻出来。他给的原话是这么问的："我要加一个新的登录方式，但这个项目里管登录的那块代码我完全没碰过。帮我做一次盲区扫描（blindspot pass），把我该知道而不知道的事找出来，好让我把活交代得更好。"

注意最后那半句，这是这招的门道：你要的不是答案，是升级你自己提需求的能力。 你明说"我问完是为了把指令下得更好"，AI 给你的就不是百科词条，而是"你这种情况该注意什么"。另一个门道是交代自己：我是谁、我懂什么不懂什么——不给这个，它不知道哪些对你才算盲区。

翻成生意场景一样成立："我想给店里上一套会员体系，但我完全没做过这块。帮我做一次盲区扫描：这件事里有哪些我根本不知道要考虑的东西？讲给我听，好让我把需求提得更清楚。"

② 先做假的，再做真的。 治第三格的主力。别急着动工，先让 AI 造出几个能"看"的东西让你挑。他给了三个问法，各有各的用法：

• 挑方向用的："我要给这堆数据做个看板，但我没什么视觉品味、也不知道能做成什么样。给我做一版网页，里面放四个风格差异极大的设计方向，让我对着它们表态。"——门道在"差异极大"：方向拉得越开，你的口味越容易被激出来。
• 省钱用的："先别接任何真东西，拿假数据做一个页面小样，我要先对布局表态，你再碰真正的系统。"——门道是把"看效果"和"真施工"拆开：改小样是几分钟的事，改到一半的工程是返工。
• 找切入点用的："我的问题很糙：用户注册完没多久就流失。你去把项目翻一遍，给我列 10 个可以下手的地方，从最便宜的到最重的排，我来说哪几个有感觉。"——门道有两个：按成本排序，你天然先看便宜的；"我来说哪几个有感觉"，把品味判断留在自己手里，AI 只负责把选项摆开。

这三个问法有一个共同的骨架：AI 负责把选项造出来摆开，你只负责"看到之后表态"。 你说不出你要什么，但你看到就认得——这一格盲区就该这么治。第三个问法翻成生意场景："老客户复购在掉。给我列 10 个可以下手的地方，从最便宜到最重排好，我挑。"

③ 让 AI 反过来面试你。 脑暴完了心里还是没底？他的问法就一句："一次问我一个问题，把模糊的地方都问出来，优先问那些我的答案会改变整个方案的。"

短短一句藏了两个设计。"一次一个"是防轰炸——AI 一口气甩你二十个问题，你会敷衍着答完，什么都挖不出来；一次一个，你才会真想。"优先问改变方案的"是杠杆排序——问题分两种，答案只影响细节的，和答案会掀桌子的，先问会掀桌子的，最贵的盲区最先暴露。你要做的只是聊之前把背景交代够，它的问题才问得到点上。

④ 说不清就指实物。 有些东西你就是描述不出来——没那个词汇量，或者说清楚要半小时。他的答案：别硬说，给参照物。图、文档都行，但他说最好的参照物是源码——现成的、已经把你要的效果做出来的代码。他的原话大意是："那个文件夹里的库，实现的重试逻辑就是我要的。你去读它，把同样的逻辑在我们这边重新实现一遍——语言不一样没关系。"

门道在"读实现"和"看外观"的差别：他特别提到，让 AI 参考一个你喜欢的网站模块时，它读的是底层代码，不只是截图——结构、逻辑、这东西实际怎么搭的，全拿得到。AI 读实物拿到的细节，比读你的形容词多一个量级。生意场景版："我喜欢某某家官网那个预约流程，你去读它页面的实现，照同样的逻辑给我做一个。"

⑤ 要动工计划，但易变的放最前。 觉得可以动工了，先让 AI 出一份计划给你审。他的问法带一个很聪明的排序要求："写一份实施计划，把我最可能改主意的决策放最前面——数据怎么存、接口长什么样、任何用户会看到的东西；机械性的活沉到最底下，那部分我信你。"

门道是承认一个现实：你的审阅注意力是稀缺资源。 一份计划从头读到尾，读到后半截你已经在扫了。把易变的放前面，你火力最足的时候正好在审最要紧的；把"那部分我信你"说出口，AI 也不用拿一堆细节淹你。生意场景版：让 AI 出活动方案时，"价格、面向客户的话术放最前面，物料和排期沉底，那部分我信你。"

干活中

⑥ 施工日志。 计划审完了，盲区就清零了吗？没有。他说得很直白：不管你计划做得多足，总有盲区潜伏着，AI 干着干着会发现代码里有个边角情况，计划走不通，得绕。他的做法是让 AI 一路记一个"施工日志"文件，原话是："记一个 implementation-notes 文件。如果撞上迫使你偏离计划的情况：选保守的那条路，把偏离记在'偏离'条目下，然后继续干。"

这句话的门道是它提前替 AI 做好了三个决定：撞墙了怎么选（保守）、记在哪（固定条目）、要不要停（不停）。两种最糟的情况——AI 自由发挥不吭声，或者卡住干等你——全被这一句话堵死了。而攒下来的日志就是你的盲区清单：下次干类似的活，开工前读一遍，同一个坑不掉第二次。

干完后

⑦ 考试，考满分才验收。 干完一大轮，AI 做的事往往比你以为的多，光看改动记录只能有个模糊印象。他的问法："我要确保这次改动里发生的每件事我都懂。给我一份报告——背景、直觉、做了什么，讲到我能建立理解为止——最底下出一套关于这次改动的考题，我必须通过。"他自己的规矩是：考满分才合并上线。

门道有两层。报告那半句要的不是流水账，是"背景+直觉"——让你理解为什么，不只是发生了什么。考题那半句是逼你主动回忆：读报告时人人觉得自己懂了，做题才暴露哪里没懂。把"我真的理解了"设成验收门槛，等于承认一件事：不懂就放行的东西，迟早在你看不见的地方爆炸。 生意场景版：让 AI 整理完一堆合同或账目后，"给我讲清楚你改了什么、依据是什么，然后考我，我考过才算完。"

他还提了一个团队向的招：干完后让 AI 把小样、方案、施工日志打包成一份给别人看的说明材料，"演示动图放最前面"。逻辑是审你活的人和你当初有同样的盲区——你把自己趟过的坑摆出来，对方理解快、放行也快。

这套动作背后是一笔账

七个招看着杂，算的其实是同一笔账。他的原话我很喜欢：每一次讲解、脑暴、反向面试、小样、参照物，都是在"花小钱提前发现你不知道的事"——趁它还没变得很贵。

同一个盲区：开工前发现，改一句话的事；做小样时发现，扔掉的是个假页面；干到一半发现，返工；上线之后发现，最贵——那时候它已经是事故了。盲区总量你减不到零，但在哪一站发现它，你能挑。

一个真事：AI 剪的发布视频

最后这个案例值得单独讲，因为它把整套方法串起来了，尤其是四格里最难的那两格。

Fable 这个模型的官方发布视频，全程是用 Claude Code 剪的。Thariq 不是剪辑师，视频对他是陌生领域。

他从自己确定知道的开始：他知道 AI 能用代码处理视频、能把语音转成文字。不确定的地方——转出来的字够不够准、能不能靠它剪掉"呃""嗯"和大段停顿——他不瞎赌，先让 AI 给他讲清楚语音转文字的原理，再判断这条路走不走得通。想要字幕动画跟着他说的话走，不确定做不做得到，就先让 AI 做了个小样试水。每一步都是先花小钱探路，再下重注。

最有意思的是调色。成片看着发闷，他知道这跟"调色"有关，但他根本不懂调色是什么。第一反应是老套路：让 AI 调几个版本出来挑——结果发现这招失灵了。 他自己复盘的原因是：挑选项治的是第三格（看到就认得），而他在调色上连"调得好"长什么样都不认得——这是第四格。于是换招：让 AI 先教他调色是怎么回事，把第四格的盲区变成看得懂的知识，然后才回去干活。

同一个人，同一件事，两格盲区，两副药——分错格，招就白使。

说到底

这篇文章我读完最大的收获，是把开头那个感受落了地：模型越强，能替你干的越多，"你知道什么、你知道自己不知道什么"就越值钱。他结尾的建议也很朴素——长活干回来不对劲，别急着换工具，大概率是你该多花点时间界定盲区，或者该给 AI 一份允许它随机应变的计划。

下个项目开工，第一句话可以就是："帮我找找这件事里，我还不知道的事。"

---

本文消化自：Thariq (@trq212)，A Field Guide to Fable: Finding Your Unknowns，2026-07-03 发于 X。四格框架、七个技巧与全部示例问法均出自原文；中文转译与生意场景的延伸是我的消化。 原帖：https://x.com/trq212/status/2073100352921215386