《人工智能一本通》

第 1 册第 1 章先把“智能”说清楚

七种心智活动（p.10）：作者说，一个词没有公认的意思就只是一串字符，所以先定义“智能”。它由七种心智活动组成：学习（获取并处理新信息）、推理、理解（思考加工的结果）、把握真理（判断信息是否有效）、看出关系、考虑意义（把真理用到具体情境）、区分事实与信念。计算机能模拟一套“设定目标—评估已知—收集新信息—整理—判断真假—检查目标是否达成—修改目标—重复”的流程，但它是用纯数学、机械地加工数据，“什么都无法理解”，也难以分辨真假；没有一台计算机能完整做到上面任何一种心智活动（p.10—11）。

八种智能，AI 能模拟几种（p.11—13）：作者借用哈佛心理学家加德纳的“多元智能”理论，逐项评估 AI 的潜力：

• 逻辑数学：高，可能高于人。电脑在电视竞赛节目里赢了人，你看到的只是八种智能中的这一种；“只凭一个领域评判人和计算机谁更聪明，不是好主意。”
• 身体动觉：中到高。机器人做重复动作常比人精确，但不够灵巧。
• 视觉空间：中。机器人都需要，但很难做好，扫地机器人多半靠“撞”而不是靠聪明地走。
• 人际：低到中。计算机靠关键词回答问题，不是靠理解问题。
• 语言：低。很容易设计出让聊天机器人胡说的测试。
• 创造、内省（认识自己内心）、自然观察（辨识环境，比如知道哪个果子能吃）：都是无。AI 能组合已有的思维模式，看似新颖，其实只是已有模式的数学版本；真正的创造需要自我意识。

四种定义 AI 的思路（p.13—16）：像人一样行动（图灵测试：机器与人分不出来就算通过）、像人一样思考（先要弄清人怎么想，靠内省、心理测试、脑成像，结果“至多是实验性的”）、理性地思考、理性地行动。作者用莱特兄弟作比：他们没有照搬鸟的飞法，而是从鸟身上得到启发去研究空气动力学，目标都是飞，方法不同（p.14）。他还举了开车的例子：理性的开法是永远守法，但交通本身不理性，完全守法反而会被困住，所以自动驾驶车必须“像人”而不是“理性”地行动（p.16）。

四类 AI（p.17—18）：作者认为“强 AI、弱 AI”二分法不够用，更好的是 Arend Hintze 的分法：反应式机器（没有记忆，每次重新计算，如下棋机器）；有限记忆（自动驾驶车用少量经验记忆缩短反应时间）；心智理论（能推测环境中其他主体的目标，尚未商用，自动驾驶要真正自主必须达到这一级）；自我意识（电影里的那种，“现在连一点可能都没有”）。

看穿炒作（p.20—22）：

• 电影《她》《机械姬》让人以为 AI 已经很先进，其实它“还在婴儿期”。
• “奇点”（计算机智能超过人类）需要一种能统一机器学习五大学派的“终极算法”，五派各有方法：符号派用逆向演绎、联结派用反向传播、进化派用遗传编程、贝叶斯派用概率推断、类比派用核机器。华盛顿大学的 Pedro Domingos 等人在努力，但目标“还很远”。作者原话：“任何说 AI 将接管世界或优于人类的传言都是完全错误的。”
• 炒作的来源：不懂 AI 的媒体人；现在许多新闻本身就由 AI 写成，错误被反复循环；产品上市前测试不足；问错了人——问生物学家 AI 的未来，“就像请牙医做脑外科手术”。
• 用户高估 AI 的例子：加拿大有特斯拉车主在车速 90 英里时在车里睡觉；也有人以为扫地机器人插上电就再也不用管。作者的结论：大多数机器人最终都需要人介入，因为它们缺乏单独行事的知识。

问题在于 AI 其实还在婴儿期，电影里那种应用不过是过度活跃的想象力的创作。

The problem is that AI is actually in its infancy, and any sort of application such as those shown in the movies is the creative output of an overactive imagination.

p.20

AI 早就在身边（p.19—20）：好到你察觉不到的 AI 才是常态：信用卡公司发现陌生的消费模式打电话向你确认、医院按病情和专家空闲排病房、客服照脚本处理大部分问题。“AI 效应”（Pamela McCorduck 在 1979 年的《Machines Who Think》里命名）说的就是这个：成功的程序一旦常见就不再被叫作 AI，GPS 路线规划、飞机自动驾驶、会提醒你车库门没关的智能车库门都是如此（p.48）。

第 1 册第 2 章数据：原料，也是“工匠”

数据的地位变了（p.26—29）：数据本身不新，新的是数量。“大数据”指规模和复杂度大到靠加存储、加算力都处理不了的数据。数据分两类：结构化数据（清楚知道每一项放在哪，如表格）和非结构化数据（图像、视频、录音，知道大概内容却不知道怎样排列），大数据革命中的数据多半是后者。随着 AI 从人写规则转向神经网络和深度学习，数据从“被预设算法处理的原料”变成了“塑造算法的工匠”：更多数据，就是更多智能。

数据要可靠，也要合乎伦理（p.31—35）：

• 人录入必然出错，多数用户也不读规则。例如表单里填“堪萨斯州”，会有人写全称、拼错，各家机构的缩写也不一样（美联社 Kan.、政府印刷局 Kans.、邮政 KS），解决办法是下拉列表、交叉核对、范围检查（不能买负数块肥皂）。
• 自动采集更一致，但更容易出现“软故障”：系统看着在正常运行，却没给出想要的结果，它不像人那样能察觉出了问题。
• 合乎伦理地采集：网上的东西“一律视为受版权保护”；要取得许可；去掉姓名、住址、电话，照片模糊人脸；用户不愿给性别年龄时别去猜；“统计适用于群体，不适用于个人”（p.35）。

数据的五种失真（p.37—41）：计算机分不清真假数据，它只看到数据；人会利用失真去推断真相。作者以车祸为例：

• 主动造假：谎称被阳光晃眼，其实在想晚饭。
• 遗漏：如实说了路湿、黄昏、鹿突然窜出，却没说自己在发短信。这几乎无法避免。
• 视角：司机、被撞的行人、旁观者看到的各不相同。人能靠直觉逼近真相，AI 只会取平均，所以作者认为这是最危险的一种。他还举了 1927 年影院改放有声片：对多数人是好事，对聋人却是坏事——“对所有人都成立的普遍真理是个神话，它不存在”（p.40）。
• 偏见：能看见却没看见，比如只盯着路中间。人靠“过滤”避免信息过载，过滤本身就产生偏见。
• 参照系：缺乏相关经验导致误解。AI 不能“经历”，知识库里有事实，却没有经验带来的结论。

计算机分不清真实和不真实的数据，它看到的只是数据。

A computer can’t tell the difference between truthful and untruthful data — all it sees is data.

p.37

先想清楚问什么（p.41—44）：有些组织对采集数据“上瘾”，以为收得最多就赢。作者引《银河系漫游指南》：超级计算机算出“生命、宇宙及一切”的答案是 42，可没人知道问题是什么。开店的例子：要问每天多少人路过、多少人停下看橱窗、哪种陈列让人进店购物，每个问题都要核实是否真的满足需求。数据还会被故意弄偏：政治两派用同一数据集挑记录得出相反结论；美国的累犯预测软件 COMPAS 被批评问题太多；招聘算法往往放大组织和社会已有的偏见。

第 1 册第 3—4 章算法和硬件

算法是人的智慧（p.48—62）：算法是一系列操作步骤，通常能在有限时间内找到解，或告诉你无解，里面嵌着发明者的智能。AI 能模拟人去执行算法，但目前不能模仿人发明新算法的创造力。几个要点：

• 状态空间搜索：把所有可能的未来层层展开，在其中找通往目标的路，常用“广度优先”（一圈圈往外探）和“深度优先”（沿一条路走到底再回头）。
• 启发式（不求最优、追求“够好且够快”的经验法则）：像迷路时路人给你指个大概方向。扫地机器人 Roomba 起初只是随机乱走，主人却觉得它聪明、扫得好——“智能其实在于用随机去解决一个本来过于复杂的问题”（p.56）。
• 专家系统（靠人写的“如果……就……”规则做决策）：1970 年代斯坦福的 MYCIN 用 500 多条规则诊断细菌感染、推荐抗生素，达到有经验医生的准确率，本质上是“把知识外化到机器里”（p.59）。它在 1980 年代末式微：规则表达力有限，复杂问题上系统过于庞杂，而数据越来越多，与其费力访谈专家，不如从数据里学。今天它仍用于信用评分、欺诈检测这些需要说清决策规则的地方。
• 机器学习（让计算机从数据中学，而不是照人写好的规则做）：处理的是“人说不清步骤、却天生会做”的问题，比如认人脸、听懂话（p.62）。
• AlphaGo（DeepMind 的围棋程序）用三招击败顶尖棋手：只建部分状态空间的随机试走、用深度学习“一眼”看棋盘、学习人类棋谱并自我对弈；AlphaGo Zero 完全不用人类棋谱（p.62—63）。

为什么 AI 需要专门的芯片（p.65—79）：普通电脑沿用冯·诺依曼结构，处理器经一条公共通道（总线）取指令和数据，一次只能取一样，这就是“冯·诺依曼瓶颈”。图形处理器（GPU）原本为快速出图设计，有成百上千个核心，擅长 AI 需要的大规模并行计算：2011 年 Google 让 AI 看 YouTube 视频学会认猫用了 2,000 个 CPU，后来斯坦福的吴恩达等人只用 12 块 GPU 就复现了（p.71）。此外还有专为神经网络设计的芯片、模仿大脑神经结构的“类脑”芯片、量子处理器，作者提醒对新处理器的消息要打折扣。

AI 要和世界打交道（p.76—79）：AI 要模拟人的智能，需要像人一样的感官输入；有时人们又需要它有超人的感官，比如夜间用红外线。智能音箱靠多个麦克风营造“听懂”的假象，其实什么也不理解。作者的结论：“一个封闭自足、从不与环境互动的 AI 是没用的”；你也许永远不会和真正听懂你说话的 AI 打交道，却可能依赖一个帮你维持生命、或至少让生活更好过的 AI（p.78—79）。

第 1 册第 5 章从机器学习到大语言模型

四个常被混用的词（p.82）：

• AI：用计算机和数据解决问题的总称。
• 机器学习：不靠明确指令也能学习和适应的系统。
• 深度学习：基于多层“人工神经网络”的机器学习，“深”指层数多，不是更深奥。
• 生成式 AI：根据训练数据生成新内容。1960 年代的聊天程序 ELIZA 就算一种，近年靠深度学习，质量才高到“不只是新奇玩意”。

神经网络怎样学（p.82—87）：神经网络由一层层“人工神经元”组成：输入层把数据整理成统一格式（一张 56×56 像素的彩色图，要输入 9,408 个数），中间的“隐藏层”提取颜色、形状、纹理等特征，输出层给出结果，比如“是不是热狗”。给它看几千张热狗和非热狗的图，它会归纳出“浅色面包夹着深色圆柱体”之类的特征。神经元之间连接的强弱叫“权重”，从数据中学到的权重合称“参数”，参数越多，能学的规律越复杂。难处有三：算力昂贵；“过拟合”（把训练题背得太熟，遇到新数据就不行）；参数太多，人很难弄明白它怎样得出预测。

让计算机懂人话（p.87—93）：自然语言处理（NLP，让计算机理解和生成人类语言的技术）起初靠人写规则，1950 年代以为几年就能解决机器翻译，至今未完善。人类语言有方言、讽刺、隐喻、同音词，规则写不完。

NLP 最大的突破，是研究者决定扔掉规则，像人教婴儿说话那样教计算机：让它接触语言，自己去摸索。

The biggest breakthrough in NLP was when researchers decided to throw out the rules and start teaching computers to talk the way humans teach babies to talk, namely, by exposing them to language and letting them figure things out.

p.90

近年的关键是“注意力”机制：让模型在生成时回看输入中最相关的部分。例句“The player swung his bat, and he ran to first base”，懂棒球的人知道 bat 是球棒、he 指 player，模型借注意力也能学到这些关系（p.91—93）。2017 年的论文《Attention Is All You Need》提出了完全基于注意力的 Transformer 结构，今天的大语言模型都建立在它上面。模型只懂数字，文字先被切成“词元”（token，模型处理文字的基本单位，大约是一个词或词的一部分）；一次能考虑的词元有上限，对话太长，它就会“忘掉”前面的内容，需要重复开头的指令（p.93—94）。

局限（p.96—99）：作者说 Transformer 模型“不会说话，只会在序列数据中找规律”，所以永远不要完全相信它的输出：

• 数学差：它是照训练数据里类似题的答案回答，而不是真的去算，作者写本书大纲时 GPT-4 就算错了一道加法。
• 啰嗦：两个词能答的事，写成一篇高中读书报告。
• 缺乏常识：问它“怎么游到月球”，它可能照答不误，人会先质疑问题本身。
• 偏见：模型主要用人写的文本训练，必然学到其中的偏见；消除偏见“是值得追求的目标，却是不可能完成的任务”。经典例子是微软 2016 年的聊天机器人 Tay，上线不到一天就开始发表种族主义和性别歧视言论。

第 2 册第 1 章生成式 AI 的“大秘密”

它在预测，不在思考（p.134—137）：大语言模型（LLM，用海量文本训练、能读写文字的超大模型）先预测最可能接在你提示词后面的词，再预测接在这个词后面的词，一直接下去，直到它认为模式补完了。它的“像人”来自回答快、显得懂细微差别、语言流畅。作者说，全书别的都忘了也要记住这一条：

大秘密在于，对话中那种像人的感觉是错觉。你并不是在和一台机器对话。你在提示词里写的每一个字，它都不理解。

The big secret is that the humanlike feel in the conversation is an illusion. You are not having a conversation with a machine. It doesn’t understand a word you wrote in your prompt.

p.136

它从哪里拿到答案（p.137—139）：输出来自三类数据：训练数据（以及之后“微调”时补充的数据）；写在提示词或“系统消息”（预先给模型定的全局指令）里的数据；通过“检索增强生成”（RAG，给模型接上外部资料，让它边查边答）补进来的数据。作者用乐高打比方：训练数据里没有端盖件，它搭出来的东西就永远不带端盖，它压根不知道端盖存在；同理，除非数据标明了真假，它分不清事实和虚构。AI 画人常画出六根手指，是因为训练图片里的手姿势各异，看不出“一只手五根指头”的稳定模式；可你问它一只手几根手指，它几乎总答“五根”——它并不理解自己的回答（p.139）。输出出错是“迟早会发生，而不是会不会发生”，这种错叫“幻觉”（hallucination，AI 一本正经地编造不存在的东西）（p.138）。

人机分工（p.140—142）：自然语言如今就是一种计算机语言，但人仍要“像机器一样思考”：你不是在聊天，而是在下指令，提示词要比和人说话更精炼、更详细。作者说程序员的价值从来不在会多少编程语言，而在能把解决问题的思路转成精确的语言。“生成”和“创造”也要分开：生成式 AI 不饿、不渴、不孤独，也没有灵感和信念，所以永远没有动机做任何事，愿景和热情都得由你写进提示词。

记住这个区别的一个办法：“生成是 AI，创造是人，或者人加 AI。”

One way to remember the difference is to think “To generate is AI, to create is human or human and AI.”

p.142

所以没人需要担心 GenAI 会不会统治世界。但每个人都应该担心那些用 GenAI 来统治世界的人。

That’s why no one needs to worry about whether GenAI will take over the world. However, everyone should worry about the humans using GenAI to take over the world.

p.142

八条误解（p.147—148）：它不会接管人的创造力，更像需要人类老板指挥的助手；它不精通所有语言；它并不中立，偏见会从学习材料里带进来；它不是失控的野兽；它不会一夜颠覆商业，针对具体任务时最有效；它离自主思考还远。作者判断它被过度炒作、普及得太早，用户技能还跟不上，“我们很可能处在一个很快会破的泡沫里”，但生成式 AI 会留下来，现在就该学。法律责任也在用的人身上：加拿大航空曾辩称官网聊天机器人是对自己行为负责的“独立法律实体”，没有被采纳（p.141）。

挑工具和跟上变化（第 2 册第 3 章，p.161—173）：挑选供应商看能力、可扩展性、伦理合规和支持；但评判模型时要记住，每个模型的表现都取决于你的提示水平，模型让你失望时，先想想自己在这次失手中的责任（p.167）。作者预计能自己调用各种应用、办完整件事的“AI 代理”会在两三年内普及，但大多数代理行动前需要你批准，你仍说了算（p.169）。

给足上下文（第 2 册第 5 章，p.193—195）：微软当年的 Office 助手“曲别针”（Clippy）失败，在于太爱打扰人，又只会引用官方文档。新一代 AI 强得多，一是训练数据和算力大得多，二是“注意力”让它能考虑语境：例句“The bank can guarantee deposits will be safe because it has invested in secure vaults”，模型能凭 deposits、vaults 判断 bank 是银行而不是河岸。所以作者说，在提示词里为模型提供充分语境，已成为提升回答质量的“唯一最佳方法”（p.194）。

第 1 册第 6 章原创、质量与新闻伦理

保证原创和质量（p.101—106）：

• 让 AI 给出参考文献并亲自核对，因为生成式 AI 经常编造文献来支撑错误说法；绝不要让模型自己核查自己的事实或抄袭然后照单全收，也别以为换个应用就是换了模型——两个应用可能建在同一个模型上。
• 用另一个模型交叉核对；可以给内容嵌入水印或元数据（描述数据的数据，如作者、日期、版权），留下可追溯的“数字足迹”。
• 了解训练数据从哪来：用网上抓取的数据训练的模型，抄袭和侵权风险可能高于只用公司数据训练的专用模型。
• 防“模型漂移”（模型赖以训练的数据过时了，回答变得不准）。作者用厨师作比：原料和顾客口味都在变，老菜谱会失宠。要定期检查，必要时用新数据重新训练或换模型。

借用新闻伦理（p.106—109）：透明（事先说明是谁或什么在背后，事后才曝光会失去信任）；问责（发布前核实、编辑）；准确（AI 若对你的客户作出承诺，“法院会让你兑现”）；减少伤害；人工监督（AI 去不了现场采访，拿不到还没数字化的信息）。引用 AI 给的信息时，不要只写“来源：Perplexity”，要核实并引用它列出的原始来源。

永远、永远、永远要检查它的作业，并按需加入你自己的专业知识、研究和见解。

Always, always, always check its homework and add your own expertise, research, and insights as needed.

p.107

负责任 AI 是大家的事（p.110—112）：开发者要保证训练数据多样、在各种场景下测试；企业领导要定数据、隐私、同意政策并设监督；用户要要求透明；教育机构把伦理纳入理工课程；投资者用资金支持负责任的公司；媒体既报好处也报风险。作者提醒，今天被认为负责任的做法，明天可能就变了。

第 1 册第 7 章在 AI 世界里找到职业安全感

AI 取代不了的（p.115—118）：情商（识别和回应他人情绪）、创造力、战略思维。营销活动的例子：AI 能分析过去成功的案例，新点子却来自懂情感、文化细微差别和幽默的人；CEO 的例子：AI 提供数据，解读含义并做出符合长期目标的决定靠人。仍然需要人的工作有：咨询师、社工、人力资源这类理解他人的工作，艺术和设计，管理决策，医疗照护，教师，研发（人有好奇心，会提出引向发现的问题）。AI 也带来新岗位：AI 整合专家、AI 伦理专家、人机协作管理者、数据隐私专家（p.119）。

怎样准备（p.119—127）：“在不久的将来，AI 很可能取代一些人的工作，同时赋能另一些人。”（p.119）作者的办法：

• 盘点技能，对照招聘广告和行业趋势找出缺口，再定补齐计划。“目标不是样样完美，而是随时准备学习和适应。”（p.120）
• 分析技能能迁移到哪里：擅长组织和时间管理，可以转向项目管理；冲突化解可以转向人力资源或 AI 伦理调解；危机管理可以转向 AI 风险管理，因为 AI 预料不到突发事件。“目标不是从头再来，而是在已有基础上扩展。”（p.123）
• 岗位不会消失，重心会转移：数据分析师少花时间收集数据，多花时间解读和决策；文案人员让 AI 列提纲、换词、点评草稿，自己专注讲故事和理解受众（p.123—126）。
• 转行要耐心而现实，可能要从较低职位或横向调动开始；AI 做的技术活越多，创造力等软技能越重要（p.127—128）。

目标不是与 AI 竞争，而是与它合作。

The goal is not to compete with AI but to work with it.

p.124

秘诀：清晰、语境、创意（第 2 册第 2 章，p.149—153）：提示词（prompt，你在 AI 输入框里写的问题或指令）是你和 AI 对话中你说的那一半。作者用厨师作比：词是食材，提示词是菜谱，回答是那道菜；分步加料比一股脑倒进碗里好。

成功的提示几乎总是分步完成的，而不是靠一条提示词。

But successful prompting is almost always done in steps and not in one prompt.

p.151

分步有两种做法：迭代提示（灵活地循环“提示、评估、再提示”）和提示链（把任务拆成环环相扣的步骤，按固定顺序逐步细化，免得一次给太多指令把模型搞糊涂）。同一条提示词，就算同一个人在同一段对话里输入，同一个模型也会给出不同回答（p.153）。

按领域调整写法（p.154—155）：创意写作要开放；数据分析要精确，如果数据不在模型里，就把数据放进提示词；法律要正式（“根据合同第 2.3 和 4.1 节，概括各方的权利义务”）；医疗要注意隐私（“根据以下匿名化的症状和检查结果，可能的鉴别诊断有哪些”）；客服要共情、以解决为导向。作者说，这不只是下命令，而是要用契合该行业目标、术语与惯例的方式下命令。

优化技巧（p.156—160）：先想清目标；具体（问“新手怎样烤巧克力蛋糕”，别只问“怎样做蛋糕”）；补充背景；让 AI 扮演角色；效果不好就换个说法；给范例；别一次塞太多；注意它有训练截止日，之后的事要你提供。还要避开陷阱：作者举了美国一个医疗算法用“过往医疗花费”代替“健康需求”，结果偏向白人病人；亚马逊的招聘算法因为主要用男性简历训练，对女性产生偏见。直升机的例子：只给 AI 坠毁事件的数据，它会推断“所有直升机都会坠毁”。AI 印证了你原有的看法时，更要考虑反方观点。

它不是权威（第 2 册第 4 章，p.177—187）：任何生成式 AI 都不是绝对可靠的真相来源、值得信赖的叙述者或任何话题上的权威，即使你要它扮演权威也不是（p.182）；任何想保密的东西都不要告诉它，因为对话内容可能被平台人员看到、用于训练（p.177）。它的输出也不是成品：排版、复杂格式、多媒体、各平台的格式要求、无障碍和合规、校对与事实核查，都要靠别的软件和人（p.185—186）。

从终点出发（第 2 册第 6 章，p.203—221）：

如果你想确保 GenAI 的结果朝你要的方向走，就给它一个清晰的目的地。

If you want to make sure that GenAI results take the direction you want, give it a clear sense of the destination.

p.203

• 先理清要素：想法、执行方式、格式、受众、具体信息，这些合起来就是终点（p.204）。
• 补充数据和约束：要 AI 给数据时，命令它注明来源；加约束，如“适合孩子看的摘要”“说服怀疑者的论证”；回答一边倒时，要求它考虑其他视角（p.205—206）。
• 数据放在提示词哪里也有讲究：像讲好一个故事，先搭舞台，在最有用的地方引入关键细节，最后给出指令；给的数据要刚好够用，又不盖过主要问题（p.207—208）。
• 图片也能当提示：作者在酒会上听到一句话来了灵感，写在餐巾纸上拍照，让 ChatGPT 充实想法、提出替代方案、制定实施计划（p.208—213）。
• “自定义指令”（设置一次、对所有对话生效的固定说明）适合长期规范，“记忆”适合临时需要。例如记忆写“我在写一篇面向儿科医生的论文”，自定义指令写“所有回答用适合医生读者的医学术语和正式语言”（p.214—218）。
• 删除含敏感信息的对话也不一定能阻止数据被用来训练模型，最好的做法是从不输入；用公司版时，“任何你不会对老板说的话都别写进提示词”（p.219）。
• 温度（控制回答有多保守或多天马行空的参数）：低温给经典鸡汤做法，高温可能给出融合菜（p.220）。

三种提示方式（第 6 册第 3 章，p.574—578）：一条提示通常由四部分组成：指令、背景、输入数据、输出格式。零样本是不给例子，全靠模型训练所得；少样本是先给一两个“输入加期望输出”的例子；思维链是在例子里写出中间推理步骤，2022 年 Google 研究者的论文表明它能显著提高算术、常识和符号推理的准确率。作者的提醒：评估输出，需要时要求改进，“你才是专家”，没把握的回答绝不照单全收（p.578）。

起草的十步（第 3 册第 1 章，p.225—236）：明确目标、选对工具、写详细的提示词（草稿质量往往与提示词的具体程度成正比）、输入、审阅（相关性、连贯性、准确性、是否抄袭）、迭代、编辑并加入个人色彩、借助其他工具、定稿（AI 写的文字通常一读就像机器写的）、保存归档并建“提示词库”。模型的训练数据有截止日期，要查最新信息，可以先用会联网的搜索工具查，再把结果贴给 ChatGPT 写进草稿，这叫“AI 串联”：把一个 AI 的输出当另一个 AI 的输入（p.229）。卡壳时：换个说法、开新对话、换一个模型；让它同时扮演多个专业角色组成“数字委员会”；记住“它实际上什么也不理解，只是用你给的碎片补全一个模式”（p.235）。

好消息是：生成式 AI 是你的助手，而不是你的替身。

The good news is that GenAI is your assistant, not your replacement.

p.226

作者在 Excel 里的实测（第 3 册第 2 章，p.237—261）：作者用 Excel 里的 Copilot 分析 1950—2022 年美国龙卷风数据和迪斯科歌曲数据，结论是有时惊艳，但常出错，还常说错自己能做什么：

• 让它把一列名为“tz”的表头改成“Time Zone”，它打算把整列里所有“tz”字母都换掉。
• 日期按字母排序，导致 10、11、12 月排在 1 月前面，作者追问之后它才把格式改对。
• 让它“只保留前 1,000 行”，它只删了两行。
• 它给的“自动洞察”不考虑常识：报告“月相是重复规律”“日落后能见度下降”。
• 它写的累计公式只算到第 65 行，作者逐行核对才发现。

作者的心得：最好的办法往往是 AI 与手工结合；“项目最后那百分之十，自己几秒钟就能做完，不值得硬让 Copilot 去做”（p.245）；从数据中发现洞察，始于提出一个好问题（p.250）。

不要盲目相信生成式 AI 替你说的或做的任何事。它可能出错，也必然会出错。它的创造性和随机性对某些任务很好，但错误的数据分析会带来现实后果。务必复核它的工作。

Don’t blindly trust anything generative AI says or does for you. It can and will be wrong. Its ability to be creative and random is great for some tasks, but incorrectly analyzing data can have real-world consequences. Always double-check its work.

p.256

做演示和开会（第 3 册第 3—4 章，p.263—291）：

• PowerPoint 里的 Copilot 不到一分钟能生成一份结构和设计都不错的初稿。但它生成的想法和句子“乍听不错，细看总是平淡、缺乏个人色彩”；不管初稿看起来多好，都不会完全对，“很可能大部分是错的”（p.267、p.270）。动手前先想好自己的故事、合适的图片和要讲的要点。对 PowerPoint 高手它太爱插手，对“永远笨手笨脚”的人则是奇迹（p.270）。
• 开会：AI 能拟议程、会中随时小结、会后列出每个人答应做的事，最有用的是会后（p.288—290）。但它对会议的了解完全依赖转录文字，没进入转录的东西（比如会上展示的图）它不知道（p.290）。作者的理想是只需参加现在约十分之一的会议，做不到的话，至少让会议更有用（p.291）。

各行业的用法和底线（第 3 册第 5 章，p.293—315）：

• 营销：只把 AI 当成填内容的捷径，效果平平，还会加深“营销可以全自动化”的错觉。不想让 AI 直接面对客户的话，可以用它生成标准答案，交给按规则应答的老式机器人发出，避免幻觉和泄露数据（p.293—295）。
• 人力资源：员工自助问答、招聘答疑都可用，但不能“设好就不管”，回答会随时间跑偏，要定期查记录、更新资料（p.295—297）。
• 法律：已有律师因照搬 AI 输出陷入大麻烦。AI 可以起草保密协议、合同初稿给律师修改，可以模拟对方论点，但所有引文都要到权威数据库独立核实；绝不输入机密的客户信息（p.297—302）。

法律专业人士必须把生成式 AI 当作初步工具，而不是定论来源。

Legal professionals must treat GenAI as a preliminary tool rather than a definitive source.

p.301

• 新闻：AI 能想选题角度、搭叙事、解释统计概念、整理采访笔记、拟采访问题，但别把整篇稿子放进去，可能被拿去训练模型或在数据泄露中曝光。作者说：“说真的，你本来就得核实事实，即便不用生成式 AI 也是，因为人类信源也会出错。”（p.302—307）

幻觉和其他错误会一直是生成式 AI 的问题，因为这就是这类模型的本性。AI 科学家要消除出错的可能，就得让模型彻底无用。接受这个事实，并据此工作。

Hallucination and other errors will continue to be an issue with GenAI because that’s the nature of these models. AI scientists can’t eliminate the potential for error without rendering the model entirely useless. Accept that truth and work accordingly.

p.304

• 医疗：成败参半。失败多因任务与技术错配、使用者不懂、硬要它超出核心用途；成功的关键是用它的人充分理解它的本质、局限，以及“生成文本、发现数据”这两项核心能力（p.307）。麻省总医院布莱根的研究中，ChatGPT 的临床决策准确率约 72%、最终诊断约 77%（p.308）。
• 金融、IT 运维：解读监管文件、分析日志和错误码，同样必须指定专人监督（p.310—313）。

推开 AI 靠管理变革（第 3 册第 6 章，p.317—332）：

把 AI 引入组织，不只是部署新技术，而是要有效地管理变革。

Introducing AI into your organization is not just about implementing new technologies; it’s about managing change effectively.

p.317

• 先定战略：说清为什么用、要解决哪些痛点，预判员工抵触、技能缺口和预算，分阶段推进（试点、反馈、扩大）。
• 找“AI 倡导者”：在团队里有影响力、热衷 AI 的人，从试点起就参与，向同事解答疑虑、展示早期成果（p.318—319）。
• 正面回应对失业的担心，说明目的是支持员工、让岗位更具战略性，用与本团队相关的具体用例说话（p.319）。
• 三个框架都着眼于人的心理：ADKAR（认知、意愿、知识、能力、巩固五个阶段，例如“能力”阶段强调知道不等于会用，要在可以放心试错的“沙盒”里练手）；Bridges 转变模型（结束、中立区、新开始，要承认人们放下旧方式时的焦虑）；DIRECT 项目领导模型（把“改系统”和“转变人”分开对待）（p.322—327）。
• 化解阻力：找根源、对技术本身也保持透明（它怎样决策、依赖什么数据）、让员工参与、按团队定制培训、庆祝成功。“如果员工觉得自己是主动参与者，而不是自上而下决定的被动接受者，他们会更愿意拥抱 AI。”（p.329）

构思：人变成提示者和评判者（第 4 册第 1 章，p.335—347）：

• 宾大沃顿商学院的对照实验（2023 年《华尔街日报》报道）：让 200 名 MBA 学生构想一款面向大学生、50 美元以内的新产品，同时让 ChatGPT 4 直接生成 100 个点子，再看过往届成功范例后生成 100 个。按目标客户的购买意向打分，人类点子的平均购买概率 40%，AI 两组分别是 47% 和 49%；最好的 40 个点子里，35 个来自 AI（p.336—338）。作者提醒，要达到这个水平，通常需要人精心写提示词并交给它行业背景。

人不再只是出点子的人，我们的角色可能转为好点子的提示者和评判者。

Rather than only human beings serving as idea generators, our roles may now shift to becoming the prompters and evaluators of good ideas.

p.338

• 作者对幻觉的另一种看法：一般用途要核实，但构思时可以把它当灵感来源。例如运动饮料团队头脑风暴时，AI 编出一种不存在的未来运动，团队据此做了一组“运动员为这项未来运动训练”的广告（p.339—342）。
• 七步法：定目标和边界；选工具；准备数据（但不输入敏感信息）；让人类团队回答同一个提示词，以压力测试提示词；根据结果改写再试；按第一步的标准筛选；做原型或方案去测试（p.343—345）。

写邮件（第 4 册第 2 章，p.349—362）：提示词里写明收件人和你们的关系、目的、要点、希望对方做什么，再请 AI 拟一个描述性的主题行；但绝不要把邮箱地址或个人身份信息提交给 AI（p.352）。AI 的修改建议常常不错，却会把玩笑当真、把笑话改坏，写给上司或客户的重要邮件适合用，日常写给同事的照它改可能显得不真诚（p.360）。查询未到货的订单交给 AI 写多数人能接受；情书、吊唁信、求职信让 AI 写，多数人会觉得不对劲——作者说，这也许只因为我们还不习惯（p.362）。

做视觉素材（第 4 册第 3 章，p.363—380）：十步法的要点是定营销目标、了解受众、写详细描述（颜色、氛围、场景、物件），然后反复迭代，作者认为迭代是最重要的一步，第一次就完美“极少见”。发布前对照品牌标准、经人核验：AI 可能用上过时或不当的文化元素，也可能反复把人画成性别或种族上的刻板角色。要确认不侵犯版权、生成逼真的人像或声音时要披露。团队引入新工具，短期内工作只会更多，不会更少（p.366—370）。

可以说，AI 与人的创意结合时最出色，而不是让它独自创作。

Arguably, AI is at its best when you combine it with human creativity versus asking it to do the creation on its own.

p.368

长文和写书（第 4 册第 4 章，p.381—401）：

长篇内容是迄今用生成式 AI 最难做成、最难达到专业水准的一类。

Long-form content is by far the most difficult to produce successfully and to professional standards with GenAI.

p.381

• 研究：AI 能扫描文献、发现跨学科的联系、提取数据，但它偏爱高被引、易获取的文献，难以分析图表，翻译会丢失细微含义。作者给了九步打磨法：从清晰的研究问题开始，筛选、读摘要、读全文、查参考文献，再自己手动检索与 AI 的清单对比（p.382—387）。
• 警告：AI 做的研究或报告未经彻底审核就交给上司或发表，“你很可能在拿整个职业生涯下注，而且多半会输得很惨”（p.387）。
• 作者自己写专题的三个技巧：输出缝合（同一提示词交给多个 AI，再把结果拼起来，得到多种视角）、AI 串联、AI 聚合（多个各有专长的 AI 分工做背景研究、数据分析、交叉核实）（p.397—398）。
• 写书：让 AI 写整本书，或把它当合著者，“那你就做错了”——就像建筑师把作品的功劳分给制图软件。办法是“一口一口吃大象”：定好主题，一小块一小块地研究、组织、撰写，最后自己缝合起来；AI“和你采访的任何信源一样会轻易撒谎”，务必核实。好书的功劳属于作者，不属于工具（p.399—401）。

如果你让生成式 AI 写整本书，或者（老天保佑别这样）把它当合著者，那你就做错了。

If you’re prompting GenAI to write complete books or, heaven forbid, thinking of it as a coauthor, you’re doing it wrong.

p.399

搜索优化和本地化（第 4 册第 5—6 章，p.403—432）：

• AI 直接给答案，人们不再去点搜索结果，网站流量会受冲击。作者认为这意味着“必须回归基本功”：做原创研究和数据、用结构化数据方便机器读取、展示真实的人和亲身经历（这是 AI 给不了的）、讲清楚营销中用了哪些数据（p.406—408）。科技媒体 CNET 2023 年悄悄用 AI 写了 70 多篇理财文章，只用隐藏的编辑注说明，后被查出事实错误，就是反面教材（p.408—409）。
• 翻译只是本地化的一小部分。本地化要顾及幽默、习语、符号、节日和当地法规；品牌口号这类关键内容必须由人审校（p.419—424）。英语的“break a leg”是祝演出顺利，直译就成了祝人断腿（p.430）。

翻译，即把词句从一种语言转为另一种，只是“本地化”这个更大过程中的一小部分。

Translation, or the process of translating words from one language to another, is just a small part of the larger process known as localization.

p.419

交流（第 5 册第 1 章，p.435—444）：AI 能把非文字的信息转成文字、做机器翻译、读肢体语言、帮人找到思路相近的人。机器翻译的一个巧处：它会中英、英西互译，就能借一种人造的“中间语”自己学会中西互译；但中间语只是“通用桥梁”，不是“通用翻译器”，人类得先提供基础译文，所以“鲸语”翻不了（p.438—439）。每个想法都应尽量用多种方式表达，声音配上字幕，图表配上文字，这样听力或视力不同的人都能接收（p.442）。

AI 没有想法，因为它既缺乏内省智能，也不具备理解力。但它能帮人交换想法，让整体大于部分之和。

An AI doesn’t have ideas because it lacks both intrapersonal intelligence and the ability to understand. However, an AI can enable humans to exchange ideas in a manner that creates a whole that is greater than the sum of its parts.

p.440

医疗（第 5 册第 2 章，p.445—463）：培养一名医生可能要 15 年以上，任何人都难以独自精通哪怕一个窄专科，所以需要 AI 一致、无偏见的帮助：可穿戴设备持续监测血糖、心率；游戏让康复变得有趣；外骨骼帮中风患者行走，随康复逐步减少支撑；影像分析更早发现小肿瘤。几处提醒：

• AI 永远建立不了共情（与病人建立共同的参照框架、几乎感同身受），因为它缺乏觉知和理解；医护常用的“同情”（从外面理解病人可能的感受，既给支持，又能坚持做病人短期内不喜欢的治疗），AI 也做不到（p.450）。
• 远程临场（人在一处，借传感器像身在另一处）会越用越多，但有位医生通过远程临场向家属宣布噩耗，遭到批评；设备也传不了气味，而嗅觉在医院里常常很关键（p.456—457）。
• 手术机器人能消除医生手抖、切口更小，但今天的机器人谈不上自主，需要人来设置（p.458—459）。

教育（第 5 册第 3 章，p.465—480）：这一章作者的态度鲜明：想作弊的人总会作弊，生成式 AI 并没有带来新问题。

我呼吁教育者和雇主按准确性、原创性、完成度和质量来评价作业，而不是设法查明过程中是否用了 AI 工具。

I urge educators and employers to focus on grading or evaluating work based on accuracy, originality, execution, and quality instead of trying to figure out whether an AI tool was used in the process.

p.466

• 作者说自己从没见过准确、甚至一致的 AI 检测工具，被误判的学生无从申诉，伤害几乎无法估量（p.466）。
• 会用 AI 已是基本功；“用 GenAI，得投入技能，才能产出技能”（p.467）。
• 教学会走向个性化，长期可能从按年级升级转向“学会了就前进”；教师从传授内容转为导师和引导者（p.467—469）。
• 学生得先问对问题才能得到信息，所以教写提示词就是在训练批判性思维：“生成一张猫的图”得到的可能是任何猫，写明外观、场景和情绪的提示词，体现的正是思考（p.470—471）。
• 也有负面研究：2024 年一项针对大学生的研究发现，生成式 AI 用得越多，成绩越低，还伴随拖延和自述的记忆力下降（p.478）。
• 作者认为禁用是严重错误，但“GenAI 不等于、也取代不了专业的人类教育者”（p.480）。

它对我们自己的影响（第 5 册第 4 章，p.481—490）：

• AI 直接给答案，人们懒得点链接、懒得核实；核实很重要，但因为人们往往贪图方便、不重实质，这不太可能大规模发生（p.482—483）。
• 任何人都能让 AI 编造某政客从未发生的丑闻，配上假引语，以各种语言铺满网络（p.486）。
• 只靠 AI 获取信息，视野会变窄：它顺着你的提问方式回答，你不经意透露的立场会让它形成回音室；传统搜索常让人偶遇意料之外的内容，激发新想法（p.487—488）。
• 常用导航会让空间记忆衰退，计算器削弱算术，自动纠错削弱拼写；作者担心写作、解决问题甚至聊天都依赖 AI，会让人失去独立完成的能力（p.488—489）。

你越让技术替你思考，或者把信息一口口喂给你，就越限制自己扩展知识的能力。

The more you allow technology to think for you or to assist you by hand-feeding you information, the more you limit your ability to expand your own knowledge.

p.488

作者的办法：别把生成式 AI 当成比你聪明，它只是特别擅长检索和重新包装数据。像用字典、百科一样用它，功劳归你；让它主导、替你做决定，功劳归它，责任仍归你——抄了它的“作业”结果是错的或抄袭的，被传唤到法庭的是你（p.490）。

生成式 AI 工具不是你作品的创作者，就像锤子不是建筑师设计的那栋房子的建造者。

Generative AI tools are no more the creator of your work than a hammer is for building an architect’s design.

p.490

这两章的作者是做了 36 年注册理财规划师的 Paul Mladjenovic，他示范怎样用 ChatGPT 梳理理财，并在 AI 的回答后面逐条加评注。书里的退休账户、社保、医保、遗产税都是美国制度，笔记只记通用的部分。

理财是宇宙，投资只是一个星系（p.491—500）：事业、负债、消费出问题，投资再成功也难达成目标。“管不好资金的流入和流出，就很难管好投资——这个结论用不着 AI。”（p.492）他让 ChatGPT 按人生阶段列出理财流程，再逐条点评：先建 3—6 个月生活费的应急金再投资，因为应急金“不只是财务上的好处，也是心理上的好处”，手头有钱，决策更理性（p.493）；保险常被忽视，它防的是主要收入者死亡或伤残这类大事（p.493）；预算就是不断增加流入、减少流出，把差额拿去投资（p.496）；节流比开源容易，买东西前问自己未来几个月它能否带来价值，比如邻居买房车，按需租用能省几千美元（p.498）；上大学、买房这类大笔开支，都要从投资回报的角度看（p.499）。

打个比方，理财规划是宇宙，投资只是其中一个主要星系。

Financial planning is the universe, and investing is just a primary galaxy, so to speak.

p.491

AI 算错了复利（p.501—506）：退休规划的起点是盘清自己有什么、欠什么。作者有一套“5—10 法”：假设退休后资产每年产生 5% 的收入、退休前资产每年增长 10%；需要每年 25,000 美元投资收入，就需要 50 万美元可投资资产（p.504）。接着他问：“我有 15 万美元投资，年均增长 10%，多少年能到 50 万？”ChatGPT 答约 20 年，Bing 答 5.36 年，非 AI 的在线计算器算出 12.632 年（p.505）。再问每月该投入多少，ChatGPT 答约 36,575 美元，乘以 108 个月接近 400 万美元，还没算任何增长，反复重问，答案每次都错，而且每次不同（p.506）。作者对此的评语是：

人工智能（尽管名字如此）并不是人工完美！敏感或重要的计算和问题，要参考不止一个来源，还要请一位称职、有经验的人参与。

Artificial intelligence (in spite of the name) is not artificial perfection! For sensitive or important calculations or issues, consult more than one source — and add a competent, experienced human to the mix, too.

p.506

他还调侃：那些在网上说 AI 要接管世界的人可以松口气了，AI 首先得把数学算对。另一方面，AI 列清单、出行动计划、解释术语很出色：可以让它列出“退休者该问 AI 的问题”，因为它不仅擅长给答案，也能帮你提问题（p.509）；遗产规划的术语难懂，可以让它“像给高中生讲一样”解释（p.511—513）。但遗产规划当然要和有经验的律师一起做，用了 AI 也不要单干（p.513）。

这一册出自主编 Chris Minnick 的《Coding with AI For Dummies》，用第一人称写自己的实测。

先会写代码（第 6 册第 1 章，p.519—545）：

生成式 AI 并不懂编程。如果你也不会写代码，你用 AI 做出来的代码很可能有严重的安全问题、功能问题，甚至更糟。

Generative AI doesn’t know how to program. If you don’t know how to code either, there’s a good chance that code you create with AI will have serious security problems, functionality problems, or worse.

p.519

• 最适合交给 AI 的是“样板代码”：每个项目里几乎一模一样、人人不爱写却又不能不写的代码（p.519—520）。
• 作者只把文件命名为“validatePhoneNumber”，AI 给出的电话校验函数只认以 98 开头的号码（伊朗的国家代码），“比没用还糟”；加上一句描述意图的注释后好了很多（p.531）。
• 原则：“对任何 AI 生成的代码都要保留几分不信任，务必核实。”（p.533）如今的模型对自己的答案极其自信，哪怕说的完全是错的（p.536）。
• 和 AI“结对编程”：人当领航员，管方向和策略，AI 提建议，人逐条决定用不用。最适合本来就熟悉这门语言、不靠 AI 也写过代码的人；“你的搭档说话很自信，但对编程一无所知”（p.537—538）。

给它背景（第 6 册第 2 章，p.547—569）：和所有生成式 AI 工具一样，背景信息就是一切：文件名、打开的相关文件、开头注释里讲清的目标，都会决定它给什么建议；复杂任务要拆成小步、给出例子。用一个新的编程助手时，“就当它是刚加入项目的初级开发者，别以为它能猜到你想让它做什么”（p.559）。有的工具只用许可宽松的开源代码训练，使用者不容易惹上知识产权纠纷，选工具时要考虑这一点（p.555—557）。

有时不如自己写（第 6 册第 3 章，p.571—599）：作者用 AI 做一个聊天机器人，程序每敲一个键就发一次请求，一试就花了 3 美分，后来还要查官方文档才改对。结论：“不靠 AI、从头写这个应用要快得多。”（p.597—598）

从规划到原型（第 6 册第 4 章，p.601—629）：

• 先写清需求：软件做什么、给谁用、在哪里运行、有哪些法律或监管要求。编程助手永远处在“被突然扔进一个你不了解的项目”的处境，只有拿到具体要求才帮得上忙（p.601—605）。
• 作者用这套方法做了一个“和 GPT-4 下井字棋”的游戏：先让 ChatGPT 扮演项目经理向他提问、写出需求说明；按需求一次生成的代码里，X、O 不能正确轮流，“AI 作弊”（p.608—611）。
• 他把难度调节这类逻辑从 AI 挪回普通代码，原则是：凡是自己的程序能做的，别交给 AI，更省钱、更快，AI 要专注的事也更少（p.624）。最后 GPT-4 懂规则，策略却“糟透了”，难度设到最高也每局都输，作者的判断是：它是语言模型，不擅长推理（p.623）。
• 十条心得的第一条：

让自己的技能保持更新，把 AI 当作帮你写更多代码的工具，而不是替你写代码的工具。

Keep your skills up-to-date and use AI as a tool to help you write more code, rather than as a tool that will write your code for you.

p.627

其余几条：要具体；分步；看不懂就追问；查官方文档（模型可能用过时的写法）；给例子和背景（模型不会读心）；敏感数据先匿名化；持续向人学习；工具保持更新；记住它靠训练数据里的规律做预测，你写的东西与它见过的都不一样，它就帮不上多少忙（p.627—629）。

顾客旅程（第 7 册第 1 章，p.633—647）：顾客从知道品牌到主动推荐要走五步：认知、考虑、购买、留存、拥护。AI 在每一步提供个性化：情绪分析（判断一段话是正面、负面还是中性）、推荐、预测、聊天机器人、营销自动化。几条原则：AI 让个性化自动化、规模化，但要让内容有人情味，关键在于由人把关输出（p.636）；有些顾客会把不断涌进收件箱的个性化内容视为侵扰（p.637）；聊天界面应当告诉顾客对面是机器人还是真人（p.645）。

数据分析显示顾客做了什么，情绪分析则显示他们有何感受。

Data analysis shows what customers do, whereas sentiment analysis shows how they feel.

p.640

拿 AI 当战略顾问（第 7 册第 2 章，p.649—663）：用 AI 研究竞争对手、塑造品牌、细分受众、优化广告、追踪关键指标、开发新产品。同时要审查工具是否合规，并持续审计 AI 的决策：先定义自己的伦理标准，再请不同视角的人一起查看决策数据里的不公平模式（p.660）。两条提醒：分析的好坏只取决于数据质量；AI 能告诉你社交媒体提及量猛增了，却说不出是营销成功、一条新闻走红，还是别的原因（p.662）。

AI 工具能告诉你发生了什么，却无法告诉你为什么发生。要弄清原因，你仍须运用自己的业务和行业知识。

AI tools can tell you what is happening, but they can’t tell you why it’s happening. For that, you still need to apply your business and industry knowledge.

p.662

客服机器人（第 7 册第 3 章，p.665—679）：对话式客服机器人能理解上下文、调出订单记录回答“什么时候发货”，但和通用的生成式聊天机器人不同，它按设计只可预测地回答有限范围的问题（p.667）。算投资回报之前先定基线，再看效率、成本、解决率、准确率（p.671—673）。最好用“混合模式”：机器人处理开场、常见问题和基础任务，复杂问题和顾客显出沮丧时转给真人，过渡要自然；没人可接时，告诉顾客下一个人工时段并提供回电（p.675—676）。所有机器人都有能力缺口，“转人工”的触发规则在人与 AI 之间架起桥梁（p.677）。缺乏技术力量的话，先小规模试点（p.679）。

把 AI 聊天机器人融入公司现有系统，关键在于平衡自动化与人工监督。

The key to integrating AI chatbots into existing company systems is balancing automation with human oversight.

p.673

自己做一个 AI 助手（第 7 册第 4—5 章，p.681—716）：主编说他最喜欢新一代聊天机器人的一点，是能借你提供的文档或网站做出处理特定任务的定制助手（p.681）。手把手的操作已经过时，留下来的是几条设计思路：要指定知识来源；要想清楚它该用什么语气、去哪里找信息、哪些话题不该谈；默认的助手“相当干巴无趣，只讲事实”（p.690）；要看参与率、解决率、放弃率，好的助手解决率高、放弃率低（p.700—702）。他还用自家的狗打比方：问狗“想不想去散个步（stroll）”它一脸茫然，问“想不想去遛弯（walk）”才有反应；只认“查余额”的助手，对“我还有多少钱”也毫无反应（p.706）。大语言模型都有知识截止日期，训练耗时耗能，截止日期可能比今天晚几个月甚至几年，要回答新近的事就得让它联网搜索（p.706—707）。插件和扩展功能在早期“善变、难以预测”，关键是有耐心，并且知道什么时候用搜索引擎这类传统工具更好（p.716）。

十位作者各写各的，有几条叮嘱却在全书一再出现：

• 它不理解，它在预测：AI 用纯数学加工数据，什么也不理解（p.11）；对话中像人的感觉是错觉（p.136）；它只是用你给的碎片补全一个模式（p.235）；Transformer 不会说话，只会找规律（p.96）。
• 一定要核实：检查它的作业（p.107）；它可能出错，也必然会出错（p.256）；幻觉是这类模型的本性（p.304）；对 AI 生成的代码保留几分不信任（p.533）；重要的计算要参考不止一个来源，还要请人参与（p.506）。
• 给它方向和背景：给出清晰的目的地（p.203）；充分的语境是提升回答质量的最佳方法（p.194）；背景信息就是一切（p.549）；分步完成，而不是靠一条提示词（p.151）。
• 人来创造，人来负责：生成是 AI，创造是人（p.142）；AI 是助手不是替身（p.226）；功劳和责任都归你（p.490）；把它当帮你多写的工具，而不是替你写的工具（p.627）。
• 别把秘密交给它：任何想保密的内容都不要透露（p.177）；不提交邮箱地址和个人身份信息（p.352）；不输入机密的客户信息（p.302）。
• 会用 AI 的人更安全：目标不是与 AI 竞争，而是与它合作（p.124）；推开 AI 靠管理变革，要让人主动参与（p.317、p.329）。