入门到进阶55 分钟

3.3与 LLM 协作的方法

本课只解决一个主问题：本单元只解决一个主问题：

如何和 LLM 协作，才能得到更可靠、更有用的结果？

学习目标

学完本单元后，学习者应该能够：

把 LLM 当作协作工具，而不是答案机器。
学会向模型暴露任务背景、假设和判断标准。
使用反馈、追问、对比和复盘改进输出。
判断哪些任务适合交给模型，哪些必须由人类把关。
建立“人负责判断，模型负责辅助”的协作原则。

先给直觉

很多人使用 LLM 的方式是：

我问一个问题。
模型给一个答案。
我复制走。

这很像把模型当作答案自动售货机。

更好的方式是把它当作一个能力很强、速度很快、但需要你管理任务边界的协作者。

你要做的不是“等它给完美答案”，而是：

交代任务。
给背景。
设标准。
看输出。
指出问题。
要求修改。
最后由你判断。

LLM 很适合参与过程，但不适合替你承担最终责任。

人机协作的基本分工

人类更应该负责

定义目标。
判断什么重要。
提供真实背景。
决定风险边界。
审核事实和价值判断。
对最终结果负责。

模型更适合负责

快速生成初稿。
改写和压缩表达。
列出可能方案。
总结长文档。
生成练习题和示例。
检查明显问题。
按格式整理信息。

一句话：模型适合加速思考和生产，人类负责方向、判断和验收。

协作方法 1：先让模型暴露假设

当任务复杂时，不要急着让模型直接给答案。

可以先问：

在回答之前，请列出你需要做出的关键假设，并标出哪些假设可能影响结论。

适合场景：

产品方案评估。
学习路径设计。
选型建议。
商业分析。
风险判断。

模型的回答往往依赖假设。把假设摆出来，才方便你纠正。

协作方法 2：先问问题再执行

当信息不足时，让模型先提问。

示例：

我想做一个 AI 课程产品。请先问我 8 个关键问题，不要直接给方案。

这能避免模型过早输出一套看似完整但实际不贴合的方案。

适合：

需求分析。
课程设计。
内容定位。
产品规划。
咨询式任务。

协作方法 3：让模型给多个方案

不要总让模型给“一个最佳答案”。

更好的方式：

请给出 3 个方案：
1. 保守方案
2. 平衡方案
3. 激进方案

分别说明优点、风险、适用条件。

这个方法可以帮助你看到取舍。

很多真实问题不是“唯一正确答案”，而是“在约束下选一个可接受方案”。

协作方法 4：用 Rubric 反馈

低质量反馈：

不好，再改改。

高质量反馈：

请按以下问题修改：
1. 开头太抽象，换成具体场景。
2. 第三段用了术语，但没有解释。
3. 结尾缺少读者能带走的 takeaway。
4. 删除夸张表达，语气更克制。

模型不是不能改，是你要告诉它按什么标准改。

协作方法 5：让模型当审稿人

在写作、课程、产品方案中，可以让模型先做评审。

示例：

请以课程产品经理和 AI 专家的视角评审这节课。
只指出问题，不要重写。
重点检查：
- 学习目标是否清楚
- 技术解释是否准确
- 是否有跳步
- 是否有夸大表述
- 是否适合目标读者

这个方法适合发现盲点。

注意：模型评审不是最终事实核查，但能提高第一轮质量。

协作方法 6：把模型放进工作流

不要只把模型用于“最后生成”。

它可以参与多个阶段：

阶段	模型可以做什么	人类要把关什么
定义问题	列假设、问问题	目标和边界
收集资料	摘要、分类、提取	来源可靠性
形成方案	列选项、比较取舍	决策标准
生成内容	初稿、改写、格式化	事实和表达
检查质量	找漏洞、按 Rubric 打分	最终判断
复盘迭代	总结问题、生成改进清单	是否采纳

这比“最后让 AI 写一篇”更稳定。

协作方法 7：要求引用依据

涉及事实时，可以要求模型说明依据。

例如：

请把回答分成两列：
- 结论
- 依据

如果依据来自我提供的资料，请引用原文小标题。
如果没有依据，请标注“需要核查”。

这不能保证模型永远正确，但能让输出更容易检查。

协作方法 8：建立停止条件

有些任务模型不该继续猜。

可以明确：

如果信息不足，请停止并列出缺失信息，不要编造。

适合：

法律
医疗
财务
合同
企业制度
学术引用

模型最大的风险之一，是在应该停下来的地方继续说。

案例：用 LLM 设计课程单元

低质量用法：

帮我写一节 RAG 课程。

更好的协作流程：

让模型先问目标读者和课程定位。
让模型列出核心问题和容易误解的点。
让模型生成 3 种讲法。
人类选择主线。
模型写初稿。
模型按质量表自检。
人类检查技术事实和表达。
模型根据反馈重写。

这样模型参与了多个环节，但课程判断仍然在人类手里。

常见误区

误区 1：模型输出不好，就是模型不行

也可能是目标、背景、标准和反馈不清楚。

误区 2：模型很强，所以可以直接替我决策

模型可以辅助决策，但不能替你承担责任。

误区 3：多问几次总会得到真相

多次生成可以看到不同角度，但不能替代事实核查。

误区 4：人机协作就是让模型写，人类润色

更好的协作是让模型参与分析、比较、检查和复盘，而不只是写初稿。

动手练习

选择一个你最近要做的任务，设计一个 5 步人机协作流程。

要求：

写出任务目标。
标出哪些环节让模型做。
标出哪些环节必须由你判断。
设计一个 Rubric。
写出停止条件：什么时候模型应该说“不够信息”。

检查题（自测）

为什么说 LLM 更适合作为协作者，而不是答案机器？
让模型暴露假设有什么价值？
在高风险任务中，为什么要设置停止条件？

参考答案

LLM 很适合快速生成、总结、改写、列方案和检查明显问题，但它不应该替人类承担目标判断、事实核查、风险边界和最终责任。把它当答案机器，容易直接复制错误内容；把它当协作者，则会把它放进一个有目标、有反馈、有审核的流程里。
模型的回答常常依赖隐含假设，例如目标读者、预算、风险偏好、资料完整性、使用场景等。让模型先列出假设，可以帮助人类发现错误前提、补充背景，并避免模型在不清楚的情况下过早给结论。
高风险任务中，错误可能带来真实损失，例如法律、医疗、财务、合同、企业制度和隐私安全。停止条件告诉模型在信息不足、资料缺失或无法确认时不要继续猜，而是列出缺失信息或请求人工判断。

Takeaway

与 LLM 协作的关键，是把它放进一个有目标、有标准、有反馈、有边界的流程里。模型负责加速，人类负责判断。方向盘别交出去，最多让它帮你看导航。