AI-MGMT // FIELD GUIDE

./manage-ai --ten-principles

本手册由人类编写，AI 审阅后表示情绪稳定

AI 素养 · 数字员工管理手册

把 AI 当下属，
而不是当工具

十条原则：目标、授权、反馈、容错——这位新员工不要五险一金，但会烧掉你的 Token 额度；它 7×24 在线，但也会一本正经地编。

目标 授权 反馈 容错
把 AI 当下属 · 管理 AI 的十条原则01 / 14
CONTEXT // DIGITAL EMPLOYEE

whoami --role digital-employee

不要工位，不要年假，只要你把话说清楚

AI 正在成为「数字员工」

搜索资料 写代码 分析数据 调用工具 执行任务 拆解问题 规划路径
# 一个有意思的问题出现了
如果 AI 真的是你的「员工」，你应该怎么管理它？
# 反正只当「高级函数」用，已经不够看了

以前管人，讲究目标、授权、反馈、容错。现在这套手册的适用对象，多了一个从不喊累、从不在站会上发言的。

把 AI 当下属 · 管理 AI 的十条原则02 / 14
OVERVIEW // TEN PRINCIPLES

cat README.md --ten-principles

读完 20 分钟，悟透 20 个项目

十条原则，指向同一个方向：自主性

过去 人思考→AI 执行
现在 人定目标→AI 思考→AI 执行→AI 自我校验→人验收
01定目标 02给 Why 03问阻碍 04逼答案 05对事 06下放决策 07权责匹配 08要靠谱 09看结果 10留容错
把 AI 当下属 · 管理 AI 的十条原则03 / 14
PRINCIPLE 01 / 10 — 定目标

./principle --01 切忌提要求太具体

你管得越细，它装得越像

目标明确，边界清晰，方法自由

✗ 指挥动作
「先查这几个文件，再读那个日志，把堆栈整理成这个格式。」
看起来很精确，其实是在告诉 AI How——你替它思考完了，它只剩执行，还执行得毫无灵魂。
✓ 定义目标
「帮我分析这个接口为什么慢，最后给我一个优化建议。」
查什么日志、看哪段代码、怎么定位，让 AI 自己决定。

# 好的管理者给的是 目标 · 背景 · 边界 · 验收标准　# 大而泛 ≠ 模糊

原则 01 · 从指挥动作转向定义目标04 / 14
PRINCIPLE 02 / 10 — 给 WHY

./principle --02 不要只布置任务

AI 不缺执行力，缺的是你那句「为什么」

别只说 What，告诉 AI Why

WHAT · 你只说了做什么
「帮我优化这个接口的性能。」
它可以交出一份非常完整的方案——但可能整个跑偏。
WHY · 补上为什么做
「真正目标不是压平均响应，而是降 P99 延迟，平均值只是中间指标。」
补上这一句，AI 的排查方向立刻不一样。

# 把事情做对了 ≠ 把事情做对　真正决定 AI 行为的，是它对 目标函数 的理解

原则 02 · What 之外，永远补上 Why05 / 14
PRINCIPLE 03 / 10 — 问阻碍

./principle --03 少问进度，多问阻碍

「做完了吗？」——对人是打扰，对 AI 是浪费一次调用

少问「做到哪了」，多问「有什么阻碍」

✗ 进度查询器
「做完了吗？」
「现在到哪一步了？」
「怎么还没完成？」
✓ 暴露问题
「最大的阻碍是什么？」
「缺什么信息？」
「哪个假设最可能不成立？」
「需要我补充什么？」

# 优秀的 Agent 不说「10 个测试过了 8 个」　它说：「我卡在复现这一步，缺生产环境的数据量级」

原则 03 · 关注它识别问题的能力，而非输出的数量06 / 14
PRINCIPLE 04 / 10 — 逼答案

./principle --04 不要轻易替 AI 解决问题

你替它解决的问题，都会变成它下次的问题

别急着给答案，逼它形成自己的答案

闭环 发现问题→分析问题→提出方案→做出判断·你只在必要时介入
  • 直接给方法、给 API、给改法——短期效率很高，长期是在培养一个不会自己解决问题的 AI。
  • 改问：「你认为问题出在哪里？」「你有哪几种解决方案？」「分别有什么风险？」「你推荐哪一种？」
原则 04 · 和带新人一样：逼它形成自己的答案07 / 14
PRINCIPLE 05 / 10 — 对事

./principle --05 可以质疑方案，不要轻易否定 AI

压力不会让它变强，code review 才会

质疑方案，但对事不对「人」

「你这个方案太蠢了。」
否定的是输出者——施加的是压力，不是改进。
「最大的风险是什么？有没有反例？」
挑战的是方案——建立的是持续自我校验的机制。不要追求 AI 不犯错，要追求它能发现自己的错。
原则 05 · 对事不对「人」08 / 14
PRINCIPLE 06 / 10 — 下放决策

./principle --06 不要什么事情都自己拍板

事事拍板的你，才是整条链路的性能瓶颈

把一部分决策权交给 AI

# 典型问题：AI 提方案 → 人类判断 → AI 执行
所有重要决策都由人类拍板，AI 就永远只是执行者。——然后你抱怨它「没有主观能动性」。
  • 「非核心依赖的升级你自己决定，动架构再来找我。」
  • 「普通编译报错自己修，改公共接口再找我。」
  • 「日志不足时，你自己判断要不要继续查。」
自主决策权 = Agent 与传统 Chatbot 最重要的区别
原则 06 · AI 开始拥有自主决策权09 / 14
PRINCIPLE 07 / 10 — 权责匹配

./principle --07 给任务的时候，同时给决策权

只给 KPI 不给权限，俗称「背锅型授权」

责任 · 权限 · 资源，三者匹配

RESPONSIBILITY
责任
「你负责搞定这次线上故障的排查报告。」
AUTHORITY
权限
「查哪些日志你选，复现路径你定；线索不够可自行扩大排查范围。」
RESOURCES
资源
「工具、预算、信息边界，一次给清。」
# 只给责任、不给权力 = 让 AI 帮你干活
三者匹配，才是真正意义上的把事情交给 AI。
原则 07 · 授权不是口号，是结构10 / 14
PRINCIPLE 08 / 10 — 要靠谱

./principle --08 不要追求听话，要追求靠谱

「好的老板」——AI 最廉价的一句回答

听话≠靠谱
✗ 听话，但不靠谱
明明没找到可靠来源，却为了完成任务，硬给你一个答案。
它很听话——但它不靠谱。
✓ 靠谱的 AI 敢于说
「我不知道。」「目前证据不足。」「这个结论存在较大不确定性。」「你的要求本身可能有问题。」
诚实的不确定，好过自信的编造。
  • 很多场景里，一个敢于反驳你的 AI，比一个永远顺着你的 AI 更有价值。
原则 08 · 这是十条里最重要的一条（作者原话）11 / 14
PRINCIPLE 09 / 10 — 看结果

./principle --09 不要把忙当成能力

500 个文件的勤奋，不如 5 个文件的靠谱

不看它做了多少事，看它解决了什么问题

5 个文件
只读了 5 个文件，就定位了那个并发 bug。
路径短，结论可靠。
500 个文件
翻了 500 个文件，还是不知道 bug 在哪。
几百次调用、几万字输出——忙 ≠ 价值。
  • 不要用 Token 数、工具调用次数、执行步骤数量衡量 AI 的价值。
  • 最终还是要回到两个字：结果。
原则 09 · Token 烧得多 ≠ 功劳大12 / 14
PRINCIPLE 10 / 10 — 留容错

./principle --10 给 AI 留一点犯错空间

不允许失败的 AI，只会交付「绝对安全、绝对没用」的答案

给 AI 一个可控的失败预算

循环 尝试→失败→修正→再尝试
  • 要求每一步都绝对正确，它只会变得极度保守：不敢尝试、不敢探索、不敢做判断。
  • 「你可以尝试 3 种修复方案，最终选最优的那个。」
  • 「第一次没复现，可以换一组输入再试。」「方案 A 失败，可以自动切换到方案 B。」
# 关键不是让 AI 永远不犯错
而是让错误的代价可控，让 AI 有机会从错误中修正。
原则 10 · 复杂任务本来就需要试错13 / 14
EPILOGUE // THE ONLY JOB

cat future-of-work.md

你不再亲自敲下每一行命令——你开始设计敲命令的它们

未来只有一种工作：
创造 Agent，管理 Agent。

人不再亲自执行每一项任务，而是定义目标、赋予能力、组织协作，让 Agent 替我们完成工作。

定义目标 赋予能力 组织协作
把 AI 当下属 · 管理 AI 的十条原则14 / 15
RECAP // MANAGE AUTONOMY

exit 0 --final-answer

入门到此结束，接下来请去实战踩坑

管理 AI，其实是在管理「自主性」

把事情交给 AI，
而不是把步骤交给 AI。

角色 工具→员工→团队成员

未来不会用 AI 的人，可能不是不会写 Prompt，而是不知道怎么管理一个数字员工。——而读完这 15 页的你，已经领先了。

把 AI 当下属 · 管理 AI 的十条原则15 / 15
← / → · space · R reset