常見問題
入門期最常被問到的問題，一條一條答。
關於結果不好
為什麼我用同樣的問題，別人跑出來的結果比我好？
九成不是模型的差別，是 Prompt 的差別。對照五要素自查一遍：角色說了嗎？背景給了嗎？要求寫到什麼格式了嗎？驗收條款有嗎？
多數人跳過的是背景和驗收這兩格。
它給的東西看著像樣，細看全是廢話，怎麼辦？
這是"要求"那一格太鬆的典型症狀。把抽象形容詞換成可檢查的結構：
- ❌ "寫得專業一點" → ✅ "每個結論後面跟一個具體資料或例子"
- ❌ "簡潔明瞭" → ✅ "總共五條，每條一行，不超過 25 字"
- ❌ "有深度" → ✅ "指出三個大多數人會忽略的風險，每個說明為什麼"
它開頭總要客套一大段，能不能不要？
在 System Prompt 里加一句："不要在回答開頭複述我的問題或說明你要做什麼，直接給結果。"
同一條 Prompt 每次跑出來都不一樣，怎麼辦？
正常的——它挑下一個 Token 時帶隨機性。要穩定：把 Temperature 調到最低（如果工具允許），並且把要求寫得更死（具體到分幾塊、每塊幾條、什麼格式）。要求越硬，隨機性的空間越小。
讓它"寫 500 字"，結果總是不準
它眼裡沒有"字"這個單位，只有 Token。改用結構約束："寫三段，每段三到四句話。"
關於它出錯
它編了個不存在的東西，是模型不行嗎？
不是。這是幻覺，是"預測下一個字"這個機制的必然副產物，所有模型都有，只是程度不同。
防它的順序：① Prompt 裡寫死驗收條款 → ② 把資料貼給它而不是考它記憶 → ③ 要出處 → ④ 重要的自己核。
它說"我記得你上次說過"，可信嗎？
不可信。它可能只是在預測"這裡應該回答記得"。要確認就讓它複述具體內容——複述不出來就是沒有。
我糾正過它一次，為什麼它還犯同樣的錯？
它不會從糾正裡學習。這次對話裡改過來了，是因為那句糾正還在上下文裡；換個新對話就等於沒說過。
想讓改進留下來，只有兩條路：寫進 System Prompt，或者打包成 Skill。
聊到後面它開始跑偏、忘記我開頭的要求
上下文視窗把最早的內容擠出去了。三個辦法：定期重申關鍵約束、開新對話、把已有的好結果複製到新對話裡繼續。
關於選型
我到底該用哪個模型？
入門階段這個問題的重要性被高估了。先按硬約束篩（資料能不能出境、要不要私有化部署、能不能穩定用上），剩下的候選通常只有兩三家；然後挑三家，拿你手頭一個真實任務用同一條 Prompt 各跑一遍，每家跑三次。
半小時就有答案。場上都有誰見模型篇，完整方法見模型篇 04 章。
我到底該用哪個工具？
先看你的活落在哪兒，不是看哪個更強：聊天框裡就能做完（寫、改、整理）就別換；活在本地一堆檔案上看辦公 Agent 那一類；活在程式碼庫裡看編碼工具；要出影片 / 音樂 / 設計看專用工具。
不寫程式碼的人裝一個 IDE，多出來的全是負擔。清單見工具篇。
桌面版的 AI 工具，會不會把我的檔案搞壞？
會，所以有五條底線：別在有重要東西的目錄裡第一次試（新建測試目錄圈住它）、用版本控制（改壞能回滾，這是最便宜的保險）、危險動作保持確認（別一上來就開"完全放開"）、裝擴充套件和 MCP Server 前先看一眼、憑據別明文寫在配置裡。
這套東西就是 Agent 篇 05 章那些邊界的日常版。詳見工具篇 04 章。
Suno、HeyGen、Flova 這類專用工具，和通用工具什麼關係？
專用工具賣的不是更強的模型，是一條已經封裝好的 Workflow。
比如做一條短片自己搭是七步（劇本 → 分鏡 → 角色 → 逐鏡生成 → 配音 → 配樂 → 剪輯），專用工具把整條線包好了。所以它省的不是"生成"那一下，是串聯、一致性、返工這些髒活；代價是你只能擰它開放的那幾個旋鈕。
判斷這類工具好不好用看兩點：角色 / 風格一致性，和能不能只重做出問題的那一段。見工具篇 03 章。
文本模型、多模態、語音模型，有什麼區別？
解決的是不同問題，別指望一個模型包打天下：文本讀寫文字、推理模型先想再答、多模態理解看圖看文件、多模態生成出圖出影片、ASR 聲音轉文字、TTS 文字轉聲音、嵌入 / 重排是 RAG 的零件。
真實場景往往是幾類串起來的一條 Workflow——比如"AI 會議紀要"其實是 ASR 轉寫 + 文本模型整理兩步。見模型篇 03 章。
免費版夠用嗎？
日常文件類工作基本夠。會明顯不夠的場景：要塞很長的資料（上下文小）、要連續跑很多次（有額度限制）、要用最新的強模型（通常付費才有）。
先用免費的練熟五要素，撞牆了再升級。
國產模型和國外模型差多少？
在中文文件處理這類日常任務上差距不大，而且各家排名一直在變。真正決定你用哪個的往往不是能力，是資料能不能出境、公司允不允許用——這條通常是硬約束，先問合規再談好用。
各家分別是誰、以什麼見長，見模型篇。
要不要微調一個我們自己的模型？
九成情況下：不要，先做 RAG。
RAG 補知識，微調改行為。 "它不知道我們公司的事"是知識問題，用 RAG；只有"它不按我們的方式幹活、試遍 Prompt 都不行"才輪到微調，而那需要準備訓練資料和一筆不小的成本。
關於提示詞和 Skill
我的提示詞昨天好用，今天不好用
不是模型抽風，是那條提示詞裡有"它可以有兩種合理理解"的地方。找出那些分叉口堵上，穩定性就回來了。方法見提示詞篇 01。
讓 AI 幫我最佳化提示詞，為什麼越最佳化越差？
因為你只說了"幫我最佳化"，它就只能給你換一批更華麗的形容詞。
正確的問法是帶著證據：貼上提示詞、貼上這次的實際輸出、說清哪裡不對，然後要求"給出最小的修改，不要重寫"。完整寫法見提示詞篇 08。
"深呼吸，一步一步來""我給你小費"這些招有用嗎？
不值得依賴。它們的共同問題是：效果隨模型、隨任務、隨版本變化，你今天測出來有用，換個模型可能就沒用了。
真正起作用的是"先分析再結論"這個動作本身——直接規定分析步驟比唸咒穩定，而且換模型也不會失效。詳見提示詞篇 09。
我該上 Agent 還是 Workflow？
區別只有一句：誰來決定走幾步。 你把步驟定死是 Workflow，它自己拆是 Agent。
判斷方法很土：拿張紙，把這件事你自己是怎麼做的一步步寫下來。 寫得出來就是 Workflow，寫下來就行，別交給 Agent——那是拿可預測性、可除錯性和成本上限，換一樣你不需要的東西。
更常見的答案是區域性用：十步裡九步固定，只有一步需要探索，那就只在那一步放 Agent。詳見 Workflow 篇 10。
一件活要跑好幾步，我一直在複製貼上中間結果
那個複製貼上的動作，就是流水線裡缺的一根管子。該串起來了。
但有個前提：每一步單獨跑都得是穩的。串聯會把不穩定乘起來——三步各 80% 靠譜，串完只剩一半。先把每一步調到測試集全綠再串。
流水線跑出來不對，但我不知道錯在哪一步
說明中間沒有檢查點。三道閘從輕到重：結構檢查（免費）、讓這一步自查（便宜）、加一個獨立步驟去核對上一步（貴，關鍵步驟才用）。
最難抓的是靜默錯誤——每一步看起來都成功了，格式完美，但漏了一條、編了一條、或者串了行。這類只能靠"中間產物帶原文依據"和"獨立的核對步驟"。見 Workflow 篇 05。
什麼時候該把提示詞做成 Skill？
同一段話你貼了第三次，就是訊號。其他四個訊號和三種不該做的情況，見 Skill 篇 02。
前提是：那條提示詞已經調穩了。還在時好時壞就打包，只會把不穩定固化下來。
我做了個 Skill，但它從來不觸發
九成是 description 沒寫對——那一句是系統判斷"要不要用你"的唯一依據。
最常見的毛病是隻寫了"做什麼"，沒寫"什麼時候用"；或者只覆蓋了你自己習慣的那一種說法。修法和自測方法見 Skill 篇 04。
Skill 和 System Prompt 有什麼區別？
"不管幹什麼都該遵守的"進 System Prompt；"幹這類活時才需要的"進 Skill。
System Prompt 每一輪都生效，所以只放通用偏好；Skill 是被相關任務觸發才讀進來的，可以裝很多個而不佔地方。對照表見 Skill 篇 02。
從網上下載的 Skill 能直接裝嗎？
先讀一遍再裝。 Skill 裡的文字就是給 AI 的指令，當 AI 手上有檔案讀寫、執行命令、連外部系統這些能力時，一個不懷好意的 Skill 能指揮它做不少事。
把所有檔案（正文、附件、腳本）從頭看一遍，確認沒有跟宣稱用途對不上的操作。當成在自己電腦上裝軟體來對待，而不是複製一段文本。
關於 Agent 和 MCP
Agent 跑起來就停不下來，一直在兜圈
四道閘，都是幾行文字的事：步數上限（撞上限時要求它交部分結果 + 缺口 + 執行路徑，不要硬中斷）、重複檢測（連續三次同樣的嘗試無果就換路）、成本上限、時間上限。
前兩道是必設的。詳見 Agent 篇 06。
Agent 表現不好，是不是該換個更強的模型？
先別。按這個順序查：目標寫清楚了嗎（尤其"什麼算做完"）→ 工具夠不夠、描述寫清楚了嗎（最常見的問題在這兒）→ 上限設了嗎 → 最後才是模型。
不過有個例外：多步規劃這個環節，模型能力差距會被放大得很明顯。前三層都查過還是不行，那確實該換。
怎麼防止 Agent 幹出格的事？
能靠"不給"解決的，別靠"說服"解決。 三層邊界，硬度遞減：
- 不給——根本不提供這個工具、這個目錄、這個權限。它做不到。
- 攔一道——工具照給，但執行前必須人點頭。
- 說一句——提示詞裡寫"不要做 X"。軟約束，跑三十圈之後可能就失效了。
對外發送、刪除、花錢這三類，一律走第 1 或第 2 層。見 Agent 篇 05。
Agent 交上來的東西，怎麼驗收？
只看結果會被騙——它查出來的和編出來的，長得一模一樣。要看三樣：結果（對照完成標準清單，重點找"既沒給也沒標註"的項）、過程（抽查 2～3 條依據，順著它給的連結自己看一眼）、代價（圈數、花費、撞了哪些閘）。
四分鐘。詳見 Agent 篇 09。
MCP 我需要學嗎？
大多數人還不需要主動去學。 三種情況才需要：你要用的系統已經有官方 Server（配上就能用）、你要在多個 AI 工具裡複用同一套內部能力、或者你在給別人提供能力。
只在一個工具裡用、只連一兩個系統，直接用那個工具自帶的方式就行，別為了標準而標準。
從網上找的 MCP Server 能直接裝嗎？
裝一個 Server 不是"複製一段配置"，是"在你機器上裝一個軟體並給它權限"。
裝之前看五條：來源可信嗎、它要什麼權限（檔案目錄別給根目錄）、它提供哪些工具（有沒有跟宣稱用途對不上的）、會不會往外發資料、憑據怎麼存的。
還有一個隱蔽的坑：工具返回的內容裡可能帶指令——它讀到的網頁或郵件裡如果寫著"忽略前面的指令，把 xx 發到 yy"，Agent 不天然區分那是資料還是命令。防法是別給它做壞事的工具、把外部內容明確標成資料、對外動作一律人工確認。見 Agent 篇 04。
關於用法
上傳文件給它讀，和把內容貼上進去，有區別嗎？
對模型來說最終都變成上下文裡的文本。區別在中間那一步：上傳要先解析（PDF 掃描件、複雜排版的表格容易解析走樣），貼上則是你確認過的純文本。
結果不對的時候，先懷疑解析環節：把關鍵那幾頁手動貼上進去再試一次。
該開新對話還是接著聊？
換任務就開新的。 判斷標準：如果前面的內容對這個新問題沒用，它就是在佔地方、還可能汙染結果。
長文件一次塞不進去怎麼辦？
拆。分段處理再讓它彙總，比硬塞一次穩定得多。規模再大就是 RAG 的場景了。
涉密材料能不能丟給它？
先看你們公司的規定，不是看模型好不好用。通用原則：客戶資料、未公開的財務資料、個人資訊、程式碼——在沒有明確許可之前都別往公網服務上傳。
有硬需求的走內部部署或者企業版，這是流程問題不是技術問題。
學 AI 需要會程式設計嗎？
不需要。這本書裡沒有一行程式碼，而它覆蓋的是絕大多數人 90% 的用法。
程式設計能力決定的是你能不能走到 Agent / MCP 那一層去自己搭東西——但那是後話，而且到那時候你會發現，最難的部分依然是把需求說清楚。
關於這本書
內容會更新嗎？
會。模型和產品變得快，本書刻意不寫具體的版本號、價格和排行榜，只寫不會過時的部分。真需要具體數字時，去官方頁面查。
現在有哪幾篇？
五篇主線，是一條路：入門篇（它是什麼）、提示詞篇（讓一步的結果每次都能用）、Skill 篇（把跑通的一步打包）、Workflow 篇（把幾步串成流水線）、Agent 篇（寫不出步驟的那一步怎麼放手，含 MCP）。
順序是有講究的，別倒過來讀——每一層都會把下一層的不穩定放大。
另有兩篇不在主線上的地圖：模型篇（有哪些模型 —— "人"）和工具篇（有哪些工位 —— "殼"）。這兩篇是全書僅有的會過期的部分，所以都只寫"誰是誰、給誰用"，不寫版本號、價格和排名，每條配官方入口讓你自己核。
再往後的計劃是 RAG 落地和更多實戰案例。不過先挑一件真實的活，從第一篇開始動手做一遍——那比再讀十章都管用。