AI 没把事做好，人和 AI 该怎么分工？
最近和一些人聊起用 AI 工作，发现两种很常见的状态。
一种是不敢太依赖，担心 AI 不能帮人做决策。另一种是用得挺勤，但还停在网页版对话框里：聊完一段，把有用的内容复制到别处，再回来聊下一段。
不敢用和用得很基础，看起来是两个方向，但都卡在同一个问题上：不太清楚人和 AI 之间应该怎样分工。
最近写公众号，我越来越少把 AI 当成一个“你说一句，它写一段”的工具。
现在一篇文章从选题到成稿，我会和 AI 来回讨论问题到底是什么。它查官方资料、整理证据、搭结构、写稿、修改和检查；我不断判断这是不是我真正想表达的东西，哪些话太重，哪些结论没有价值，哪些表达根本不像人会说的。
这篇文章本身就是一个例子。
它最初讨论的是“怎样让大模型提出更有价值的问题”。但聊着聊着，问题逐渐变了：我们真正想要的不是让 AI 多提问，而是让它别只按字面听话，能参与把问题想清楚，再把工作推进到可用结果。
这不是换一个更漂亮的提示词就能解释的。
先把分工摆出来
真正参与协作的只有两个主体：人和 AI。
人带着现实生活里的目标、经验、偏好和责任。AI 则依靠模型已有的知识和推理能力，调查信息、选择路径、调用工具并推进工作。
用公众号写作来解释，会更直观。
我知道这个账号想写给谁，愿意表达什么立场，哪些经历真实发生过，什么语气让我不舒服，最后是否愿意署名发布。这些信息在我脑子里，AI 无法从公开资料中查到。
AI 更适合承担另一部分工作：寻找原始资料，比较不同解释，找出证据缺口，整理结构，完成草稿，根据反馈修改，并检查最终文件有没有遗漏。
可以先把分工写成两列：
| 人提供 | AI 承担 |
|---|---|
| 想得到什么结果 | 查资料、读文件 |
| 真实经历和现实条件 | 比较不同路径 |
| 价值取舍和个人判断 | 提出方案和反例 |
| 哪些风险不能接受 | 生成、修改和验证产物 |
| 最终授权和责任 | 在授权范围内继续推进 |
这不是说人只需要扔下一个目标，然后等 AI 自动完成一切。
AI 不知道我没有说出的个人经历，也不能替我决定什么观点值得公开署名；反过来，我也没有必要先掌握每个领域的完整方法，再逐步教它怎么搜索、怎么比较、怎么写。
人不用先成为所有领域的专家，AI 也不能把人的第一句话当成完整答案。
这套分工要真正运转起来，还需要解决三个具体问题：人怎样交代当前任务，AI 在哪里采取行动，长期约定怎样跨会话保留下来。
下面都用 OpenCode 里的真实写作过程来解释。
图注：人通过 Prompt 把当前任务交代给 AI Agent；大模型、OpenCode 和 AGENTS.md 共同支持它推进工作。AI Agent 返回结果、方案、问题或风险，人再判断、反馈和授权。AGENTS.md 保存的是项目共同规则，不是自定义 Agent，也不是权限系统。
当前任务，通过 Prompt 交代
AI 没把事做好，Prompt 当然可能有问题。
如果我只说“写一篇关于 AI 协作的文章”，AI 不知道这篇文章写给谁，也不知道我想讨论 Prompt 技巧、团队管理，还是 Agent 工程。它只能从大量合理解释中猜一个。
所以，Prompt 仍然承担着一个不可替代的作用：把当前任务中只有人知道的信息交代给 AI。
一次任务里，我通常需要说清四类信息。
结果
我最后想得到什么，而不只是我随口想到的一种方法。
我想写清人和 AI 怎样分工，不是再写一篇 Prompt 技巧教程。条件
AI 无法自行知道的现实背景。
这篇文章面向正在使用大模型和 Agent 的普通读者，案例来自我经营这个公众号的真实协作过程。边界
哪些内容不能猜，哪些动作需要我决定。
不要补造我的经历。没有证据的效果提升不要写成结论。
完成初稿和必要的事实核验后交给我审稿；
正文定稿后才能进入排版和发布。完成标准
做到什么程度，这项工作才算可以交付。
读者看完后，要能分清自己和 AI 各自负责什么，
并知道 Prompt、OpenCode 和 AGENTS.md 分别在什么时候起作用。这四项不是新的 Prompt 公式，也不要求每次照着表格填写。它们只是避免让 AI 猜测人脑中的目标、事实和授权。
至于资料从哪里找、文章怎样组织、先研究还是先试写，可以让 AI 提出路径。人的输入不必细到替 AI 规定每一步。
OpenCode 让 AI 真正行动
网页对话框现在也能上传文件、联网搜索，部分产品还支持项目上下文和工具调用。区别不在界面，而在实际使用方式：如果仍然由人逐次提供材料、复制结果并发起下一步，协作本质上还是一轮轮问答。
这篇文章所说的 AI Agent，是指大模型在 OpenCode 这样的环境中工作：AI 可以直接进入指定项目目录，根据目标选择路径，读取和修改文件、调用工具、运行检查，并根据真实反馈继续调整。
本公众号大量写作实践使用的是 OpenCode。如果还不熟悉它，可以先看我之前写的 《OpenCode 桌面版手把手入门》。这篇教程从桌面版安装和基础操作讲起。
有了这张工作台，AI 的工作方式才可能从一次回答变成一个循环：
理解当前任务
→ 获取资料
→ 选择路径并行动
→ 查看结果
→ 修改判断
→ 继续完成或向人询问这里仍然需要人划定权限。
没有文件权限，AI 无法读取项目背景；没有搜索工具，它无法核对动态事实；没有测试和反馈，它不知道修改是否有效。反过来，权限过大，也可能让一次理解错误变成真实损失。
这些问题继续修改 Prompt 解决不了。Prompt 可以说明目标和边界，却不能代替运行环境对项目文件、工具、权限和执行反馈的真实接入。
反复成立的约定，放进 AGENTS.md
当做一个长期任务的时候，比如我做公众号运营，是个持续的事情，跟着我的 AI 助理应该更懂这个项目。
Prompt 负责当前任务，OpenCode 提供行动环境。还有一类信息，既不该每次重新交代，也不能指望 AI 自动知道。
这个公众号长期遵守一些明确约定：
- 没有真实素材，不能补写作者的第一人称经历；
- 关键事实要追到原始来源；
- 正文要区分事实、第三方判断和作者判断；
- 标题不能靠夸大正文没有证明的结果吸引点击；
- 用户确认正文以后，才能进入最终排版和发布。
如果这些信息没有被沉淀并作为执行依据，每次开启新任务，AI 都要重新猜：能不能补现场细节，资料需要查到什么程度，什么时候找人审稿，什么时候可以发布。
它可能多数时候猜对，也可能每次漏掉不同的一项。对于临时问答，这种波动未必严重；对于长期生产，它会变成重复沟通和不稳定的结果。
在 OpenCode 里，我把这些项目长期约定写在项目根目录的 AGENTS.md 中。之后在这个项目及相应子目录里工作时，OpenCode 会把适用的规则文件加入模型上下文，不需要我每次复制粘贴。它不会自动影响其他项目。
注意 AGENTS.md 不是一次写完的规则清单，而是从真实协作中逐步形成、继续更新的项目约定。研究文章标题方法就是一个例子。
以前 AI 给出一个标题，我读着意思差不多就直接用了。后来看到不同文章的访问表现差异很大，才意识到我们一直没有稳定的标题决策方法。微信没有公开可直接套用的推荐标题公式，单篇数据也无法证明效果由标题造成，但账号自己的同类数据至少可以帮助校准判断。
于是，我们重新拆解了这件事。让 AI Agent 先分析目标读者是谁，他们可能主动搜索哪些对象词和问题词；再回到正文，确认文章真正解决了什么，避免标题扩大承诺。接着查微信公开资料，区分平台明确说过的规则和外部运营经验；同时比较账号后台的同类文章数据，只把它当成校准线索，不从单篇表现推导因果。
这些工作最后形成了一套基本准则，这套准则被写进项目的 AGENTS.md。以后起标题，AI 不必每次重新猜，我也可以直接检查它有没有完成同一组判断：
发现问题
→ 分析目标读者和正文承诺
→ 查公开资料、对比账号数据
→ 形成候选标题和检查标准
→ 人确认后写进项目约定
→ 用后续数据继续更新这篇文章的标题也是按这套方法确定的。
这不是 AI 自动学习，而是人和 AI 把一次协作中形成的方法保存下来。如果微信规则变化，或者账号积累了更多可比数据，这套标题方法还要继续调整。
AGENTS.md 不是另一个 Agent，也不是权限系统。它保存的是项目共同规则；自定义 Agent 则定义一个专门角色的职责、模型和权限。两者具体怎样分工，留到讨论 AGENTS.md 应用时再展开。
可以把这里的原则写得更直接：
该让 AI 判断的，让它判断；已经确定的事情，就别让它每次重猜。
和 AI 结伴做事
回到开头的担心：AI 能不能帮人做决策？
AI 可以参与决策，但不能替你承担决策的后果。
人负责说清结果、现实条件和授权，AI 负责调查信息、比较方案并推进工作。需要反复遵守的约定，再写进项目规则。
我现在更愿意把它理解为一种结伴做事：不会的问它，拿不准的和它商量，最终决定仍由承担后果的人作出。
