AI 第一次输出往往只有 70-80% 可用。
大多数人的本能反应是：「不对，重写」 或 「再优化一下」。
这种模糊反馈会导致两个致命问题：
- 全盘重生成：AI 会丢弃原本写对的部分，重新抽样，导致「好的没留住，坏的没修好」。
- 指令漂移：缺乏具体修改锚点，AI 只能靠猜测调整，越改越偏离预期。
在前面的四篇文章中，我们构建了从 需求澄清、分步执行、交付物定义 到 示例对齐 的完整工作流。
今天，我们补齐最后一块拼图：当 AI 首次输出不完美时，如何通过「迭代优化」，用结构化反馈精准推到 100%，完成从「可用」到「完美」的最后一公里。
🎯 核心问题：为什么「重写」是效率杀手？
大语言模型（LLM）的生成具有随机性（Temperature）。当你对 AI 说「重写」时，模型会重新进行一次完整的抽样过程。
这意味着：
- 原本正确的逻辑可能被改错。
- 原本满意的措辞可能被替换。
- 原本对齐的格式可能再次跑偏。
「重写」是推倒重来，而「迭代」是定向手术。
高效的 AI 协作，不是期待 AI 一次命中，而是通过小步快跑、定向纠偏，快速收敛到最优解。
🔧 核心理念：迭代优化（Iterative Refinement）
把「重写」变成「定向手术」。用结构化反馈框架精准锁定修改范围、原因和方向，让 AI 在已有基础上迭代，而非推倒重来。
标准 Prompt 模式
"整体方向不错，但需要针对以下部分进行定向修改：
1. 保留：[明确不需要改的部分，防止 AI 误伤]
2. 修改：[具体指出哪一段/哪一点/哪段代码有问题]
3. 原因：[为什么不好？逻辑漏洞？数据不准？语气太硬？缺少边界处理？]
4. 方向：[期望改成什么样？可结合技巧二/三给标准或示例]
5. 范围：[只修改上述部分，其他保持不变]
请基于以上反馈输出 v2 版本。"
🛠️ 实战案例
案例一：技术方案微调
❌ 模糊反馈：
“太理论了，重写”
结果：AI 可能会把原本不错的架构选型部分也改掉，换成另一套同样理论化的方案。
✅ 结构化反馈：
“整体架构选型部分很好，请保留。
需要修改：‘容灾方案’段落。 原因：缺少具体的 RTO/RPO 指标和切换流程，太笼统。 方向：补充主从切换的具体步骤（如 VIP 漂移、DNS 切换）和降级策略，参考技巧二的交付格式（列表 + 关键数据）。 范围：只修改容灾方案部分，其他保持不变。”
结果：AI 精准定位到问题段落进行增强，原有优质内容不受影响。
案例二：营销文案语气调整
❌ 模糊反馈：
“语气不对，再改改”
结果：AI 可能会从「太硬」改成「太软」，或者加入一堆尴尬的网络用语。
✅ 结构化反馈：
“保留核心卖点和价格信息。
需要修改：开头两段。 原因：语气偏硬，缺乏共情，像是在念说明书。 方向：改用’用户痛点场景+解决方案’结构，参考我上次发的示例邮件语气（技巧三），更亲切自然一些。 范围：其余段落保持原样。”
结果：AI 只调整了语气有问题的部分，整体文案结构稳定，修改效率极高。
案例三：代码 Bug 修复
❌ 模糊反馈：
“代码有 bug，重写”
结果：AI 可能会重写整个函数，引入新的命名不一致或逻辑错误。
✅ 结构化反馈：
“保留数据解析和主流程逻辑。
需要修改：
validate_payload函数。 原因：未处理空值（None）和类型不兼容异常，运行时报错。 方向：补充 try-except 和类型守卫（isinstance），添加错误日志记录。 范围：其他函数不要动。”
结果：AI 像打补丁一样精准修复 Bug，避免了「修好一个 Bug，引入三个新 Bug」的恶性循环。
🧠 为什么结构化反馈有效？
- 上下文锚定：LLM 对局部修改的遵循度远高于全局重写。明确「保留什么」能锁定优质上下文，防止随机性破坏已有成果。
- 梯度优化思维：类似机器学习中的
Learning Rate。小步定向调整比大步盲目跳跃更容易收敛到最优解。 - 降低 Token 浪费：只让 AI 重新生成问题片段，节省上下文窗口和计算资源，响应更快、更稳定。
🚀 进阶变体
变体一：自我审查（Self-Critique）
在交付前让 AI 先挑自己的刺，大幅减少人工反馈轮次。
“在输出最终版之前，请先以 [资深架构师/资深编辑/安全专家] 的视角，找出当前方案的 3 个潜在缺陷或风险点，并自行修复后输出 v2。”
原理：LLM 具备强大的自我评估能力。通过角色扮演激活其批判性思维，往往能发现人类容易忽略的盲点。
变体二：多方案择优（Multi-Variant）
当方向不确定时，让 AI 提供选项而非单点答案。
“请针对这个问题提供 3 种不同思路的方案（保守/平衡/激进），用表格对比各自的 trade-off、实施成本和适用场景。我选择后再深入展开。”
原理：利用 LLM 的发散能力生成多个候选解，人类负责决策收敛，实现人机优势互补。
变体三：版本对比（Diff-Style）
“请输出修改后的 v2 版本，并在末尾附上 v1 → v2 的变更摘要（改了哪里、为什么改），方便我快速 Review。”
原理：类似 Git 的 Diff 机制，让修改过程透明化，便于人类快速验证 AI 是否正确理解了指令。
🔄 五步法全景：AI 协作完整闭环
至此，我们完成了高效 AI 协作的五步法全景图。这五个技巧环环相扣，构成了一个完整的工程化方法论。
┌──────────────────────────────────────────────────────────────┐
│ 高效 AI 协作五步闭环 │
├──────────────────────────────────────────────────────────────┤
│ │
│ ① 提问澄清（Input） │
│ AI 反问 → 锁定真实需求与边界条件 │
│ ↓ │
│ ④ 分步执行（Process） │
│ 拆解计划 → 确认步骤 → 逐步推进 │
│ ↓ │
│ ② 交付物先行（Output） │
│ 定义格式/结构/长度/禁忌 → 锁定交付标准 │
│ ↓ │
│ ③ 示例驱动（Style） │
│ 提供正反面 Few-shot → 对齐风格与质量基线 │
│ ↓ │
│ ⑤ 迭代优化（Iteration） │
│ 结构化反馈 / 自我审查 / 多方案择优 → 精准收敛至 100% │
│ │
└──────────────────────────────────────────────────────────────┘
五种技巧的工程类比
| 技巧 | 解决维度 | 核心动作 | 工程类比 |
|---|---|---|---|
| 一：提问澄清 | Input | AI 反问确认 | 需求评审（PRD Review） |
| 四：分步执行 | Process | 拆解+逐步执行 | 敏捷迭代（Sprint Planning） |
| 二：交付物先行 | Output | 定义验收标准 | 测试用例（Acceptance Criteria） |
| 三：示例驱动 | Style | 提供参考样例 | 参考实现（Reference Impl） |
| 五：迭代优化 | Iteration | 结构化反馈 | Code Review + Patch |
🧠 本质思考：AI 协作是管理能力的延伸
很多人把 AI 当作「聊天机器人」，期待它像人类同事一样通过默契理解你的意图。但 AI 的本质是概率模型，它没有长期记忆中的「默契」，也没有对你个人偏好的隐性认知。
高效的 AI 协作，本质上是高效的项目管理。
- 提问澄清 = 需求分析
- 分步执行 = 敏捷规划
- 交付物先行 = 验收标准
- 示例驱动 = 参考实现
- 迭代优化 = 代码审查与补丁
当你能清晰地定义需求、流程、标准和反馈时，AI 就能成为你最可靠的执行者。反之，如果你自己都没想清楚要什么，AI 只会放大你的模糊，生成一堆看似正确但毫无用处的内容。
AI 一直都很聪明，只是你需要学会如何给它下达可执行的指令。
你在实际使用悟空或其他 AI 工具时，有哪些「迭代优化」的成功案例？或者有哪些场景你觉得反馈特别难给？欢迎留言讨论。