一、基础：问题定义能力是防错的基石
人负责“做什么”，AI负责“怎么做”：Anthropic研究发现，约70%的规划类决策（如实现什么功能、走哪条技术路线）由人完成，80%的执行类决策（如写什么代码、用什么命令）交给AI 。用户如果连自己要什么都说不清楚，AI再强也帮不上忙。
专业度决定成功率：专家级用户每发一条指令，AI平均执行12个动作、输出3200个词；新手只能触发5个动作、600个词 。专家能让AI一口气干更多活，因为指令更精准、边界更明确。
新手遇到困难后直接放弃的比例达19%，而中级以上用户只有5%~7%：懂行的人知道AI在哪里容易犯错，也懂得如何把它拉回正轨 。
二、关键：建立人机协同的校验流程
先规划后执行：不要让AI直接写代码，而是先让它反问你缺失的信息。例如，通过“五人圆桌”角色模拟，让AI扮演反驳者、本质追问者、机会发现者、外行人和执行者，轮番挑出方案中的漏洞 。
严格验收结果：对AI生成的代码，必须逐个检查Diff、运行测试、确认功能是否达标。有程序员开发的工具可通过设置“封装质检清单”让AI自行检查（顺序明白、事理清楚、避免套话与重复），不合格就重做 。
将纠错反馈写回知识库：改过的内容要发给AI比对——改了哪里、为什么改、个人习惯如何。越用越顺手的原因不是模型变聪明了，而是它越来越懂你 。
三、行动：建立自己的业务知识库
AI不了解你的内部信息：如果只简单说“帮我写个优化方案”，AI只能靠通用行业知识作答，产出“正确的废话”或甚至编造不存在的功能 。
知识库至少包含五层：业务地图（对象、系统、角色关系）、现状流程（谁先做、谁后做）、核心规则（如何判断）、限制与历史决策（哪些不能改）、方案写作标准（好方案长什么样） 。
日常积累，不要一次性整理：完成一项工作需求，同步补充业务现状、相关规则、约束条件和过往决策记录；先让AI复述它理解的业务情况，修正偏差后再让它生成方案 。系统设计能力比会写代码更重要——未来拼的不是谁代码写得快，而是谁能更快理解问题、做出正确判断 。