【从0到1靠AI，从1到1.1靠主观能动性】
今天碰到一个新case，AI没能直接搞定，但让我对人机协同有了新的认识。

我们有个工作人员互评表，比如一个团队一共20个人，每个人都要给除自己之外的人打分，最终汇总算出个人平均分。目前团队已经先确定好了最终平均分，比如张三95分、李四98分，我需要根据既定平均分，反向还原出每个人的原始打分过程。有若干团队，太多表格了。

理想的合理状态应该是：张三最终平均分95分，是团队其他人给出高低不一的分数综合得来的，分数有93、94、95、96、98这样的自然差异，最终均值刚好落到95。

但我尝试了多款AI，反复调试提示词都收效甚微。大模型给出的结果永远高度同质化，张三的平均分是95，所有人就全都给他打95分，打分没有差异化。

经过多轮测试，最后只能先用AI生成同质化的表格，再依靠人工一点点手动微调，人为制造出合理的分数差异。

事后复盘才彻底想通：这根本不是提示词写得好不好的问题，本质是一道带约束的整数优化数学问题。大模型的核心优势是语言理解和文本生成，并不擅长精准的数值运算与组合规划，这类数学约束类的任务，本该交给程序代码来解决，而非单纯依靠语言大模型。

AI永远无法完全替代人，我们更不能一味过度依赖AI。AI可以高效完成从0到1的基础搭建工作，帮人省去大量机械重复的劳动；但从1到1.1的精细化打磨、逻辑校验、贴合现实的优化，依旧需要充分发挥主观能动性。

工具终究是工具，认清AI的能力边界，坚持人机协同、主动思考，才是长久之道。