在 AI 时代保持领先：像设计师一样思考

原文：https://every.to/p/to-stay-ahead-on-ai-think-like-a-designer 作者：Aishwarya Reganti 日期：2026-08-04

如今，我称自己为设计师，尽管我设计的不是界面或 Logo。我的工作是确保与我共事的人和 AI 智能体能够做出和我相同的决策。我设计的是“工作如何完成”这件事本身。

职业生涯早期的我若听到这个说法，会感到非常意外，那时我靠执行力建立了自己的口碑。在创办公司之前，我从事 AI 和机器学习研究，之后在亚马逊做了六年 AI 科学家。“快速构建，稍后修复”曾是我的座右铭。每接到一个任务，我都会尽可能快速地完成它，因为工作本身就有相当难度。在那个阶段，执行力就是专业能力的证明。

但现在，AI 能在几分钟内产出一个尚可的版本——一个过去足以让我们脱颖而出的成果。于是，我们中的许多人开始面对一个问题：如果机器能做我赖以成名的事，那我还剩什么？

这个问题的另一面，比我们以为正在失去的东西有趣得多。在那里，有一种平静和笃定，一种由能力带来的顺风。但要抵达那里，首先需要放下一个信念：我们等于我们所生产的东西。

我们曾被训练去适应的世界

学校奖励执行力。你的成绩取决于你写的论文和按时提交的项目。职场也以同样的方式奖励它。绩效评估衡量产出，晋升往往青睐那些产出最多、最快、质量最高的人。

起初，对于这样一路成长起来的人来说，AI 似乎是一种恩赐。如果我在做 X，那么有了 AI 增强后，我应该能把 X 做得更好、更快。这导致你不断追逐每一种新工具和新技术，因为即使是渐进式的改进，也毕竟是改进。

但下一个新事物永远近在眼前。用小规模、专业化数据集微调一个 AI 模型曾是“那件事”，大约持续了八个月，然后就被检索增强生成（retrieval augmented generation, RAG）取代了。一年后，智能体（agents）成了主流，现在又变成了 MCP、技能框架和智能体工作流。或是 Codex 原生应用，或是语音优先的知识工作。

这场追逐没有终点。它只会让你停留在执行层，而那个层面正是 AI 正在吞噬的。你需要的，是向上走一层去工作：设计层。我说的是最广义的“设计”：为一个任务定义约束条件、标准和方向的行为——在执行开始前，把你自己的判断编码进去。无论你的职位头衔里有没有“设计”二字，这都适用。任何时候你决定应该构建什么、它该如何运作以及什么才算“好”，你就是在做设计。

设计层

如今，我运营着一家名为 LevelUp Labs 的初创公司，帮助中型和大型企业构建并上线 AI 应用。我们派遣小型工程团队直接与客户团队合作，同时也培训这些客户如何在实践中使用 AI。

在创办公司之前，我管理过科研和工程团队，但那是在大公司里，角色、职责和流程早已被清晰界定。而现在，我需要招聘人员，从零开始定义他们的角色，并决定在销售和进入市场策略还没有任何文档的情况下，要把哪些工作交出去。我必须想清楚，如何在不事无巨细地管理每一步、每一个循环的前提下，把工作做好。

我不得不问自己：“这个人需要知道什么，才能像我一样去运作？”他们需要知道什么时候该提出异议，什么时候一个简单的请求其实意味着一周的工作量，以及什么时候“够好了”就真的足够了。我必须设计出能够承载我判断的系统，这样我的团队就能在不需要我的情况下执行。

于是，我写下了我们的销售流程应该是什么样，包括在一种类型的电话会议中应该发生什么，与另一种类型的电话会议有何不同。我们使用一个框架，根据每家公司的系统、团队、流程、采用情况和投资意愿，将其归入五个 AI 就绪阶段之一。这个评估决定了我们会问什么问题，以及对话的重点是该强调安全性和治理，还是速度、实验和采用。

我甚至详细记录了在不同行业和公司类型中，应该与客户进行哪类软性讨论，好让他们感到被倾听。一个工程经理担心的东西和 CEO 完全不同，所以对话必须根据房间里的人做出改变。

把这些写下来，帮助我的团队做出了我会做的那些决策。当 Claude Code、Codex 和其他智能体能够起草客户交付物、更新内部系统、准备客户回复时，我意识到它们也需要同样类型的指导。为一个智能体设定规则和护栏，感觉非常像是在为新员工办理入职。这个智能体自己能做哪些决策？它能访问我们的客户关系管理系统或客服收件箱吗？它应该直接发送回复，还是只为咨询准备草稿？它是否应该加入我们讨论公司愿景的群聊，还是留在幕后，仅在需要时介入？我发现自己在问的就是这些问题。

在设计层运作的五种模式

在过去两年里，通过与我的团队以及数十位经历这一转变的客户合作，我观察到有五种模式将那些感到迷失的人和那些感觉自己升级了的人区分开来。

1. 在任何东西构建之前，先写一份规格书

AI 可以在你还没解释完问题之前就开始构建。除非你提供缺失的上下文，否则它将替你做出重要决策。这就是为什么在我的公司，我们做的第一件事就是写一份规格书（spec）。它将我在三十多家企业实施 AI 所学到的东西，转化为 AI 可以遵循的需求、权衡和边缘情况。

你不必是超级技术专家。你可以为任何你想用 AI 设计的东西写一份规格书——比如说，一个当你很久没和好友联系时会提醒你的应用。不要直接让 AI “构建一个朋友追踪器应用”，你应该写一份规格书：

示例

概述： 一款个人 CRM，每周根据上次联系时间和每个人的联系频率，筛选出 2 到 3 位需要联系的密友。目标：减少与密友间的疏远，同时不让主动联系变成一项苦差。

核心场景： 周日上午，你有一个小时。打开应用，看到 2 到 3 个今天应该联系的具体对象，每个人都附有一句话理由。你主动联系，将他们标记为“已联系”，然后关闭应用。

功能需求：

• 追踪每个人的：最后一次有意义的联系、日期和方式，偏好的联系频率（每周、每月、每季度或每年），以及上下文备注。
• 打开时：根据联系频率，筛选出最超期的前 2 到 3 人，按超期时间差排序。
• 对每个被筛选出的人，显示上次联系距今多久以及最近的上下文备注。
• 一键“标记为已联系”则更新上次联系日期。

行为规则：

• “联系”指的是一场真正的对话。点赞、反应和单字回复不算，不更新计时器。
• 联系频率因人而异。没有全局默认值。有些朋友每周一次，有些一年两次。
• 如果某个人连续三周被建议但未操作，则自动降低其优先级。
• 如果没有人超期，应用不显示任何内容。默认倾向于“少推荐”。

非目标：

• 通讯录管理。你的手机已经能做这个了。
• 连续联系记录、评分或游戏化。
• 关系指标。人不该被量化。
• 通知。你在自己的时间里打开它。

失败模式：

• 应用给人的感觉像是义务而非关怀。
• 建议流于俗套，比如“联系一个朋友吧！”
• 一次筛选出超过 3 个人。
• 应用主动推送任何通知。

几乎每一行都依赖于 AI 不可能知道的东西：你希望多久联系一次朋友，你把什么视为一场真正的对话，或者你是否宁愿漏掉某个人也不想感到被唠叨。这些答案取决于你的生活方式以及你如何与人连接。把这个例子换成你团队的工作流工具、审核系统或公司知识库，道理是一样的——AI 猜不到什么对你来说是独特的。

2. 提出正确的问题

设定有用的约束，取决于提出能暴露工作中缺陷的问题。

当一个 AI 智能体为我正在构建的东西——比如一个接受支付的网站——生成了 200 个文件时，我的旧直觉是检查每个文件，研究登录代码，并从头到尾跟踪支付流程。但在 AI 的速度下，逐行审查代码可能比生成代码花费更长时间。

所以，我改为问五个问题：

• “你是如何处理认证（auth）的？给我仔细讲讲。”
• “会话中途令牌（token）过期会发生什么？”
• “支付失败有哪些不同的路径？”
• “如果 Stripe 返回超时怎么办？”
• “这需要支持一万并发用户。你的限流机制在哪里？”

我知道该问什么，是因为我构建过这些系统，并调试过因跳过这些问题而产生的故障。我也拥有能用于此场景的技术词汇。我的专业能力是一样的；我只是把它向上挪了一层来应用，通过审查决策而非一行行代码。

3. 将你的品味转化为可复用的指令

我设计关于 AI 的课程和培训项目。在这个领域深耕十年后，我能迅速辨认出 AI 生成的草稿在何处语气走偏，或在何处结构让读者丧失兴趣。早期，我会纠正每一份草稿——但同样的问题总是一再出现。

于是，我开始把这些反馈转化为规则。在我的课程里，每个概念都应该建立在前面概念的基础上。当我把这条指令加进提示词后，草稿就变得更连贯了。我再也不用反复纠正同一个错误，我已经将我的判断中的一小部分，变为了我的团队和 AI 智能体可以复用的东西。

4. 从问题出发，而非从工具出发

与其问“我应该学这个吗？”，不如问“这能解决我非常了解的工作中的一个真实问题吗？”我还会问，一个 AI 智能体能使用这个工具吗。我会跳过那些需要人们长时间学习，或把我拉回低层次工作的工具。那些处于设计层的人仍然会学习新工具；他们只是基于问题来选择工具。

5. 创建反馈循环

与传统软件不同，AI 的产出会随着模型、输入或需求的变化而变化。人们搭建好一个 AI 系统，第一天得到了不错的结果，然后就不管了。三个月后，质量已经下降——而且没人知道为什么。

每份 AI 生成的产出，都是对它得以产生的约束条件和上下文的反馈。只有将反馈机制纳入流程，你才能发现 AI 一直在犯同样的语气错误，或者注意到一个模板在前十次合作中运行良好，但在第十一次因为上下文变了而失效。

将设计层视为一个循环：设定约束，审查结果，更新系统，然后重复。

成为设计师

设计层拓展了你的职业生涯。但这只有在你不再用你生产的东西来衡量自身价值时才可能实现。我几乎是偶然地达到了这一状态。经营一家初创公司教会了我设定方向、做重要决策，并构建他人可以遵循的系统。当 AI 智能体变得实用时，我意识到它们在很大程度上需要相同的指导。

我现在覆盖的领域，比我作为一个独立构建者时所能做的要广阔得多。我设计客户合作和课程大纲，运营社区项目，管理内部运营——常常是在同一周内完成。我定义了什么算“好”，并构建了那些让其他人能够将我内置的判断力执行出来的系统。

唯一的区别在于，现在这个“其他人”也同时是一个 AI 智能体。

核心启示： 当 AI 能够接管执行时，专业人士真正的护城河不再是“亲手做得多快多好”，而是向上游走的“设计能力”——在执行开始前，将自身的专业判断、品位和价值观，编码为 AI 和团队都能理解并遵循的约束、规格和反馈系统。