AI 礼仪：为什么直接粘贴 LLM 输出是对话的死胡同
AI 礼仪：为什么直接粘贴 LLM 输出是对话的死胡同
大语言模型 (LLMs) 的兴起从根本上改变了我们获取信息的方式，但也引入了一种新的、令人沮丧的社交摩擦。我们都经历过这种情况：你向同事或朋友提出一个微妙的问题，寻求他们特定的专业知识或观点，结果却收到了一大堆格式完美、带有项目符号的文本，开头写着：“好问题！让我们一步步来分析。”
这种现象——“粘贴 AI”的行为——不仅仅是一个捷径；它是一种对话的失败。当我们把回复完全外包给聊天机器人时，我们不仅是在节省时间，更是在向对方传递一个信号：他们的询问不值得你投入人类思考过程的努力。
“肉身 RPA”问题
其核心在于对社交契约的违背。当有人专门向你提问时，他们并不是在寻找互联网共识的通用摘要；他们是在寻找你的品味、你的经验和你的判断。
正如 Hacker News 上的一位评论者尖锐地指出，收到原始的 AI 回复可能会让人觉得那个人变成了一个“肉身 RPA” (Robotic Process Automation)——一个仅仅在从模型中复制粘贴权重和偏置的人类躯壳。当一个人大脑中独特的“湿件”被通用的 LLM 输出所取代时，对话中的人类连接实际上就死掉了。
为什么原始 AI 输出会失败
除了社交上的无礼之外，还有一些实际原因，解释了为什么原始的 LLM 输出通常是糟糕的交付物：
1. 缺乏共享上下文
LLMs 在没有明确提示的情况下，并不知道两个同事之间的默契，也不了解项目的特定约束。这会导致“冗余”——包含每个人都已知的基本信息——以及遗漏只有人类队友才会考虑的关键、细分领域的上下文。
2. 权威的错觉
AI 会自信地犯错。当用户在没有审核的情况下直接粘贴回复时，他们是在传递这种自信，却不承担相应的责任。这在技术环境（如代码审查）中尤为危险，例如一个 10,000 字符的 AI 回复可能包含 99% 的琐碎内容和 1% 的关键错误，迫使接收者在“废话”中筛选出真正的价值。
3. “唯一真理”陷阱
与提供十个蓝色链接供用户综合分析的搜索引擎不同，LLM 提供的是一个听起来具有权威性的单一答案。这创造了一种危险的倾向，即停止思考并开始接受，将对话变成了一种合成确定性的交付。
细微差别：什么时候是可以接受的？
并非所有的 AI 分享都是一样的。社区认为，行为的上下文和透明度决定了它是提供帮助还是造成伤害。
- 协作式调试： 如果一个团队正在共同尝试解决一个问题，将 Claude 或 GPT 的输出作为讨论的起点（“我不确定这个，但 AI 建议了 X；我们怎么看？”）是一种有效的协作方式。
- 劳动总结： 如果一个人花费了数小时提示 AI 来寻找复杂问题的根本原因，那么分享最终的总结是高效的，前提是将其框架化为该工作的成果：“在与 Claude 交流了四个小时后，结论如下。”
- 验证： 使用 AI 来寻找已知事实的更完整的表述方式可以很高效，只要人类明确证明内容的准确性。
一套更好的 AI 沟通框架
为了避免成为“肉身 RPA”，请将 LLM 视为初级实习生：输出是草稿，而不是交付物。以下是一个将 AI 集成到你的对话中而不丢失人类声音的简单工作流：
- 阅读并审核： 阅读整个输出。识别哪些是通用的，哪些是错误的，哪些是真正有用的。
- 压缩并过滤： 移除“AI 语气”（例如“好问题！”和“总之……”之类的废话）。剥离掉你的受众已经知道的信息。
- 综合： 用你自己的话重写核心见解。三句真诚的人类思考比三页机器人式的废话更有价值。
- 明确引用： 如果你必须引用 AI，请解释为什么你要这样做。“我向 Claude 询问了这个特定的边缘情况，而答案的这一部分似乎是正确的”提供了价值和透明度。
- 知道何时保持沉默： 如果你除了通用 AI 会说的话之外没有任何可以补充的内容，那么保持沉默比制造噪音更好。
最终，沟通的目标是在两个头脑之间交换意义。当我们从等式中移除了“头脑”的部分时，我们就不再是在沟通——我们只是在路由数据。