使用同一个模型、同一套工具，甚至面对同一个代码库，不同的人得到的结果可能天差地别。
有人会先说明目标和约束，让 Agent 提出方案，确认方向以后再改代码；遇到故障时，他提供日志、环境、复现步骤和已经验证过的假设。任务结束后，他会整理结论，让下一次对话从清晰的状态继续。
也有人不断重复「还是不对」「一次修好」「不要再出问题」，却不给现场信息，不允许系统检查日志。改坏以后立刻回退，回退后又沿着相同路线重来。对话越来越长，代码越来越乱，费用不断增长，问题却留在原地。
两者之间的差距，不只是会不会写 Prompt，而是能不能管理不确定性。
模型标价只是账单里最显眼的一行
谈到 AI 成本，人们往往首先计算输入输出 Token、模型单价和运行时长。这些数字当然重要，却不是成本的全部。
更昂贵的部分通常藏在工作过程里：
- 模糊目标引发的多轮猜测；
- 错误方向产生的大量无效代码；
- 混乱上下文导致的连续误判；
- 没有保存状态造成的重复调查；
- 缺少验收标准带来的反复修改。
一条糟糕指令浪费的并不只是一轮调用。Agent 沿着错误方向生成的代码，会在后续对话里变成新的「事实」。它会继续理解、解释和维护这些代码，让一次判断失误逐渐积累成技术债与上下文债。
所以，真正昂贵的不是问得多，而是在错误的问题上持续投入计算。
高质量使用者一直在缩小搜索范围
有效的人机协作并不依赖神秘咒语。好的使用者会在每一步减少未知变量，让 Agent 更接近真实问题。
第一，先确认方向，再大规模执行。
对于复杂任务，可以先要求 Agent 输出目标理解、影响范围、候选方案和验证方法，在确认之前不修改代码。相比事后推翻数百行实现，在动手前纠正方案便宜得多。
第二，用可观察的现象代替主观感受。
「点击保存后按钮持续加载三秒，随后接口返回 500，服务端提示字段缺失」，远比「保存还是坏的」有用。前者缩小了排查范围，后者只表达了使用者的挫败感。
日志、截图、端口、环境版本和复现路径都会消耗 Token，但这是有信息密度的投入。它们能减少猜测，通常也会降低总成本。
第三，把人的专业判断接入任务。
使用者可以提出假设，例如「我怀疑上传缓冲区太小，请先设计一个最小验证，不要直接改实现」。这不是替 Agent 下结论，而是为搜索提供方向，并要求它用证据确认或否定。
人不应该把思考完全外包给 AI。更好的关系是：人负责目标、约束和判断，AI 负责扩展分析与执行能力。
上下文越长，不代表信息越充分
不少人把超长对话当作安全感，仿佛历史越多，模型越不容易犯错。实际情况往往相反。
旧方案、失效假设、过期文件和情绪化反馈混在一起，会让 Agent 难以判断什么才是当前状态。上下文像一个从不整理的仓库，东西都没有丢，却越来越难找到真正需要的那一件。
长任务需要主动维护状态：
- 阶段结束后记录已完成事项与验证结果；
- 明确哪些假设已经被证伪；
- 切换任务时提供简洁的交接摘要；
- 新会话开始前读取当前版本的事实文档；
- 删除或标记已经失效的约束。
上下文管理不是形式主义，而是避免重复计算和错误继承的成本控制。
不让 AI 诊断，却要求它一次修好
复杂系统的问题往往来自一条链路，而不是单个代码点。
例如设备录音经过传输、解码再到播放器输出，任何一个环节都可能失败。合理的排查方式是逐段验证：源数据是否生成、传输是否完整、数据是否损坏、解码是否成功、播放器是否获得正确输入。
如果不给日志，不允许逐步检查，却要求 Agent 立即给出唯一答案，本质上是在要求它猜测。偶尔猜中会制造一种能力错觉，更多时候只会产生新的修改和新的故障。
回滚也有类似问题。回滚本身是重要的安全手段，但如果没有记录版本状态、失败原因和已验证结论，Agent 就会在多个版本之间来回摆动。同一条错误路线可能被反复尝试，已经修复的问题也可能被重新带回。
没有状态意识的回退，不是恢复，而是遗忘。
情绪也会占用上下文预算
对 AI 表达不满并不会直接帮助定位问题。「你到底会不会」「不要再瞎改」这类内容会进入上下文，却没有增加任何关于现场的信息。
它们甚至可能把后续响应引向道歉、安抚和过度承诺。为了显得已经采取行动，模型可能急于修改，而不是停下来重新诊断。
更有效的做法，是把情绪翻译成可验证的差异：
- 预期结果是什么？
- 实际观察到了什么？
- 哪一步开始偏离？
- 有哪些日志或数据可以证明？
- 什么条件满足后才算修复？
AI 不需要被迁就，但它需要信息。沟通质量越高，试错空间就越小。
AI 素养首先是一种成本管理能力
企业培训 AI，如果只教员工套用 Prompt 模板，很快会遇到天花板。真正影响产出质量和费用的，是更基础的能力：描述事实、拆解问题、设置停止条件、保存任务状态、设计验证方法，以及在错误扩大之前及时暂停。
一个清晰的停止条件尤其重要。什么时候应该继续让 Agent 尝试，什么时候必须重新确认目标？什么时候可以自动执行，什么时候需要人工审批？没有这些边界，模型可能长时间在低价值路径上循环。
AI 普及以后，「是否使用 AI」不会再构成明显优势。真正拉开差距的，是谁能把混乱的问题整理成可执行的任务，谁能提供高质量上下文，谁能识别无效推理，并在合适的时刻停止。
模型价格决定了每一步计算的单价，人的思考方式决定了要走多少弯路。
因此，一张 AI 账单记录的不只是调用量，也在映照使用者如何定义问题、处理证据和管理决策。会思考的人用 AI 放大能力；缺少秩序的人，则更可能用它放大返工。