把AI当实习生而非软件：斯坦福教授的AI协作指南

在日常使用AI工具时，你是否经历过这样的挫败时刻：AI能轻易生成一个精致的超级马里奥3D模型，却无法为你家扫地机器人设计一个简单的楔形坡道？这种看似矛盾的现象，揭示了当前大语言模型（LLM）的一个核心特质。斯坦福大学的 Jeremy Utley 教授和 Mihail Eric 等专家近期不约而同地指出：阻碍我们发挥AI真正潜力的，往往不是技术本身的瓶颈，而是我们的心智模型。当我们把AI当作一台输入指令就输出完美结果的“软件”时，注定会失望；而当我们把它当作一个“人”来协作时，奇迹才会发生。本文将深入探讨“把AI当实习生而非软件”这一理念，并结合斯坦福的最新课程与前沿研究，为你提供一套系统的人机协作指南。

重新定义心智模型：为什么AI是“糟糕的软件”，却是“好的人”？

要理解如何与AI高效协作，首先需要打破对“软件”的传统认知。传统软件（Software 1.0）是确定性的，代码逻辑严密，输入A必然得到B。而基于大语言模型的软件3.0本质上是概率性的，它的行为由注意力机制和上下文动态生成。

Jeremy Utley 教授提出了一个精妙的悖论：“AI是糟糕的软件，但它是优秀的人（AI is bad software but it’s good people）。”

AI作为“实习生”的特质

把AI想象成一个“超级热情、超级 enthusiastic（充满热情）的实习生”。这个实习生不知疲倦、永远想帮忙、拥有海量的知识库。但它也有明显的缺陷：它不擅长反驳、不懂得设定边界，更致命的是，它很少承认自己“做不到”。

这就是为什么AI有时会“gaslight（煤气灯效应/误导）”你，比如信誓旦旦地让你“过几天再来检查”一个它根本无法完成的任务。这不是软件的Bug，而是它被设定为总是回答“Yes”的必然结果。

从“确定性预期”到“概率性协作”

如果你用对待传统软件的预期（即“绝对精确、无需解释”）来对待AI，你会因为它的“幻觉”和逻辑跳跃而愤怒。但如果你用对待人类实习生的耐心——提供清晰的背景、允许它犯错、引导它迭代——你就能将它的概率性转化为创造力。正如AI先驱 Andrej Karpathy 所言，LLM是“有缺陷的超人”，我们需要在认知不对称的基础上建立协作。

从“氛围编程”到“人机协作工程”：斯坦福的实战指南

在斯坦福大学备受瞩目的 CS146S（现代软件开发者）课程中，Mihail Eric 提出了一个核心原则：“Human-agent engineering, not vibe coding（人机协作工程，而非氛围式编程）。” 纯粹靠“感觉”让AI生成代码，无法产出生产级的软件。真正的现代开发者，必须学会管理这群“热情但稚嫩的AI实习候选人”。

1. 上下文获取与主动推理

AI的表现完全取决于你提供的上下文。最新研究（如 Active Inference as Context Acquisition）表明，AI Agent 在面临模糊指令时，会消耗大量 Token 去猜测或试错。因此，管理实习生的第一步是“喂”给它最小且最准确的上下文。不要只告诉它“做什么”，要告诉它“为什么做”以及“约束条件是什么”。

2. 结构化的任务拆解

不要试图用一个 Prompt 解决所有问题。将复杂任务拆解，就像给实习生分配阶段性工作。

低效指令：“帮我写一个用户登录模块。”
高效指令：“我们正在开发一个面向Z世代的潮玩电商App。请帮我设计用户登录模块的架构，要求支持手机号验证码和微信一键登录，并考虑高并发下的 Token 刷新机制。先给出设计方案，不要直接写代码。”

3. 可复用的协作启动 Prompt

为了规范“实习生”的行为，我们可以使用结构化的 Prompt 来设定协作基调。以下是一个在实际工程中可以直接复用的启动 Prompt 示例：

# Role
你是一名严谨且经验丰富的后端工程搭档（高级实习生）。

# Context
我们正在进行一个电商订单系统的重构。当前系统是单体架构，我们需要将订单模块拆分为微服务。
技术栈：Java 17, Spring Boot 3, MySQL 8, Redis。

# Task
请协助我完成订单状态机的设计与代码实现。

# Rules
1. 先理解需求：在动手写代码前，先复述你对订单状态流转的理解，并向我确认。
2. 暴露风险：如果发现我的设计有并发问题或性能瓶颈，请直接指出，不要盲目顺从。
3. 分步执行：先输出状态机枚举类和核心接口定义，等我 Review 通过后，再实现具体逻辑。
4. 事实与推测分离：对于不确定的业务逻辑，请明确标注为“推测”，并给出你的假设依据。

# Action
请先确认你已理解上述背景，并给出你对订单状态机初步设计的思考。

协作进阶：从“派发任务”到“共同解题”

把AI当实习生，能解决“执行”层面的效率问题，但容易陷入“你写我改”的单向指令循环。要实现真正的生产力跃升，我们需要将协作模式升级为“工程搭档”。

共同澄清与方案比较

当遇到中等以上复杂度的任务时，不要急于让AI给出最终答案。优秀的搭档会和你一起拆解问题。

从“给出答案”到“比较选择”：你可以要求AI：“针对这个需求，请提供三种不同的实现方案，并对比它们在开发成本、运行性能和后期维护上的优劣。”
共同验证：让AI为你生成的代码编写单元测试，或者让它扮演“代码审查者（Code Reviewer）”的角色，寻找自己代码中的漏洞。

建立信任与验证机制

在AI时代，开发者的角色正在从“代码实现者”转变为“系统描述者”和“质量审核者”。正如 Karpathy 在 Y Combinator 演讲中强调的，自然语言正在成为新的编程接口。但这也意味着，你必须具备更强的系统架构能力和批判性思维。

永远记住：LLM的上限就是你的上限（LLMs are only as good as you are）。如果你的代码库本身缺乏清晰的结构，AI也会一头雾水。因此，把有效的人机对话沉淀为团队的 Prompt 资产和架构规范，是高级开发者的必修课。

总结与未来展望

“把AI当实习生而非软件”，不仅是一句生动的比喻，更是AI时代人机交互的底层逻辑。它要求我们放弃对“完美工具”的幻想，拥抱“概率性协作”的现实。通过提供清晰的上下文、结构化的指令以及迭代式的反馈，我们能够将AI的“幻觉”转化为“灵感”，将它的“盲目顺从”引导为“精准执行”。

展望未来，随着 AI Agent（如自主社交网络 Agent2Creator 中的智能体）的快速发展，AI的自主规划和工具调用能力将越来越强。但无论技术如何演进，人类作为“机长”的决策、审核与架构设计能力依然不可替代。掌握人机协作工程，不仅是为了提高效率，更是为了在软件3.0时代，重新定义我们作为创造者的核心价值。

参考来源

Jeremy Utley, Treat AI Like an Intern, Not Software: A Stanford Professor’s Guide, Pixelum’s Substack.
Mihail Eric, CS146S: The Modern Software Developer, Stanford University.
Andrej Karpathy, AI时代软件的第三次革命, Y Combinator 2025 演讲.
Sanchayan Dutta et al., Active Inference as Context Acquisition for AI Agents, arXiv:2608.19202.
Hacker News 讨论: Why can AI generate Super Mario but not a wedge ramp for my robot vacuum?
全栈弄潮儿, 周复盘：把 AI 当实习生，还是当工程搭档？, CSDN博客.

编程手札