不是"AI 帮你做事"，而是"你和 AI 一起，做出比你们各自都更好的结果"。这需要彻底理解各自的优势边界。
很多人用 AI 的方式是：把它当成一个随叫随到的员工，发一个任务，等它交差，不满意就再发一次。这种方式能用，但远远低于 AI 的真实价值。
更准确的比喻：AI 是一个能力极强但经验需要你来提供的思考搭档。它比你快，比你博学，不知疲倦，但它不了解你的处境、你的约束、你的判断——这些都要你来提供。
这就是为什么同样一个 AI，在不同人手里能产生天壤之别的结果。不是工具的差距，是协作方式的差距。
本章的核心问题不是"AI 能做什么"，而是：你和 AI 之间，什么应该由谁来做？边界在哪里？如何形成 1+1 > 2 的协作？
把复杂的人机协作问题拆解到底，有四条无法再进一步简化的原则。
优秀的人机协作不是一次性的"提问→接收答案"，而是一个持续迭代的循环。
每一次迭代，输出都会更接近你真正需要的东西。大多数人在第一轮就停下来了——这就是为什么他们觉得 AI"不够好"。真正的协作从第二轮追问开始。
不是所有任务都适合同一种协作方式。理解这三种模式，让你在对的场景用对的姿势。
人机协作不能盲目推给 AI，也不能因为顽固而什么都自己做。理解分工的底层逻辑：
在现实中，人机协作的失败通常来自两个方向——过于控制，或过于依赖。
表现：每次只给 AI 一个小任务，不提供背景，不信任它的输出，什么都要从头改，没有真正放手让它做。
结果：花了时间用 AI，但效率提升微乎其微。AI 的价值没有被充分利用。
修正：提供更完整的背景，允许 AI 给出完整方案，你做最终的筛选和调整。
表现：AI 说什么就是什么，不验证、不质疑、不加入自己的判断，甚至把 AI 的结论当成权威。
结果：输出质量不稳定，出错了还不知道；判断力退化，越来越依赖。
修正：保持主动评估（用 CARLA），把 AI 输出当初稿而非定稿，用你的经验做最终判断。
面对一个任务，快速判断应该如何和 AI 协作。
最好的方法是在真实任务里感受三种模式的区别。