為什麼 AI 總做不對？不是它笨，是你沒說清

先說個你大概率有過的場景。

你讓 AI 幫你做個東西，滿懷期待地等它出活，結果做出來的跟你想的差了十萬八千里。你改一句、它錯一處，來回幾輪，你終於煩了，心裡冒出一句：「這 AI 也就那樣。」

這幾個月我幾乎天天在用 AI 幹活，也天天踩這個坑。但踩著踩著，我改了主意。因為我發現一個很打臉的規律：同一個需求，我換一種說法，它一次就做對了。

一次兩次是巧合，十次八次就不是了。慢慢我不得不承認一件事：AI 做錯，絕大多數時候不是它笨，是我沒說清。

這不是玄學，背後是個特別樸素的道理，樸素到有點殘忍：

AI 不會讀心。它只會照著你「說的」做，不會照著你「想的」做。

你腦子裡那份需求，是立體的——它有背景、有你沒意識到的預設假設、有一整套「這不擺明了嗎」的常識。可你打進對話框的那句話，往往只剩薄薄一層皮。AI 拿到的就是那層皮，剩下的它只能猜。猜對了算你走運，猜錯了你還嫌它蠢。

想通這件事之後，我就不再琢磨「哪個 AI 更聰明」了，轉頭去練一件更值錢的事：怎麼把腦子裡那份立體的需求，完整地搬到對話框裡。 這篇就是我這套辦法的全部。都是能照著抄的，沒有一句是需要天賦的心法。

而且我得說，這件事對產品經理是天大的好消息。描述需求，本來就是 PM 的看家本事。 以前你把需求講給研發聽，現在講給 AI 聽——區別只是，研發會用經驗幫你補上你沒說的、還會回頭來問你，AI 更聽話也更「實誠」，你說多少它做多少。所以對著 AI，你得比對研發說得再清楚一點點。就這一點點，是門檻，也是分水嶺。

一條能讓 AI 一次做對的需求，有五個零件

我把自己「說清楚了」的那些需求扒開看，發現它們總是湊齊了五樣東西。缺哪樣，AI 就在哪樣上替我做主。

不用每次都五樣寫全、搞成八股。但你心裡得有這五個格子——發出去之前掃一眼，哪個格子空著，AI 就會在那兒自作主張。

零件一：要什麼——先把名詞說準

最基礎，也最容易矇混過去。

你說「幫我做個使用者管理的東西」，這個「東西」是什麼？一個頁面？一張表？一整套後台？AI 只能挑一個猜。

換成：「做一個使用者列表頁面，一個表格，顯示大頭貼、姓名、Email、註冊時間、狀態。」——它立刻知道從哪下手。

心法就一句：把「東西」「功能」「模組」這種虛詞，換成具體的名詞。 頁面、表格、按鈕、表單、圖表、彈窗。你能說出它到底是個「啥」，AI 才接得住。

零件二：給誰、為什麼——這一環最容易漏，也最值錢

這一環，技術出身的人反而常漏，而它恰恰是 PM 的主場——你天生就該關心「誰用、為什麼用」。

對比一下。你說「做個資料儀表板，把各種資料都放上去」，它會給你堆一屏你可能根本不看的圖。

你換成：「做個資料儀表板，給門市店長每天早上看的。他最關心的是昨天賣了多少、比前天漲還是跌、哪個品類最好賣，這三個放最顯眼，別的次要。」

看出差別了嗎？加上「誰用 + 他最關心什麼」，AI 就知道什麼該突出、什麼該弱化——它開始有「重點」了，而不是把所有資訊平鋪一地。

我現在幾乎養成了習慣：每個需求後面，都補一句「這是給誰用的、他想解決什麼」。 這句話，常常比前面所有描述加起來都值錢。

零件三：具體形態——把「長什麼樣」說出來

想法在你腦子裡是有畫面的，可你只丟了個抽象詞出去。

「做個篩選功能」——AI 不知道你要篩什麼、怎麼篩。

「在表格上方加一排篩選：一個日期範圍選擇器、一個『狀態』下拉（全部／正常／停用）、一個搜尋框（按姓名或 Email 搜）；篩選是即時的，選完立刻刷新，不用點確定。」——這它就能一比一還原。

不用你會設計，你只要把心裡那個畫面用大白話描出來：有哪幾塊、每塊是什麼、放哪、怎麼用。描得出來，它就還原得出來；描不出來，說明你自己也沒想清楚——那正好，這是個訊號，後面我講怎麼用它反過來幫你想清楚。

零件四：邊界——「看著能跑」和「真能用」的分水嶺

這一環我要多說兩句，因為它是新手和 PM 的真正區別。

新手描述需求，只描述「正常情況」：使用者乖乖填、資料都正常、網路一直通。可真實世界裡，使用者會亂填、資料會是空的、網路會斷、輸入會超長。這些叫「邊界情況」，是 PM 最該操心、也最需要你明確告訴 AI 的地方。

你說「做個回饋提交表單，有姓名、Email、內容，一個提交按鈕」，它給你做個正常路徑就交差了。

你要是這麼說：

「……注意這幾種情況：Email 格式不對時，在輸入框下標紅提示、別讓它提交；回饋內容為空時，提交按鈕點不動；提交成功後清空表單、顯示『感謝回饋』；提交失敗（比如斷網）時，別清空使用者已經填的內容，提示『提交失敗，請重試』。」

多出來的這幾行，就是 PM 的專業度。AI 完全有能力處理這些，但你不說，它預設只做「正常路徑」。你把邊界列出來，它一次給你做全。

順帶一提，「什麼算做好了」和「什麼不做」也屬於邊界，同樣要說。 一句「這版只做列表和篩選，先不做新增刪改」，能替你擋掉一堆這輪你根本不想要的東西。

零件五：參照——給它一把尺子

風格、配色、體驗這種「感覺」上的事，最難用文字講清。最省事的辦法：給參照。

「顏色搞好看點、專業點」——「好看」「專業」一百個人有一百種理解。

「主色用品牌藍 #3B82F6，整體配色和留白參考 Stripe 官網那種乾淨、克制的風格。」——它有尺子了，就不用瞎猜你心裡的「好看」。

參照可以是一個色值、一個你覺得好的產品（「像 Notion 那樣」）、一個標準。給了參照，AI 就不用賭你的審美。

五個最常見的「說不清」，和它們的修法

上面是正面拆解。下面是我見得最多、自己也犯得最多的五個坑，一個個對著自查。

坑一，太籠統。 「做個好看的頁面」——它給你個平庸的東西，你還說不出哪不對。修法：往具體裡逼一層，把形容詞換成名詞和細節。

坑二，光下命令、不給上下文。 「加個匯出功能」——匯什麼？匯到哪？什麼格式？加在哪？修法：補齊「在哪 + 匯什麼 + 什麼格式」，比如「在報表頁右上角加『匯出』按鈕，點擊把當前篩選條件下的表格匯成 CSV 下載」。

坑三，一口氣提一堆。 一條訊息塞十五個需求，做出來一團亂，你都不知道從哪改。修法：小步快跑，一次只提一個。 先搭骨架、跑起來看到效果，再一個一個往上加。這條是所有裡面最重要的，沒有之一。

坑四，不給參照、全靠它猜審美。 修法見零件五，給色值、給參照物、給標準。

坑五，只說正常、不說異常。 demo 演示很順，真給使用者一試就各種崩。修法：發需求前問自己三句話——資料是空的會怎樣？使用者亂填會怎樣？網路斷了會怎樣？ 把答案寫進需求。

三個招式：把 AI 從「手」變成「腦子」

上面練熟，你已經超過大多數人了。下面三招，是我用來把 AI 從「一雙聽話的手」變成「一個幫我想的腦子」的。

第一招，讓它先反問你，別急著做。 這是我用得最多、也最反直覺的一招：越重要的需求，越不要一上來就讓它做，而是讓它先問你。

「我有個想法：做一個客戶回饋收集和分析的工具。先別動手——先問我五個最關鍵的問題，把目標使用者、核心用途、必須有的功能、邊界，都幫我問清楚。」

它問出來的問題，十有八九就是你自己還沒想清楚的地方。你回答的過程，就是把需求從「一團模糊」逼成「一條清晰」的過程。等你答完，它手裡已經是一份完整需求了，做出來自然對。這一招的本質，是用 AI 幫你想清楚，而不只是幫你做出來——想清楚了，做對是順帶的。

第二招，給正例和反例。 文字講不清的時候，舉例子最快，尤其是「我要這種、不要那種」。

「幫我寫這個按鈕點擊後的提示文案。要像這樣：簡短、口語、給人安全感——『已儲存，放心』。不要像這樣：官腔、囉唆——『您的操作已成功提交至伺服器並完成持久化儲存』。」

一個正例加一個反例，比你寫三行形容詞都管用。

第三招，讓它複述確認，再動手。 需求複雜時，讓它先把它的理解複述一遍，你確認無誤它再做。

「我剛說的需求，你先別做。用三句話跟我確認：你準備做什麼、分幾塊、有沒有你拿不準的地方。我確認了你再開始。」

這一步花三十秒，能省你半小時返工。它複述的時候，你常會當場發現「哎，這裡我說的和我想的不一樣」——趁它還沒動手，趕緊改。

一遍走完：從一句模糊話，到它一次做對

把上面串起來，看一遍真實的過程。假設我腦子裡只有一句模糊的話：「我想要個東西，能看使用者回饋。」

第一步，我不急著讓它做，先讓它幫我想清楚（第一招）：讓它問我五個關鍵問題。它會問：誰用（營運同事）？回饋從哪來（一個 CSV 檔）？最想從裡面得到什麼（快速知道大家最集中抱怨啥）？要不要按嚴重程度排（要）？這版要不要做篩選（先不用）？

第二步，把答案湊成一條完整需求，五個零件正好齊了：給營運看、目的是快速看出使用者最集中抱怨什麼（給誰、為什麼）；上方一個上傳區傳 CSV，下方自動顯示回饋的主題歸類、每類多少條、佔比多少、按條數排序（要什麼、形態）；CSV 為空或格式不對時提示「讀取失敗，請檢查格式」、這版先不做篩選和搜尋（邊界）；乾淨克制、主色 #3B82F6、參考 Notion 的排版（參照）。先用假資料搭出來，跑個本機伺服器讓我預覽。

第三步，跑起來看到效果，再小步加（坑三的修法）：一次一個——「每個主題後面加個進度條顯示佔比」「點某個主題展開顯示這類的三條原始回饋」「主題按嚴重程度著色，紅是高頻、黃是中、灰是低」。

第四步，讓它自己找問題：「把能點的地方都點一遍，找出報錯、卡住、不符合預期的，列個清單。」

全程我一行程式碼沒寫，但每一步都說得清清楚楚。這就是現在的日常——你負責想清楚、說清楚，它負責做出來。

最後

按 Enter 之前，我一般會花十秒鐘，在心裡過一遍這幾個格子：要什麼（是具體名詞嗎）、給誰為什麼、什麼樣、邊界（空資料、亂填、失敗、不做什麼都說了嗎）、參照、以及——這次是不是只提了一個需求。六個能過四五個，它基本一次就做對。

會用 AI 的人越來越多，但說得清需求的人，一直是少數。前一件事是門檻，人人都能邁過去；後一件事是分水嶺，把人分成兩撥。

而你作為產品經理，本來就最懂使用者、最懂重點、最懂那些沒人替你操心的邊界。你缺的從來不是這些，是把它們說出來的習慣。練一個月，你會發現不是 AI 變聰明了，是你終於學會了，把心裡那份需求，完整地交出去。