Day 8 介绍了自主执行型 AI 和"目标-约束-预期输出"三要素。要素摆在那了，手感要靠自己练。
我一开始用自主执行型 AI 时，吃过不少"我以为我说清楚了"的亏。有一次让 AI 整理项目文档，我说"帮我把文档归类"，回来一看，它把 .md 文件和 .py 文件混在一起按文件名排序了。它确实"归类"了：按字母顺序排了一遍。归类是分了，但不是我要的那种。问题不在 AI，在我没讲清楚"归类"是按用途分，不是按名字排。
还有一个更典型的例子：我让 AI “给我看一下这个目录的结构”，我想要的是树状图，列出每个子目录和文件。AI 给我回了 ls -lh 的输出：文件大小、修改时间、权限，全是我没要的东西。它做了我说的事，只是理解方式跟我想的完全不同。
同一个需求，模糊描述和清晰描述，AI 的输出来可能差三次迭代和零次迭代。这个差距不在工具，在于你有没有把脑子里的画面翻译成文字。
今天不教新概念，做三个练习。从最常见的三个场景出发，每个先给模糊版，拆解问题，再给清晰版。
练习一：“帮我整理文件”
先试试大多数人会怎么写：
帮我把 Downloads 里的文件整理一下。
这个描述有三个窟窿。
第一，“整理"的含义太宽。是按类型分类、按日期归档、删除重复文件、还是重命名统一格式？AI 只能从一个最有可能的猜测出发。猜对了是运气，猜错了它做的你都白干。
第二，缺少分类标准。按文件类型还是按项目主题？命名规则是什么？没说的东西，AI 按它的默认逻辑走，不一定符合你的习惯。
第三，没有交付物定义。整理成什么样算完成了？要不要输出一份清单让我核对？
拆解一下。先想清楚目标：把 Downloads 里的文件按类型分到不同子文件夹，只移动不删除。再说约束：创建不超过五个类别、不处理隐藏文件。最后说输出：一份迁移清单，每个文件从哪来、到哪去。
清晰版（macOS 版路径，Windows 用户把 ~/Downloads 换成 C:\Users\你的用户名\Downloads）：
下载文件夹需要整理。请按以下要求处理：
目标：把 ~/Downloads 里的文件按扩展名分类，移到对应的子文件夹。
约束：
- 只移动文件，不要删除或修改任何内容
- 图片类放到 images/，文档类放到 documents/，压缩包放到 archives/，其他归入 misc/
- 如果某个类别文件夹不存在，请创建
- 不处理 .DS_Store 和其他隐藏文件
预期输出：整理完成后，在终端打印一份文件迁移清单，列出每个文件从哪移到哪。
这个版本，AI 第一次做出来就八九不离十。就算有偏差，你也能针对某一类文件单独修正，不用推翻重来。比如你发现 SVG 应该归图片类而不是文档类，直接说"把 documents/ 里的 .svg 移到 images/"，AI 照做。
模糊版的代价不是一两次修改，是 AI 做的事情跟你想的压根不是同一件事。一个花了三十分钟改出一个正确结果，一个花了三分钟。区别就是那几句话有没有说清楚。
练习二：“分析数据”
模糊版：
帮我分析一下这份销售数据。
“分析"是一个黑洞。趋势分析、异常检测、同比环比、汇总统计、分布概览，全是分析。不指定分析维度，AI 从里面随机挑一个。可能你关心的是各产品线增长率的差距，AI 却给你画了一张整体热力图，方向全偏了。
还有一个问题：数据源在哪？文件什么格式？这些不说，AI 就得先花一轮问清楚。更好的情况是它直接假设一个路径，猜错了报错给你看。
拆解具体需求：
目标：找出各产品线的销售趋势和异常点。 约束：只分析 2024 年数据；按季度对比；年增长率低于 10% 的标注出来。 输出：表格加折线图加文字总结，三个维度覆盖不同层级的信息。
清晰版：
我有一份 2024 年销售数据，文件是 data/sales_2024.csv，CSV 格式。
目标：找出各产品线的销售趋势和异常点。
约束：
- 只分析 2024 年数据，不做跨年对比
- 按季度汇总，不用月度维度
- 各产品线独立分析，不做汇总平均
- 年增长率低于 10% 的标注为"待关注”
预期输出：
- 一个表格，列：产品线 | 年度总额 | 季度明细 | 增长率
- 一张折线图，按季度展示各产品线趋势
- 三条发现，每条不超过一句话
这个描述下去，AI 知道分析范围在哪、用季度粒度、输出三种互补的呈现形式。结果拿到手不需要你二次筛选。表格看明细，折线图看趋势，总结看判断。三者各有用处，没有重叠。
我试过拿同一份数据分别用模糊版和清晰版问 AI。模糊版的结果是一张我没指定的年份热力图，外加一段"分析了整体趋势"的泛泛总结。清晰版的结果就是我上面要求的三样东西，直接拿去做报告都行。
练习三：“写个自动化”
模糊版：
帮我写个自动化脚本，监控服务器磁盘空间。
少了三个关键信息：监控阈值是多少？告警走什么通道？脚本的运行环境和触发方式是什么？
AI 可能给你写一个 Python 脚本，依赖 psutil 库，但你服务器是 Ubuntu 22.04 基础环境，还得先装依赖。或者它写了一个发邮件的告警通道，但你根本没有配 SMTP 服务。
拆解：
目标：写一个脚本，每天定时检查磁盘使用量，超限时触发告警。 约束：阈值 85%；不依赖第三方工具。 输出：一个可运行的脚本文件加使用说明。
先补成通用清晰版，忽略操作系统差异：
目标：每天检查服务器磁盘使用量，超过 85% 时触发告警。
约束：
- 不依赖第三方工具或库，只用系统内置命令
- 告警输出到系统日志，不配置外部通知通道
预期输出：
- 一个可运行的脚本文件
- 一段调度配置示例
这个版本去掉了平台假设，只保留核心约束。AI 可以用 Bash、PowerShell 或任何语言来实现。如果想进一步精确，可以加上平台限定。下面是三个平台各自的适配版本：
各平台适配版本
Linux 版（Bash）： 目标：每天检查 /dev/sda 分区使用量，超过 85% 告警。 约束：兼容 Ubuntu 22.04；告警走 logger；用 crontab 调度；无第三方依赖。 输出：monitor_disk.sh + crontab 配置示例。
macOS 版（Bash）： 目标：每天检查 Macintosh HD 磁盘使用量，超过 85% 告警。 约束：检查 /dev/disk1s1；告警走 logger；用 launchd 调度。 输出：monitor_disk.sh + plist 配置示例。
Windows 版（PowerShell）： 目标：每天检查 C: 盘使用量，超过 85% 告警。 约束：用 Get-PSDrive C 获取用量；告警写入 Event Log；用 Task Scheduler 调度。 输出：Monitor-Disk.ps1 + Task Scheduler 导入示例。
每个适配版本都指定了语言、告警通道和调度方式，写出来的脚本不需要你手动改就能直接配到调度系统里。
模糊版的输出可能是什么？一个 Python 脚本，用 shutil 库检查磁盘，发邮件告警。你没有配好 SMTP，这个脚本就是废的，还得额外安装 Python 环境。适配版本各有自己的通道和调度方式，每一条约束都在消除一个"你以为 AI 知道但实际它猜错了"的风险。
三个练习的共同模式：GCO
回头看三个清晰版，结构完全一致。我给它起了个名字叫 GCO：
G（Goal / 目标） → 做且仅做什么。一句话定义终点，不偏离航道。
C（Constraints / 约束） → 什么不能做。圈定边界，把不想要的选项挡在外面。
O（Output / 预期输出） → 拿什么来交差。定义交付物形态，让验收有据可依。
Day 8 提过"目标-约束-预期输出"三要素，当时是概念介绍。GCO 就是那三个要素的重命名：Goal 对应目标，Constraints 对应约束，Output 对应预期输出。换个名字是因为"目标-约束-预期输出"太长，念起来不顺。GCO 三个字母，容易记。
三个要素是递进关系。Goal 定方向，Constraints 圈范围，Output 定标准。没有 Goal，Constraints 和 Output 都无从谈起。有了 Goal 没有 Constraints，AI 可能走对了方向但踩了你的底线，比如删了不该删的文件，或者用了一个你环境里没有的库。有了 Goal 和 Constraints 没有 Output，AI 做完了但你不知道它什么时候算完，给了什么你就收什么。
现在用自己的需求试
打开你的自主执行型 AI 工具，找一个今天要处理的任务。先用模糊版问一次，看 AI 做了什么。然后退回去，补上 GCO 三要素，再问一次。两次输出的差距，比你以为的大。
我每次改进提示词都走这个流程：第一版总是模糊的。跑一次不满意，退回去拆解，补 GCO 再跑，基本就对了。同样的 AI，同样的能力，只是描述方式变了，结果就好了。
如果你还不确定从什么任务开始试，回到今天三个练习的模板里挑一个，整理文件、分析数据、写自动化脚本，总有一个贴近你手头的事。
顺手给一份 GCO 极简模板，下次可以直接复制填空：
【GCO 极简模板】
1. 目标（Goal）：我想让你帮我 [具体要做的一件事]
2. 约束（Constraints）：请注意 [环境/工具/不要做的事/数量限制]
3. 预期输出（Output）：最后请给我 [格式：表格/代码/清单]
衔接后面的内容
Day 9 讲 API 缓存的选型逻辑，表面谈成本，背后的思维是：选什么取决于你知不知道自己的使用场景。今天的 GCO 框架也是同一层逻辑：描述不清楚，是因为你没想清楚自己要什么。话说清楚了，是因为脑子想清楚了。GCO 表面上是写给 AI 的格式，实际上是逼你自己先把思路捋顺的工具。
明天 Day 11 会讲怎么检查 AI 的输出质量。结果拿到了，怎么确定它做对了。检验和描述是一体两面：说不清楚目标，就没法判断对错。
这是「AI 之路进阶升级指南」第三周 Day 10。上篇是 Day 9 API 缓存选型，下篇是 Day 11 输出质量检查。