我让AI自己找资料，接着做项目

一次项目讨论中，有人谈起怎样让AI写出符合自己想法的东西。意思大致是，要经常跟它对话，把想体现什么、要解决什么告诉它，聊得多了，它才知道你要什么。

这是很自然的一种用法。通过追问、补充和讨论，让AI逐渐理解自己的意思，最后形成一份成果。

我在这个项目里的尝试，是把更多工作交给AI：让它自己去找需要的文件，按研究问题去读，完成相关任务，再留下下一轮能接着使用的材料、判断和进展。

这背后有两件事。一件是让AI能直接干活，接手一段有多个步骤的工作；另一件是把整个项目组织好，让它知道自己在做什么、该读什么、依据是什么、目前走到了哪里。

把一段工作交给AI

这个公众市场研究项目，最初拿到了一位领导提出的十点要求。随后，业务材料、会议记录、客户意见陆续进来，研究稿也在持续调整。

如果只靠对话推进，我就得不断挑材料、传文件、解释背景，再把AI生成的内容搬回稿件里。资料越来越多，前面讨论过什么、哪些要求已经改变，也越来越难全靠聊天记住。

我把工作安排在项目文件中，让AI能够直接参与。新材料来了，可以让它整理到项目里，提取与研究有关的内容；需要研究一个问题时，让它查找相关材料、形成分析；需要写作或调整图表时，让它在已有成果上继续做，并保留结果和处理记录。

我不用把每个文件操作都拆成一轮问答。交给AI的任务，可以是一段连续的工作：处理新资料，补充研究依据，检查对现有分析有什么影响，再把需要我判断的地方列出来。

这就是我在项目里实践的Agent办公。这里的Agent，可以理解为能直接处理文件、连续执行任务的AI助手。专业判断、重要取舍和成果检查，仍由我负责。

AI能自己打开文件，还需要知道怎样读，才能帮得上忙。

我的资料里，有原始业务材料，有领导提出的要求，有讨论中的想法，也有我们已经形成的分析和不同版本的稿件。如果把它们混在一起，AI即使都读到了，也可能沿用旧要求，或把一个刚提出的想法当成已经决定的事。

所以，我给项目整理了清楚的入口：这项研究要解决什么问题，当前要求是什么，已有材料在哪里，哪些判断已经确认，还有哪些问题没解决。AI接到任务后，先了解这些，再去找与当前工作有关的文件；需要确认依据时，再回到原始材料核对。

读材料也围绕研究问题来安排。不是每次把所有资料重新读一遍，而是先看这次要回答什么、前面已经研究到哪，再找相关依据。遇到不同说法，要看它们各自从哪里来、是否仍然有效；证据不够的地方，留下缺口，不能靠一段顺畅的文字把它补过去。

新意见和新材料进来，这些记录也随之更新。前面作过的取舍有出处，当前采用的说法有位置，下一步要补什么也能找到。这样，AI下一轮工作就有了可以接着走的基础。

我把这件事叫作“上下文治理”。说得直白一点，就是把目标、材料、要求、已有判断和当前进展组织起来，让AI能根据项目的实际需要，找到合适的信息，并在正确的基础上继续工作。

这套安排的价值，在项目持续推进时更容易看见。

比如，客户又提出一轮意见，我就能让AI结合当前要求、相关材料和现行稿一起检查：这次改变了什么，会牵动哪些分析，哪些内容可以继续用，哪些需要补充。此前整理的资料和形成的判断，都能参与这一次工作。

项目中有一轮反馈认为分析写得散。我们结合已有材料逐节检查，发现部分内容虽然各自有道理，却没有解释清楚问题与原因的关系。之后，我确认调整方向，和AI一起修改分析结构、图表，并把需要补充的依据列出来。

这只是其中一个片段。它能顺着已有工作往下做，依靠的是前面已经组织好的整个项目。资料处理、研究分析、写作修改和进展记录，共用同一份不断积累的工作基础。

我的工作也因此有了不同的重心：更关注研究问题怎样定义，AI该沿着什么思路工作，哪些信息可以作为依据，哪些判断必须由人作出。文件处理、资料整理和起草等工作，则更多交给AI接续执行。

我个人的感受是，回应新问题更顺了，也更容易接着前面的积累继续做。当然，这些安排本身需要投入，AI的结果仍要检查；我还没有完整测量它节省了多少时间。

对我来说，这次实践最值得留下的，是一种可以持续使用的工作方式。下一批材料、新一轮意见进来时，项目里已经有了目标、依据、已有成果和未完成事项。AI可以从这里开始，而我可以把更多精力放在接下来的判断上。

——

本文基于真实项目，已隐去客户身份，并按阅读顺序整理了工作过程。