父级：AI 应用导读 · 支柱页面：从 AI 入门到 AI Context Workspace。
先给出答案
第一个 AI 任务应该足够小，让你能独立判断结果是否正确。本篇选择“把学习笔记整理成三个技术博客选题”，而不是直接生成并发布整篇文章。
以下是教学示例，不代表真实项目的执行结果。
关键要点
- 第一个任务要小到你能独立核对，把学习笔记整理成选题比直接发布整篇文章合适。
- 先准备最小资料，并删除不必要的个人信息、客户资料和访问凭据。
- 把需求写成包含输入、输出、约束和验收条件的任务说明，而不是只给一个主题。
- 不要只让 AI 自查，要打开原始材料逐项核对来源、区分度、真实性和可写性。
- 任务结束后只留下原始材料、任务说明、已确认结果和有效经验。
第一步：准备最小资料
准备几段自己写的学习记录，每段标上编号。补充读者定位，例如“第一次接触 AI 的普通使用者”，以及已写过的题目，避免推荐重复内容。
给记录编号不是形式，它让后面每一句结论都能回指到具体材料。资料不必多，但要够用：要能支撑三个选题各自的读者问题。宁可先少给、发现缺了再补，也不要一开始就把所有笔记和无关材料一起交出去。
输入前删除不必要的个人信息、客户资料和访问凭据。资料能在本地打开，不代表可以上传给任意服务。资料越私密，越要先确认这一次确实需要它。
第二步：把需求变成任务说明
任务：根据下方学习记录，提出三个技术博客选题。
读者：第一次接触 AI 的普通使用者。
材料：仅使用我提供的编号笔记，不补写不存在的经历。
输出：表格，包含题目、读者问题、对应笔记编号和待补资料。
约束：三个选题不要重复；材料不足时明确说明，不凑数量。
验收：每个选题都能对应原始笔记，并回答一个具体问题。
这段说明的价值是暴露输入、输出和判断条件，并不是某种保证效果的固定咒语。实际使用时，需要在说明后附上笔记正文。
任务说明和提示词不是同一件事。提示词可以只是任务说明的一部分；真正起作用的是它有没有把材料范围、输出格式和合格条件说清楚。下面把这段说明拆开看。
任务说明包含哪几项？
| 组成 | 在这段说明里的写法 | 作用 |
|---|---|---|
| 任务 | 根据学习记录提出三个选题 | 说明要做什么 |
| 输入 | 仅使用我提供的编号笔记 | 限定资料范围，禁止补写不存在的内容 |
| 输出 | 表格，含题目、读者问题、笔记编号、待补资料 | 规定可核对的产物格式 |
| 约束 | 选题不重复，材料不足时说明不凑数 | 提前处理数量与质量的取舍 |
| 验收 | 每个选题对应原始笔记并回答具体问题 | 给出判断合格与否的条件 |
五项里，输入和验收如果省略，模型就无法知道能用哪些材料、什么算合格，只能自行发挥。只说“帮我出三个选题”，结果就无法逐项对照。
第三步：逐项验收
| 检查项 | 合格条件 | 不合格时怎么处理 |
|---|---|---|
| 来源 | 笔记编号存在，内容确实相关 | 指出错配的编号，要求重新对应 |
| 区分度 | 每个选题回答不同问题 | 合并重复题目，不强求数量 |
| 真实性 | 没有虚构实践经历或效果数字 | 删除无依据表述，列为待验证事项 |
| 可写性 | 能说明现有材料和缺失材料 | 先补资料，再进入写作 |
不要只让 AI 自己说“检查通过”。模型自查可以辅助发现问题，但你仍应打开原笔记核对。
验收的意义在于把“看起来还行”换成可逐项回答的问题。四个检查项分别回答：句子有没有来源，选题之间有没有重复，有没有编造经历，现在能不能动笔。只要有一项答不上来，就说明结果还不能交付。
第四步：反馈具体错误
“写得不好”不利于修正。更有效的反馈是：“第二个选题与第一个都在讲上下文定义，请合并；第三个选题没有对应材料，标记为待补资料。”
具体反馈的作用是让修改有明确目标。指出哪一条错、错在什么地方、希望改成什么样，模型才有可能准确修正；同时，人也在这一步确认了自己的判断标准。
验收后，把可用选题与原笔记分开保存。记录哪些结果已确认、哪些仍是建议，避免下一次被当成既定事实。
对比：笼统要求与可验收任务说明
| 维度 | 笼统要求 | 可验收任务说明 |
|---|---|---|
| 材料 | 没有说明用哪些资料 | 指明编号笔记，限定只用这些 |
| 输出 | 只说“给几个选题” | 规定表格字段与数量 |
| 判断 | 靠感觉看是否满意 | 用来源、区分度、真实性核对 |
| 失败处理 | 反复重说“再改改” | 指出具体条目并要求对应修改 |
差别不在字数，而在有没有把判断条件写出来。可验收的任务说明把判断放在开始之前，笼统要求则把判断留到最后凭感觉完成。
术语：任务说明、验收标准与权限边界
- 任务说明：把需求写成包含输入、输出、约束和验收条件的文字，而不是只给一个主题。
- 验收标准：判断结果是否合格的具体条件，例如每个选题都能对应原始笔记。
- 权限边界：需要人工确认的操作范围，公开发布和修改重要数据都要先明确。
- 待补资料：材料不足时显式标注的状态，不为了凑数量而编造内容。
这些术语和 AI 应用导读 与 什么是 AI 应用：模型、工具与工作流 保持一致。如果还不清楚“资料是否真的进入本次生成”，可以回到 什么是 AI 上下文：提示词、记忆与知识库 和 AI 上下文导读。
这次任务应该留下什么？
留下原始材料、任务说明、已确认结果和一条有效经验就够了。不要把全部聊天都视为必须长期保存的知识。
判断留下什么，可以看它下次是否还能用：原始材料是依据，任务说明是可复用的方法，已确认结果避免重复劳动，有效经验帮助改进下一次。至于过程里的猜测、被否掉的方案和临时试错，可以留在过程记录中，不必当成结论。
当这类任务开始重复，便可以按照 如何整理有效上下文：筛选、分层与更新，把共用资料组织起来。
常见问题
第一个 AI 任务为什么要选小的？
因为你要能独立判断结果是否正确。任务越小，越容易逐项核对来源和真实性；如果一开始就自动发布内容或处理未授权数据，一旦出错，损失和影响都难以控制。
任务说明和提示词有什么区别？
提示词是表达任务和要求的重要方式，任务说明则强调把输入、输出、约束和验收条件写清楚。写得长不等于写得好，关键是能不能让结果可对照、可修正；它也不是保证效果的固定咒语。
可以让 AI 自己检查结果吗？
可以让它自查，辅助发现问题，但不能代替人工核对。模型说“检查通过”不是证据，你仍应打开原笔记，逐项确认来源、区分度、真实性和可写性。
任务做完要保存多少内容？
留下原始材料、任务说明、已确认结果和一条有效经验就够了。临时猜测留在过程记录里，避免下一次被当成既定事实；全部聊天记录不必都当知识长期保存。
后续
当这类任务反复出现、每次都在补同样的资料时，说明需要处理的是长期上下文，而不是单个任务。可以先读 AI 上下文导读 了解资料如何加载，再看 如何整理有效上下文：筛选、分层与更新 学习按用途分层；需要把背景、约定、任务记录长期组织起来时，ACW 提供了领域无关的结构，Harness 则是它在软件研发与交付场景中的实践。