硅谷 AI 大厂开始招聘文科生，特别是新闻专业的学生，这到底是怎么回事？一边裁程序员，一边招文科生，是不是搞反了？

这两年最魔幻的一幕出现了：一边是程序员在大裁员，找不到工作，新的程序员，特别是刚毕业的程序员，更是找不到工作；另一边，媒体突然开始热炒，说硅谷的 AI 大厂正在高薪招聘文科生。

所谓高薪，是六位数年薪，几十万美金，甚至有一些职位好像飙到了 70 多万美金一年。这些职位要求的是会写、会讲、会做内容、会做传播的人，特别还提到了新闻专业。

这个反差确实很大。程序员折腾了半天把 AI 做出来，结果像是把自己的命革了，然后把职位让给文科生。这种报道天然就具备传播性。问题是，这到底是真的趋势，还是媒体制造出来的错觉？

先说结论：有招聘，但不是“文科生大翻身”

先说结论。美国硅谷 AI 大厂，确实存在对叙事、传播、内容设计、政策理解这类岗位的招聘，这是真的。

第二，这类岗位的数量非常非常少。大家要知道，在大厂里，通常一种扩招是为了开展一块新业务，会直接招整个团队；另一种招聘，则是补一些非常资深的总监、专家类岗位。

这次所谓硅谷招聘文科生，实际需要的更像是后者，也就是总监、专家类，或者 senior 级别的岗位。这些岗位绝大部分都不是给新人准备的，而是中高级岗位，职位要求上写得很清楚。

第三，这不是文科生大翻身，更不是程序员不行了、文科生接班了。

第四，它更像是 AI 大厂发现，技术已经不只是技术本身了。谁能够解释清楚技术、包装技术、定义技术、决定技术怎么说话，谁就能掌控一部分新时代的话语权。这更像是一场叙事权的争夺。

所以，这不是一次就业逆转的故事，而是一个更大的叙事：技术公司开始争夺叙事权。谁有权利来讲这个故事，这才是大家现在在抢的。

这波“文科生翻身”叙事是怎么炒起来的？

那么，这波“文科生翻身”的叙事是怎么炒起来的？如果回头去看这波舆论的传播线，会发现它不是很多媒体同时独立报道出来的，而是一个非常典型的放大过程。

最早，是《华尔街日报》在去年 12 月份发了一篇文章，开始讨论企业为什么迫切需要会讲故事的人。但当时这个话题并没有彻底炸开。

真正让这个话题变成风潮的，是 2026 年 2 月《商业内幕》Business Insider 的一篇文章，标题非常抓眼球，大意是：科技行业最热门的工作之一，竟然是写字。随后，《财富》杂志继续跟进，把高薪数字抬得更高。

再往后，LinkedIn 上的职场传播链开始接力，于是整个故事就变成了“AI 时代，文科生成了香饽饽”。

大家要知道，掌握这些媒体的其实大部分也是文科生，甚至一些学新闻的人。有这样的新闻出来，他们当然也乐意传播。

所以你会发现，这不是一个社会现实被媒体记录下来，而更像是少数真实岗位被媒体用最容易传播的方式包装之后，形成了一个非常漂亮的叙事泡泡。所以，这东西只能叫泡泡。

大厂到底有没有招？答案是：有，而且不止一家

那么，大厂到底有没有招？招什么人？这些人具体干什么？这个得讲清楚。不能说人家吹了半天牛，结果什么都没招。答案很明确：大厂确实在招，而且还不是一家，很多家都在同时招。

OpenAI：研究传播与产品传播

先看 OpenAI。它官网公开的岗位里，有一个“研究传播经理”，职责是管理研究和媒体的沟通，帮研究员和高管准备采访材料，还要和科技记者建立长期关系。

这个职位听起来很像原来 PR 干的活，但为什么要专门设置这样一个新职位？原因很简单，以前的 PR 很难做这个职位，因为你不理解 AI 到底在干什么，也没办法和工程师顺畅沟通。

而且这个岗位还要帮研究员和高管准备采访稿。现在比较流行的情况是，Sam Altman 直接出来讲，下面的工程师也会在 Twitter 和各种媒体上发言。未来不是谁想怎么说就怎么说，而是需要有人来替大家把关。

传统企业的公关部通常有自己的节奏和战略，今天讲什么、明天讲什么，主要服务对象还是高管，下面的研究员一般不会出来说话。像亚马逊、苹果这样的公司，甚至以前会规定，如果没给你发言任务，你敢出去乱说，可能马上就被开掉。

但现在不一样了。现在几乎每个人都有可能出来说话。像 OpenAI，不只是 CEO、CFO，下面各种研究员、产品经理也都可能出来说点什么。这就需要有人来把关，而且这个人必须听得懂技术人员到底在说什么。对很多传统公关经理来说，这件事是搞不定的。

OpenAI 还有“传播经理”这类岗位，核心任务是把产品功能讲得让普通用户也觉得有意思。这两个岗位通常都要求有媒体、公关、科普写作或者传播学背景。

Anthropic：传播总监与工程编辑

再看 Anthropic。它招聘页上的这类岗位更多，甚至有 Claude Code 传播总监，专门负责某个产品的传播。

还有一个很有意思的职位，叫“工程编辑总监”。这是干什么的？工程师有时候也要写稿，也要说明自己的产品是怎么回事，而这些稿子背后会有编辑审核，甚至会有一个 leader 管理这些编辑，这就是“工程编辑总监”的工作。

这个岗位专门负责把复杂的工程内容编辑成严谨、易懂、好读的文章。

现在 Anthropic 的博客已经变成了一个非常重要的媒体渠道，很多人会去看它发布了什么内容，然后拿这些内容去做课程、做解读。这些内容显然不是工程师独立完成的，背后有专门的编辑团队。

这类岗位的本质都指向同一类人：既要懂 AI 在干什么，又要能把它翻译成外行、媒体、政策制定者都能理解的话。换句话说，是能把这个故事讲明白的人。如果只是一个传统文科生，其实也干不了这事。

谷歌：定义模型怎么说话

谷歌也在招，而且有一个特别奇葩的岗位，叫 Model UX Writer，也就是 AI 模型用户体验文案师。这个岗位不是对外宣传，而是做训练的。

它的工作是告诉 AI 大模型，应该输出什么样格式的内容，让用户看着舒服。岗位描述里写得很清楚：这个人要定义谷歌 AI 产品的人格、语气、风格规范，要设计多轮人机对话的结构，还要和研究员、产品经理、工程师一起把要求变成对话设计。

这个岗位要求 8 年以上相关经验，不是给新人准备的。

谷歌另外还有“资深用户体验内容设计经理”，要求 10 年以上经验和 5 年以上管理经验。

微软：内容设计不是写字，而是产品设计

微软招的是“资深内容设计师”，注意不是 writer，而是 designer，特别说明是为 Copilot 做产品设计。

这个职位要写提示词、写评估标准、构建用户叙事，本质上是在帮 AI 设计怎么说话，和谷歌那个 Model UX Writer 干的事差不多。

亚马逊：AI 文案、信任体验与数据岗位

亚马逊也在招“资深用户体验文案师”，也是面向 AI 产品，它的 AI 产品是 Alexa。

它还招一个叫 trust CX 的岗位，主要做 AI 伦理、敏感内容、信任体验相关的工作。这些岗位也都是文科背景更容易切入的。还有“AI 数据专员”这类岗位，相对门槛低一些，进去以后可能会做很多数据标注，应该会比较枯燥。

这些岗位大致可以分成三类

整个看下来，这些岗位大概可以分成三类。

第一类：叙事传播类

把公司的研究和产品讲给媒体和公众听。OpenAI 的研究传播经理、Anthropic 的传播经理，都属于这一类。

第二类：产品语言设计类

直接定义 AI 怎么说话。谷歌的 Model UX Writer、微软的资深内容设计师都属于这一类，而且这一类门槛最高。上面讲故事的岗位通常要求 3 到 5 年工作经验，应届毕业生也干不了；而产品语言设计类要求比这还高。

第三类：政策与合规类

定义 AI 什么能说、什么不能说，处理信任与安全问题。Anthropic 有政策分析师，亚马逊有 trust 相关岗位，都是这一类。

所以，大厂大致是在招这三类“文科生”。这些岗位看起来不像传统意义上的程序员岗位，但它们都在处理一件核心的事情：让复杂技术以一种用户能够理解、市场能够接受、社会能够信任的方式传播出去。

这些岗位不是不懂技术就能做

所以这些人能不懂技术吗？不行，还是得懂。尤其是在 AI 产品里，这一点变得特别关键。因为今天的 AI 不只是后台算法，它会直接跟人对话。

它每一句话怎么说，拒绝回答时怎么说，犯错误以后怎么圆，语气是冷冰冰的还是可信赖的，这背后都需要专业人员设计。这种事情交给程序员通常是不行的，他们设计出来的文案，一般人往往看不明白。这个时候，会写、会讲、会控制语气和结构的人，价值就出来了。

但真正的反转也在这里：这些岗位门槛很高，数量很少。大厂动辄裁员上万人，而所谓招的这些“文科生”，可能也就是几个人、十几个人而已。

为什么说这是高门槛、低数量的岗位？

从 LinkedIn 上这些职位的描述来看，这些岗位对新人极度不友好。绝大部分都要求多年工作经验。

• 谷歌的 Model UX Writer 要求 8 年以上工作经验。
• Senior UX Content Design Manager 要求 10 年工作经验和 5 年管理经验。
• 微软的 Senior Content Designer 本身就是 senior 级别。

也就是说，媒体集中报道的这些岗位，特别是那些年薪达到 70 多万美金的岗位，本质上都是中高级资深岗位，压根就不是给应届生和刚入行的人准备的。

第二个特点是，这个数量跟裁员比起来就是九牛一毛。比如亚马逊裁了 1.6 万人，但这类岗位可能招十几个也就差不多了。微软 2025 年 7 月裁了 4%，Oracle 在 2026 年 3 月也有几千甚至上万人被裁。

在同一个窗口期内，媒体集中报道的叙事、传播、内容设计相关岗位，有据可查的，也就是一些非常零散的单个岗位，或者十来个这样的新增。

第三个特点是，薪水确实高，真实高薪，真实存在。Business Insider 报道过，部分这类岗位的年薪可以到 77.5 万美金，甚至还有接近百万美元总包的案例。

这个数字可能是真的，但能拿到这个数字的人，基本都是在媒体、公关、传播领域积累了 10 年以上的资深人士。所以千万不要觉得“学文科又行了”。

大厂招文科生这件事是真的，但如果把它理解为普通文科毕业生突然迎来了春天，成了香饽饽，那就很容易被误导。

更准确地说，是极少数高薪的中高级叙事岗位确实开放了，但普通人能够进入这些岗位的路径，需要相当长时间的积累，非常难。

为什么偏偏是现在开始重视这类人？

那为什么偏偏是现在，大厂开始重视这类人了？因为 AI 时代最稀缺的不只是算力、模型和工程能力，还有一件东西变得越来越贵，就是叙事权，或者说解释权。

谁来告诉用户，这个模型能做什么、不能做什么？谁来定义它说话的风格？谁来处理它出错之后企业如何继续获得信任？谁来把一个复杂的技术路线，讲成投资人、用户、监管者都能听懂的故事？这些都非常重要。

这也是为什么大厂开始需要这些既懂表述、又能理解技术的人。

很多时候，工程师和创始人不是不能说，而是他们直接出来说，反而容易翻车。技术讲得太硬，用户听不懂；表达太满，又容易引起反噬。像马斯克就很喜欢出来讲，但大家也经常会吐槽他是不是又说过头了。

即使是 Anthropic 的 Dario Amodei 和 OpenAI 的 Sam Altman，这种已经算比较能说的人，要把当前的状态说明白、说漂亮，也没那么容易。

所以，术业有专攻。AI 时代，叙事本身变成了产品能力的一个重要组成部分。

这不是第一次：技术革命总伴随叙事权争夺

而且这不是头一回。历史上每一次技术革命，都会伴随着叙事权的争夺。如果把时间线拉长，会发现这根本不新鲜。每次技术革命开始改变社会的时候，领先企业都会想办法掌控叙事权，因为一旦让别人掌控了叙事权，你就是在替他人做嫁衣。

有个特别典型的案例就是爱迪生和特斯拉。当年爱迪生主推直流电，特斯拉主推交流电。为了打击交流电，爱迪生到处宣传交流电很危险，很容易电死人，甚至专门去研究电刑用的电椅，然后带着这个东西四处演讲，说你看这玩意多危险。这其实也是在争夺叙事权。

在这方面，特斯拉就差得很远，他更像一个典型的钢铁直男。

所以，技术竞争从来不只是在实验室里比参数，它也是公众认知的竞争，是定义什么叫先进、什么叫安全、什么叫未来的竞争。

现在 OpenAI 在抢话语权，Anthropic 在抢话语权，谷歌在抢话语权，微软也在抢话语权。国内其实大家也在抢，只是还没到那个高度。

AI 时代最大的变化：把叙事直接写进产品里

而今天 AI 大厂做的事情，只是把这一套推进得更深了一层。以前是公关部门替产品说话，现在是产品自己要出来说话了。因为 AI 产品本身就是聊天工具，它自己就在和用户交流。

所以真正的新变化，不是突然要招新闻系的人了，而是从“公关写稿”变成了“把叙事直接写进产品里去”。

这次和过去最大的不同，不是企业开始重视传播，而是企业开始把传播能力直接内嵌到产品和组织里。

过去可以理解为，产品做出来之后，公关和市场再去包装；但在 AI 时代，这个顺序变了。很多表达不是外面补上去的，而是里面一开始就要写好。

比如以前你卖一只锅，先把锅做出来，再去写描述、讲历史、讲健康、设计包装、出去直播卖货。现在你做一个大模型，广告词写得再天花乱坠都没用，用户直接上来跟模型聊两句，就知道它是什么状态。

而且现在的 AI 还要有人格设定。什么事情可以回答，什么时候不可以回答，提示词结构，帮助文案，风险边界，品牌语气，这些都要有人设计。用户未必会去看帮助文案，但他会直接去问模型，而模型怎么回应，本身就是设计出来的。

Anthropic 的 Dario Amodei 就曾说过，刷分是没用的，他们的模型是有性格的，最后你会喜欢上一个 AI，而不会喜欢另外一个 AI。这说明模型之间确实会产生风格差异。

刚刚说的这些，都不是简单地写个文案，而是在塑造用户对 AI 的理解过程。所以这块必须有专业人士参与。可以把它叫作一种新的岗位逻辑，甚至叫 Storyteller 2.0。

不是传统意义上帮企业讲故事，那是 PR 做的事，而是能参与到定义里面去：产品怎么开口，企业怎么解释自己，技术怎么被社会理解。这个时候，讲故事就不只是锦上添花了，而开始接近底层竞争力。

普通人真正该关注什么？

落到普通人身上，新时代真正该练的，已经不只是文科或者理科，而是跨学科能力。今天最值得关注的，不是文科生是不是翻身了，而是另一个现实：AI 时代，单一能力正在贬值，复合型表达能力正在升值。

如果你只是会写一些空话，那不值钱，AI 写得比你快，也可能比你好；如果你只懂一点技术，但自己做的事情说不清楚，完全无法解释给别人听，也不行。所以必须两边都强。

真正有价值的是，既能理解技术，又能组织信息、控制节奏、讲清逻辑、建立信任的人。

不管你是不是文科生，其实都应该逼自己去练几件事：

1. 文字和传播的基本素养。
2. 对工程和技术的基本理解。
3. 在社区中活跃表达的能力。
4. 内容生产能力，包括做短视频、写社交媒体文本。
5. 把复杂东西讲简单、讲明白的能力。

结语

所以，这次的故事告诉我们，大厂开放的那些职位，绝大部分人其实是够不着的，但我们可以朝这个方向努力，朝复合型人才的方向努力。这可能才是未来真正的机会。

不是说努力努力，看哪个大厂能看上自己，而是未来会有很多非常细微的场景，需要讲故事、需要解释权、需要把事情说明白。

如果你解释不清楚、讲不明白，那就不行了。这就是新的时代。

背景图片

文科生到底是如何用中文玩转 Vibe Coding 的？这是范太太的亲历分享。

大家好，欢迎收听老范讲故事的 YouTube 频道。

Vibe Coding 并不一定需要写代码。范太太是一位英语老师，她终于决定自己上手 Vibe Coding 了。她做的事情是：在 Word 文档里用中文描述需求，输入 PDF 和 Word 文档，然后输出归纳整理后的 Word 文档。

这类繁琐的信息汇总、翻译、校对工作，绝对不是什么一键就可以搞定的事情。范太太也没有成为什么 Vibe Coding 大师，但是她觉得投入产出比已经为正了，确实节省了大量时间。

今天老范站在程序员的角度，和大家分享一下这个过程。对于程序员来说，我们可以借此学习文科生思考问题的方式，以后如果要为他们服务，应该如何下手。对于文科生来说，Vibe Coding 已经可以上手干活了，不需要学习编程，但有些思维方式还是要转变，有些坑也需要绕过。

今天的内容分成五部分

今天这个故事分成五段来讲：

1. 先描述一下项目，到底干了一个什么活；
2. 文科生开始 Vibe Coding 之路必须经历的 5 个坑；
3. 从程序员的角度描述一下 AI 到底是怎么干活的；
4. 当文科生都可以用自然语言，透过龙虾或者 Codex 这样的工具解决问题时，世界会变成什么样；
5. 最后，不管你是工程师还是文科生，我们到底应该怎么办。

项目本身：到底在解决什么问题

大家可以想象这样一种任务：很多研究咨询机构都有一种很常见的工作，就是搜集各种报告，汇总到历年积累的完整数据报告里，再写出一份新的报告，说明过去几年所关注的行业或某个范围内发生了哪些事情，什么东西涨了，什么东西跌了，有什么趋势。

这些内容每年都要整理一次。国外很多机构也会发布相应报告，你需要把它们汇总在一起。在这个过程中，就涉及翻译。不管原始材料是什么语言，都需要翻译；总报告还需要不断补充和修订，去年是什么样，前年是什么样，今年的数据要填进去，有些五年前的数据可能还要删掉，只保留最近几年的内容。还需要让所有数据分门别类地补充到原来格式要求的正确位置上去。

这个事情非常烦。因为搜集来的不同来源报告，格式各不相同，写法也不同，甚至有些用词都不一样。有些喜欢用表格，有些喜欢写一大段描述；有些事无巨细，有些写得很简略。但最终目标报告必须是统一格式，而且最后可能还要拿这些数据去汇总，不能把数据加错了，关公战秦琼的事情是不能发生的。

这种汇总报告，通常是研究咨询机构自己出年鉴或者趋势分析报告的基础。找齐原始数据本身并没有那么难，因为大部分原始数据本来就是公开的。但是把这些数据按照复杂逻辑抽取、翻译、汇总，再进行校对，这个过程非常痛苦。

这也是研究和咨询服务之所以值钱的底层原因。普通人也可以拿到那些公开数据，但想把这些数据汇在一起形成结论，那就值钱了。谈笑风生的是大厨大师傅，但要做出一桌子菜，背后洗菜、配菜的人需要付出巨大劳动。

文科生开始 Vibe Coding 必须经历的 5 个坑

一开始先测试几轮，看看这东西到底行不行。结果效果并不好。并不是说你告诉 AI “去把这事干了”，它就噼里啪啦全干完了，没有那么聪明。AI 现在还做不到“上帝说要有光，于是就有了光”那个程度。

你说它做事了吗？确实做了，但是效果完全不可控。有些指令被执行了，有些被忽略了，有些结果本身就很混乱。很多人上来都会遇到这个问题，但不要着急。

第一个坑：先让 AI 复述需求，再开始执行

一定要先让 AI 读一遍需求，然后给出它的理解和不清楚的地方，再进行补充。这个非常重要。因为我们现在是用自然语言描述需求，而自然语言和程序语言最大的区别就在于：程序语言没有二义性，自然语言却可以有很多种理解方式。

人总是害怕 AI 搞不清楚，所以通常会写得很啰嗦，跟它讲半天。但 AI 到底理解没理解，其实你并不清楚。怎么办？很简单，让 AI 分析一下：你看看我说的这些事情你都明白了吗？或者你把这个事情拆一拆，到底有哪些我说清楚了，哪些没说清楚，你准备怎么干，跟我说一说。

很多领导带新人时也是这样。我跟你交代一个任务，你跟我讲讲我都说了什么，你打算怎么干，哪些事情你能干，哪些事情你干不了，需要回来问我。这就是正常的人与人交流过程。跟 AI 也是一样。

需求写完之后，你要让 AI 告诉你，哪些事情它明白了，清晰地列出 1、2、3、4、5，先干什么，后干什么，怎么校对。这个很重要。AI 一定要有标准，没有标准，它也不知道做成什么样才算合适。

同时，AI 通常还会在你的需求文档里找到说不清楚的地方，把它搞不明白的问题问出来。它会告诉你：有这几件事我搞不清楚，请你给我一个确定答案。

所以第一步一定要这么做。不要想着自己把需求文档写得很清楚了，直接让 AI 去干，这个事绝对不会有好下场。第一个坑就是：注意跟 AI 一起讨论需求，这是最重要的。

第二个坑：处理单元、定位和标识必须明确

虽然和 AI 说话使用的是自然语言，但处理的单元、定位和标识非常重要。

举个范太太遇到的实际问题。她要求把新一年的数据合并到过去总报告里，并且把发生变化的地方标成红色，方便校对。结果发现 AI 把整段整段都标红了。她觉得可能是自己没说清楚，以为 AI 把英文变成中文就当作“都不一样”了，所以整段标红。

于是她重新描述：如果只是翻译了，不用标；只有含义发生变化时才标红。结果还是整段都是红的。

后来跟 AI 讨论后终于明白了：你需要有“最小变更单位”的概念。到底以什么单位来判断是否发生变化，这件事必须说清楚。是按一句一句来判断，还是按别的方式？这个说清楚以后，AI 就给出了正确结果：一整段文字里，只把发生变化的部分标红，没有变化的部分保持原色，这样后期校对就方便多了。

所以，对于 AI 或程序来说，描述要求时一定要讲清楚：如何区分一个单元，怎么识别它，它的大小范围是什么，它具有什么特征，要对这个单元做什么操作。这样它才能清晰完成任务。

对于 AI 来说，做操作很容易，找到数据很难。AI 真正要干的活，是抽取、比较、翻译、校对和标注。当你把数据单元描述清楚以后，后面的事情它都很容易搞定，甚至还可以和另外一个你标注好的单元进行比较和合并。

AI 干活，或者说程序干活，基本就是这个格式：对什么东西做什么事情，或者对这两样东西做一个什么事情，然后放到哪里去。

第三个坑：很多默认操作并不默认，必须先说清楚

很多默认的事情其实不可控，必须先说清楚。

范太太的案例里，有一些分类去年存在，但今年没了。按道理，应该在今年的数据表格里把这个东西删掉，只保留今年存在的数据项目。对于人来说，特别是有经验的人，这就是默认操作，直接处理了就完了。

但 AI 不会这么做，特别是删数据这件事，它相对还是比较谨慎的。

最后只能补充描述：需要删除的数据不要直接删掉，而是用黄色背景重新标识出来，相当于拿记号笔画了一下，方便事后校对。因为如果直接删掉，你根本不知道原来这里有没有数据，也没法校对。

人干这个活，可能看到就直接删了；但 AI 干活相当于是你有了一个助手，它干完以后你还得再看一遍，所以不能让它直接把数删了。

做了这样的描述以后，AI 就把这种默认处理情况处理清楚了。有时候你觉得 AI 很笨，其实原因并不是它真笨，而是很多人类约定俗成、不用说也知道怎么办的事情，AI 并不知道。你必须明确告诉它。AI 也可以去猜，但那就完全不可控了。

第四个坑：复杂任务一定要拆分

对任务进行分拆非常重要。很多步骤如果让 AI 一把搞定，得到的结果是无法验证和使用的。但 AI 在中间某一步的结果可能是有效的，所以把复杂任务分拆就变得非常重要。

那应该怎么拆？横着拆还是竖着拆？其实不需要去思考 AI 第一步干什么、第二步干什么，在哪一步的结果上出下一步，也不用去搞清楚哪部分重要、哪部分不重要。这些都没关系。

分拆任务的唯一标准是：这一部分能不能独立验收，能不能确认价值。如果可以，就把它拆出来。

你可以让 AI 先把这一块搞定，搞定以后我们可以校验这一块。而且这一块原来特别麻烦，现在 AI 做完以后变得非常简单，人只要确认一遍就行。那它就可以单独成为一块任务。哪怕后面其他步骤出了问题，留下来的这一部分仍然是可用的。这是 AI 处理任务里非常关键的一点。

第五个坑：不要指望 AI 完全搞定，或一次搞定

不要抱着“完全由 AI 搞定”或者“一次搞定”的想法。这是很多人使用 AI 处理问题时最大的坑。

有些步骤 AI 可以搞定，因为它很擅长。根据前面做的任务分拆，就可以得到很多可验证的子任务。剩下的部分，你跟它描述半天，有时候还不如自己干。那干脆就直接上手，因为我们最终要的是结果，不是一个什么都能处理的 AI 工具。

所以一定要想清楚：什么事 AI 干着方便，结果基本可用；什么事人干着方便，只要稍微动动手就能搞定。这个一定要灵活调整。不要惦记着让 AI 把所有事情都搞定，或者一次把所有事情搞定。拆开以后，适合它干的它干，不适合它干的自己干。

这其实有点像带人。比如今天带了一个新学徒，有些事你指挥他干或者教他干，下次他可能还能干出来，而且还能给你省不少事；但有些事，真不如自己上手，三下五除二就搞定。所以我们最终要的是结果，不是别的东西。这一点一定要搞清楚。

这就是文科生使用 AI 过程中必须注意的 5 个点，也可以说是必须绕开的 5 个坑。

实际使用中暴露出的其他问题

当然，还有一些其他问题也在逐渐发现。这里面我跟我太太也有一点小争执。

争执一：坚持使用 Word 是否合适

第一个争执，是她坚持用 Word。Word 是一种非常庞大、功能非常齐全的标记性语言。虽然现在这种标记性语言已经开放出来了，但真正有用的信息，也就是我们写进去的文字，占比实在太小。

使用 Word，会给 AI 处理需求带来巨大的不确定性，因为里面有大量格式说明的内容，这些也要占 token，而且可能会影响结果。

不过目前来看问题不大，因为 AI 上来会先把 Word 拆成 Markdown 或纯文本，再去处理，而不是直接去管那些格式信息。

争执二：文件名和目录管理必须规范

第二个争执，是文件名和目录名。她比较喜欢在一个文件里改来改去，但在我看来不行，必须拆到不同文件和目录里去工作。改完以后，就起一个新文件名，哪怕在文件名后面加上日期都行，千万不要还用原来那个。

其实程序员平时并不是这么干活的。程序员通常是在同一个文件上改来改去，但我们处理的是纯文本，没有格式信息，所以可以用版本控制工具，甚至做代码合并，把不同版本合在一起。

但她用的是 Word 文档，里面有大量格式信息，会干扰文本内容，很难对这种文档做版本控制、差异比较和合并。

所以我强制要求她每做一件事情都新建目录、新起文件名。至少到目前为止，这样做得到了一个可接受的结果。因为如果不这么做，你没法和 AI 来回配合，不知道哪些是它改的，哪些是你改的，也搞不清哪些是可验收的结果，哪些是中间结果。不断起新文件名，可以解决这个问题。

从程序员角度看：AI 到底是怎么干活的

既然前面讲了，文科生只要在 Word 文档里写中文描述，它就能把事情做出来，而且做出的结果确实有用、有价值，那它到底是怎么干的？

1. 先进入 Harness 环境

现在这就是典型的 Harness 环境。Codex、OpenCode、Antigravity、Claude Code，或者龙虾 OpenClaw，都属于这种 Harness 环境，都可以干类似的活。当然，这里头最好用的应该是 Claude Code，只是老范没有 Claude Code 账号，所以用的是 Codex。

2. 先找到过程描述文件

系统拿到指令以后，会先找到指定的过程描述文件，也就是我告诉它应该按照哪个文件里的描述去干活。

其实编程也是类似的过程，只不过我们会有约定俗成的入口文件，比如 main，编译器会从那里开始，然后决定引用什么东西、一步一步怎么做。现在既然是 Word 文档，那我们就需要明确告诉系统：请按照哪个文件名里的描述去干活。

3. 再寻找源文件和目标文件

然后 AI 会去寻找源文件和目标文件，也就是你到底要处理哪个文件，处理完以后生成什么结果。

4. 自动规划执行步骤

接着 AI 会自己做规划，不管是 Codex 还是别的工具，都会自己规划：第一步干什么，第二步干什么。

5. 自动编写 Python 代码

规划完以后，它会自动去编写 Python 代码。这部分我们不用管。到现在为止，我也没有看过任何一行 Python 代码，甚至我自己也不太会 Python，所以这并不重要。

6. 把确定性任务交给程序执行

接下来，AI 会把确定性的任务扔给 Python 去跑。比如从 Word 或 PDF 里抽取文本，做简单比对，判断这个和那个是不是相等，进行数据填写，把目标填到哪里去，以及文档格式化。

所谓文档格式化，就是在 Word 文档里除了文字之外，再加一些标记，比如这里是红色、那里是几号字。这些都属于确定性任务。

7. 把不确定任务交给大模型处理

还有一些不太确定的任务，需要调用外部模型来做。比如非结构化数据的信息抽取。我写了一大段文字，里面说某年某月某日，某公司投资了谁多少钱，占股多少，这就属于非结构化数据。

我们可以给大语言模型一个指令，让它抽取时间、公司名、甲方、乙方、投资金额、持股比例、估值等信息。这类信息抽取就需要大模型来完成。

还有翻译，也可以由大模型来做。翻译当然也可以通过远程 API 或专门翻译接口搞定，但通过大模型也能完成。

8. 根据验收结果反复迭代

做完这些以后，AI 会根据前面讨论过的验收结果，对输出进行验收。如果发现不对，它会重新编写 Python 代码，再干一遍。它也是分步骤的。如果哪一步做对了，就保留对的部分，把不对的步骤继续往下做。这就是整个运作过程。

当然，这个过程充满了很多不确定性。比如我们描述了数据，但它没有找到，或者它找到了一些数据，却和我们的描述不完全一致，只是有点像。

这个时候它就会尝试：是不是可以这样试试，那样试试？它在读源文件和目标文件时，如果发现原始文件里有一堆跟你的描述很像的数据，就会考虑：我是不是可以写一个信息抽取模块把它们抽出来？还是说我可以写一个 Python 代码，把它们提取出来填到另一个地方去？

它就是不停地做这样的事情，把尽可能确定、可验证的事情做到它确认的最好结果，然后告诉你：这块我做完了。做完以后，它有时还会问你，我可以进一步再验证一次，要不要我去做？一般我们会说，你再验证一次吧，再进行一次手工验证。它就会按照要求再把目标文档验证一次。这就是 AI 真正干这个活的过程。

当文科生都能用自然语言解决问题，世界会怎样

文科生不需要会写代码，但必须有逻辑

第一点，文科生不要害怕使用 Vibe Coding 工具。不需要懂代码，但逻辑依然非常重要。你自己都描述不清楚的问题，AI 也搞不定。如果实在描述不清楚怎么办？可以跟 AI 讨论，它能够帮助你把逻辑梳理清楚。

AI 提效意味着部分岗位会被替代

但也有一个很现实的结果：大裁员就在路上。范太太通过 AI 完成一部分工作，再结合她自己手工处理，相当于半自动完成整个流程。跟原来纯手工相比，大概能够节省 60% 到 70% 的时间。

那些专业技能要求不高，但非常机械、枯燥的工作，一旦交给 AI，从体感上就会舒服很多，因为这部分工作真的很烦，把它交给 AI 还是很开心的。

很多工作的本质，是在非结构化与结构化之间来回转换

以前很多工作，实际上就是把各种非结构化数据结构化地处理，再以格式化的非结构化形态输出。这个说法有点绕，意思是：最早的数据其实在数据库里，都是结构化数据，一行一行，各种关系都很清楚；但当我们把它写成报告时，会加很多格式，比如字大字小、各种字体、换颜色、加图标，这个过程叫格式化。

可格式化完成的 PDF 报告，又重新变成了非结构化数据，因为很多内容变成了一大段一大段文字，有些即使是表格，也没有足够清晰的说明和约束，实际上依然是非结构化数据。

真正的结构化数据，是有非常清晰的数据字典和数据约束的。这些数据被公开时，公开出来的是花里胡哨的发行版，也就是格式化好的非结构化结果。而研究咨询和数据机构的价值，就在于他们手里有结构化数据，可以方便地研究、辅助决策，并再次输出。

比如找四大或者各种咨询公司，他们不会把后台数据库开给你，真正的结构化数据永远不会给你，给你的都是一份一份报告。你要是想把这些报告重新塞回数据库里再去应用，难度非常大。

刚才讲的整个任务过程，本质上就是把一大堆公开的、非结构化的、格式化好的、花里胡哨的报告，重新塞回数据库里，再生成一份新报告。以前这些事都要靠人工完成，很多研究机构也是不断拿别人报告回来，往自己数据库里填。

你说能不能专门编写软件来做？当然可以，但成本非常高，而且这种报告可能一年才用一回，最后不划算，还不如找个人吭哧吭哧去做。现在 AI 不能说彻底搞定了这件事，但绝对可以极大提效。如果没有新的业务和收入进来，那就只能裁员了，这没什么办法。

更积极的一面：更多人能用上更完整的数据

说点正面的。既然生产效率提高了，总应该有好处，不能光带来裁员。

正面的地方在于：我们每个人在做决策时，都可以使用更完整、更新、更准确、更大范围的数据了。那这东西有用吗？能赚钱吗？数据就是财富，数据就是权力。

当每个人、每个机构都能获得原来难以企及的数据之后，就会做出更正确的决策，或者决策效率大幅提升。这样就会有更多新生意出现，原来没法做的，现在可以做了。这才是真正正面的部分。

所以，让我们动起来吧。

最后建议：程序员和文科生分别该怎么办

给程序员的建议

对于程序员来说，我通过观察文科生用 Vibe Coding 处理问题的过程，已经能更清楚地知道：以后如果有人想用类似方式处理问题，他们可能会遇到哪些问题，以及这些问题应该如何解决。这对我来说是一个帮助。

给文科生的建议

对于文科生来说，记住这 5 点非常重要。我们把顺序稍微调一下。

1. 放弃让 AI 一次搞定、一键搞定所有问题的幻想，这不现实。
2. 和 AI 讨论需求和处理步骤。因为我们使用的是自然语言，尤其是文科生的自然语言，往往会更啰嗦一些。让 AI 帮你梳理清楚，把你没说清楚的地方列出来。
3. 向 AI 描述如何识别和获取目标数据的特征和范围，这是最重要的。AI 能找到需要处理的数据，至于怎么处理都相对简单；关键是它怎么识别出这个数据。你一定要把这块讲得非常清楚。
4. 把各种默认状态都明确描述出来。很多事情是人一看就知道怎么办的，AI 没那么聪明。
5. 把完整任务按照可验收的价值点进行分拆。把 AI 擅长的事情交给 AI，把 AI 不擅长的事情自己上手，这样才是最高效的方式。

如果你已经订阅了 OpenAI 或者 Anthropic 的各种套餐，抓紧把 Vibe Coding 工具跑起来；家里已经有龙虾的，或者准备装龙虾的，也别让它闲着。

好，这就是今天的故事。感谢大家收听。请帮忙点赞、点小铃铛、参加 Discord 讨论群，也欢迎有兴趣、有能力的朋友加入我们的付费频道。再见。

背景图片

通过提示词直接给大模型指定MBTI性格类型，居然是有效的，这你敢信吗？

大家好，欢迎收听“老范讲故事”的YouTube频道。

苏黎世理工大学发表了一篇论文，给大模型指定MBTI性格类型。这个论文呢，是9月4号在ARCHIVE上做的第一版发布，论文的名字叫做《心理增强型人工智能代理》。大家注意，他玩的是AI Agent（AI Agent就是多个AI智能体，可以相互配合干活的）。在这个过程中，他们跑去给智能体指定，说你到底是一个什么性格了。

它通过提示词直接给大模型赋能，不用微调，不用去做什么训练，直接告诉他说：“你今儿就是INTJ了。”它是这样来工作的。大模型被赋能了性格之后，居然可以稳定地输出相应性格的内容。不是说我今儿跟你说你是INTJ，结果输出了依然在这胡说八道，不会的。你只要赋了，他就老老实实地按照这样的性格给你输出结果。而且不同性格的大模型，输出的结果是有明显差异的。

这么欢乐的实验到底是怎么做的呢？实验中的种子选手们，不是说只对了一个模型做实验，他对四个模型做了实验，分别是：GPT-4o MINI、GPT-4o、千问3 235B-A22B（也就是千问3的235B，每一次MOE激活22B的这个模型），还有千问2.5 14B的这个模型，也在里边进行了对照测试。

提示词的写法与技巧

就给提示词嘛，直接给大模型赋予性格了。给大模型指定角色，是我们写提示词中经常使用的一个技巧。写提示词呢分三种写法：

• 第一种叫最小提示词：比如说“你是ENTP（叫辩论家）”，直接写上，其他不写了，这个效果也是可以的；
• 第二种呢就是详细但是不点名：只对性格进行描述，但是不写具体的性格名字，这个效果呢要稍微差一点点；
• 第三种呢就是极其详细的描述：先告诉他你是ENTP，然后呢是ENTP相应的人格描述，比如说你是辩论家，到底应该是一个什么样的性格（外向、直觉、思考以及感知），这个效果是最好的。

他们写了一个这个提示词模板：你将以一个人格、以设定的大语言模型代理的方式来工作。你的MBTI目标类型是（后边写上一个具体的类型）。在接下来的所有回复中，你必须稳定体现以下四个维度强度（0-1）：第一个你到底是E还是I，然后呢你到底是S还是N，或者T或F，J或P。他把这四个性格组合的配对都给咱写上了。

输出规则：先给出结论行动方案，再给解释；用性格来约束你的语言风格、情绪表达、抽象程度、结构化程度以及对人对事的侧重。遇到冲突的时候，人格一致性优先于讨好用户。可选在每次回复末尾用一行自检，给这次输出进行自检。

在不同的模型上呢都是起作用的。性格注入在GPT-4o以及千问3这种大规模的模型中，表现要尤为鲁棒而且一致；小的差点意思，就是GPT-4o Mini和千问2.5 14B那个要稍微差一点意思，但是在这种很大的模型上效果很好，而且非常的稳定。

设定了性格之后，然后再进行测试。不点名MBTI的具体性格名的这些提示词，它呢也可以区分，但是呢区分度会变弱一些。模型的输出是相对比较稳定的，一旦设定了它是什么性格，就可以稳定地按照这个性格输出了。

不同性格的大模型，各自擅长什么样的工作呢？

思考型（T）与情感型（F）的差异：

• 叙事与写作表现：情感型生成的叙事更具备情感深度、共情力且基调更为乐观，其输出包含更多的情感描述词汇（比T型要多42%），更关注人本价值和和谐感。而思考型（T型）生成的文本更注重逻辑结构、客观性和因果关系，语气较为冷峻。
• 博弈和策略表现上：思考型T在囚徒困境等博弈中表现得非常冷酷和利己，其背叛率高达约90%，旨在追求个人利益最大化。情感型F更具协作精神，其合作率约为50%，表现出更强的社会敏感性，更倾向于建立长期信任。
• 策略稳定性：思考型策略非常稳定，极少改变决策，切换率仅约7%；而情感型F更具灵活性和适应性，会根据对手的行为快速调整策略，切换率约为16%（这个就更灵活一点点）。

内向型（I）以及外向型（E）的差异：

• 诚实度：内向型I表现出更高的诚实度，约为54%，其行动往往与陈述的意图保持一致；而外向型E更具策略性和欺骗性，诚实率仅约33%，更愿意使用误导手段来获得优势。
• 反思深度上：内向型I会产生更长、更详细的内部合理解释，表现出更深的思考过程（类似于思维链分析），而其响应速度相对较慢，体现了更强的自我监督。
• 语言偏好上：外向型倾向于使用“让我们行动”、“社交协作”等具备感染力的词汇，内向型则多用“经过反思”、“审慎”等词汇。

判断型（J）和感知型（P）的差异：

• 结构与策划：判断型J倾向于提供更有条理、有计划和明确结论的输出，在博弈中也表现出更高的诚实度和对既定计划的遵循。感知型P他们的输出更具发散性，倾向于保留多种可能性，表现出更强的自发性和对变化的接受度。

关于S跟N的差异

这里头还有两个咱们没说到，是什么？就是S跟N，它们的区隔性比较差。前面这6个，他们的区隔性是比较强的。S是感觉，更关注具体实际可观察的信息，依赖五官感知到的事物和细节；N呢是直觉型，关注抽象未来潜在关联的信息，依赖灵感联想和模式识别。

之所以这两个性格很难区隔，论文里写了：第一个是维度的抽象本质和社交关联度比较低，因为大语言模型本身就是对现实的一种抽象嘛；第二个是在单轮对话中呢，你很难可靠的表达你到底是S还是N；第三个呢是语言表达的这种语境重叠，因为我们是靠语言来表达嘛，所以也很难去对这么细节的“我到底是怎么去思考、怎么去判断、或者怎么去获得信息”的这些东西进行表述，也缺乏可辨识的底层模式。最后呢就是规模效应的线性大语言模型，像GPT-4o和千问235B这样的模型呢还是可以辨别的，但是区隔性比较弱；而那些小模型，GPT-4o Mini以及千问2.5 14B这样的模型，反馈基本上是随机的。

不同性格擅长干不同的事情

这是我们人类去测MBTI的一个目的，但是现在发现大模型测了MBTI以后也是如此的。

• INTJ（建筑师）以及ENTJ（指挥官）：更擅长战略规划、合同审计和复杂架构的设计。
• INFJ（倡导者）以及INFP（调停者）：更适合做心理咨询、情感辅助和创意故事。
• ISTJ（检查员）和ESTJ（总经理）：在合规性审查和精确日志管理等低错误率任务上表现最佳。
• ENTP（辩论家）和ENFP（竞选者）：在市场营销、文案创意和用户触达任务中，可读性和趣味性更高。

团队黑板实验：多智能体协作

论文中对大模型不同性格能够干什么事，又重新梳理了一下。那你说人类做决策，也不是说一个人在这拍脑袋就做决策，咱们还得商量着来。大模型呢也是这样，既然是AI Agent一大堆代理，那我们就可以做多智能体，你们也商量着来，看看效果是不是会更好一些。

这个论文呢还做了另外一个实验，叫做“团队黑板实验”。什么意思呢？他做了一个共享存储的架构，让不同性格的大模型呢可以在同一个上下文里边去进行沟通。黑板被定义为一个持久化的共享内存结构，所有的智能体均可读取和写入信息。在这个里边呢，还进行了叫“去中心化”的对话，不是说谁先说谁后说，或者谁是领导谁是干活的，没有这个。协作不设固定的顺序，由一个随机选择的智能体发起对话，并根据逻辑流转，自主将控制权交给团队中的另一个成员，模拟平等的人类讨论过程。

在这样的一个设置之后呢，发现什么样的效果最好呢？是带有自省的交互。什么叫带有自省的交互？智能体在将观点写入黑板前，先在私有的草稿本上进行基于性格特征的内部审议。这能有效地减少复读机效应，确保每个成员都能产出独立且符合其性格设定逻辑的贡献。效果那真的是好得飞起。

• ENFP（竞选者）+ INTJ（建筑师）：他们两个加一块可以干什么呢？在营销策划和产品设计中，ENFP负责发散思维，INTJ负责逻辑审查。这种组合在创意度与可行性的平衡得分上，比单一通用模型提升了29%到34.2%，这是非常非常恐怖的提升哦。
• ISTJ（检查员）+ ENTJ（总经理）：在企业财务审计和法务尽调中协作，效率提升了22.5%。

决策纠错与降低幻觉

由于不同性格对风险和证据的定义不同，多样性的人格组成的委员会能起到冷启动校准的作用，就是你不需要前头预热，直接上来开干效果就很好。当一个性格产生偏见或者幻觉的时候，对立视角的性格能够有效地识别并修正错误决策。而且大家组合在一起还可以干什么？沟通质量也有所提升。内向型I在黑板讨论中发言效率虽然较低，但是其输出的信息逻辑密度和诚实度更高，通常能够作为团队达成共识的基石；而感知型的P展现出更强的决策灵活性，能够根据团队动态快速的调整战术路径。这就是让不同性格的AI配在一起干活的一个效果。

典型的搭配

• ENFP（竞选者）+ INTJ（建筑师）：可以在营销策划、产品概念设计上提升34.2%。
• INFP（调停者）+ ESTP（企业家）：可以在客户服务、应急处理以及品牌公关上提升27.8%。
• ISTJ（检查员）+ ENTJ（总经理）：可以在企业财报审计和法务尽调上提升22.5%。
• INTP（逻辑学家）+ ESFJ（执政官）：可以在复杂软件工程团队技术支持上提升19.4%。

为什么又是MBTI呢？

大家有没有想过这个问题？这个东西本身其实并不严谨，我们把人的性格直接分成16种，太简单粗暴了。但是它的好处是什么？足够简单。真的按照一个很复杂的性格的方式去分类的话，在这个大模型的研究里头成本会上升很多的。而且对于非科班精神科医生出身的程序员们来说，MBTI也更容易理解，可以成为调教大模型的一个非常好的工具。

对于大模型的MBTI的研究呢，其实由来已久。字节跳动2023年就开始给各大模型做MBTI测试了，发现各大模型默认的MBTI性格类型是非常稳定的（他们还没有去设置说你是什么什么，直接说咱们就测测，我啥也不设，你到底是一个什么样类型），也可以找到各大模型稳定的MBTI输出。北大呢也曾经测试过对大模型进行MBTI的性格微调，发现什么呢？太大的模型跟太小的模型搞不动，只有中间参数的微调效果还不错。

但是这一次呢，苏黎世理工的这个论文说，对大模型进行提示词指令效果是很好的，所以可能是对大模型进行微调效果是没有那么好，你直接告诉他你现在扮演一个什么就可以了，别费劲去微调去了。现在大概有十几篇相关的论文在研究大模型跟MBTI之间的关系，或者是其他的性格分类，MBTI只是其中相对来说比较简单的一个，还有其他的一些分类也在进行相应的研究。

研究这东西除了开心，还有什么用没有？

用处还是很大的。它可以提升提示词的效果，不同类型的大模型适合做不同的工作；而且在AI Agent的构建过程中，可以考虑预设不同性格类型，让不同类型的模型一起协同工作，最终工作的结果会不断的提升。当最终工作结果其优劣势可以衡量的时候，有了MBTI这种虽然很简陋但是依然可以确保稳定、一致性的性格标签，确实是可以有效地提升大模型或者叫AI Agent多智能体输出的质量的。

当然还有一个很重要的效果是什么？大家有没有想到呢？TOKEN在燃烧。原来你只是提了一个问题，他给了你一个结果；现在好了，我们要解决一个问题，你需要设置一大堆的有性格的智能体，还要让他们反思，反思了以后还要讨论，最后给你一个结果。那在这个过程中，咱就烧TOKEN吧。大家继续去做AI基础建设就好了。

最后总结一下

• 现在的大模型，小的不太好使（这个事是有结论的）；
• 大模型可以通过提示词直接进行性格注入了；
• 在AI Agent的多智能体协作过程中，可以让不同性格的智能体相互配合，获得更好的结果。

像他们现在做的测试里头呢，大家进行平等的沟通和交流；如果你设置出层级来，没准还会有不同的结果，这块可以测试的东西还是蛮多的。

听完了老范这期节目之后，大家回去可以考虑重新写AI Agent的提示词去了。最后呢，这又是一期很文科生的AI故事。

好，这个故事就讲到这里，感谢大家收听。请帮忙点赞、点小铃铛，参加DISCORD讨论群，也欢迎有兴趣、有能力的朋友加入我们的付费频道。再见。

背景图片：