通用方法 · 熟练
活交出去了，它做的不是我想要的
不是它不听话，是你没把「要什么」写出来
把活交出去之后最常出现的返工，不是模型能力不够，而是它替你补了一个你没说过的偏好。Anthropic 在 2026 年 9 月公开过一个员工 agent 谈判实验：让 agent 代表一个人去谈一批书，然后把它生成的排序与这个人自己的排序逐条比对 —— 结论有些反直觉：真正决定结果像不像你的，是「你的偏好有没有被表示出来」，而不是「它有多会谈」。这一页把这件事拆成委派前必做的四步：先说偏好，再说任务 → 划清范围 → 留一个纠错口 → 最后一步自己核。做完这四步，你要的不是一个「更聪明的手下」，而是一个不会替你作主的执行者。
方法 · 一图看懂
1
先说偏好，再说任务 — 委派的第一句不是「帮我做 X」，而是「我要的结果长什么样、我最在乎哪一点、哪一点可以让」
2
划清范围 — 它能动什么、不能动什么、哪些动作必须先回头问你；范围写在任务里，别指望它自己拿捏
3
留一个纠错口 — 明确「什么时候可以喊停、怎么改方向」，把纠错放在中途而不是等它跑完再返工
4
自己核一遍是否真同意 — agent 之间达成一致不等于你批准；最后一步的取舍必须由你签字
原理 · 为什么有效
为什么「偏好」比「能力」更关键？因为两者出错的位置不同。能力不足出的是「做不到」，一眼就能看出来；偏好缺失出的是「做完了、但做的是另一个人的版本」 —— 没有报错、没有异常，只有你事后一句「这不是我要的」。
根本原因在于：模型只能围绕你给过的信息优化。你说「帮我整理一份报价对比」，它就有一个隐含目标：把东西摆整齐。可你的真实目标是「明天谈判前我要知道哪一家的付款条款对我最不利」—— 这两件事产出的是完全不同的两份表格。它没有违背你，它只是把你没说的那一半，按「平均人」补上了。
Anthropic 那个实验之所以值得记住，是因为它把「偏好」从一种感觉变成了一件可操作的事：把偏好写出来，它的输出才会朝你的方向收敛；写不出来的偏好，就等于交给了它替你决定。而跨 agent 协作时这一条更硬 —— 下游 agent 只能看见上游压缩后的产物，如果那段产物里没有「本人要什么」，它执行的其实是一份无出处的事实。
适用场景
适合：经常把整段工作交出去、但拿回来总要自己重做一遍的人；把同一件事交给两个不同 AI，发现结果风格差异很大、却说不出为什么的人；让 agent 代表自己去沟通、报价、筛选、投递的人。
不适合：一次性的、你并不在乎结果形态的小任务（为了写四句偏好反而更慢）；以及结果本身会改变对外事实的动作 —— 发出去的消息、提交的表单、付款、删改线上内容 —— 这类不是「写好偏好」就能交给 agent 的，必须保留人工确认（注意：「纠错口」管的是方向，不是授权）。
自测 · 5 问
我说得出这次最在乎的一个点（以及哪一点可以让）吗？
我有没有明确写过「哪些事必须回头问我」？
我给了它一个中途喊停的方式，还是打算等它全做完再看？
我上一次返工，是不是因为有个偏好我压根没说？
如果它这次做对了，我能说出它对了哪一点吗？
怎么上手 · 验证步骤
上手第一步只要做一件事：把「我要什么」写在任务前面。下次委派时，先别写动词，先写三行 —— ① 我要的结果长什么样 ② 我最在乎哪一点 ③ 哪一点可以让，然后再写「帮我做 X」。三行写完你通常会发现：原来看起来一句话的活，其实有两个你自己都没定的取舍。
紧接着加第二件：一条范围句（「你可以动 A 和 B，不要动 C；涉及 C 先问我」）。这两件加起来不到一分钟，但它们决定了这次是「一次交付」还是「三轮回炉」。
自检动作：把这次交出去的活拿回来，逐条问 —— 哪一处的取舍是它替你定的？把它圈出来。如果一条都圈不出来，说明你的偏好已经写全了；如果圈出了两处以上，就把这两处补进你的「偏好三行」，下一次委派直接复用。偏好清单是一次次被圈出来的，不是一次写完的 —— 每被绕开一次，就加一条。