说实话，AI 失控风险这事，咱就是说挺让人头疼的。

让开盲盒，变成了审核过后的必然。Ru果在这个阶段有什么不满意，Ke以继续跟它讨论。

发生这种问题的本质是因为，在 AI 偶尔的靠谱中不断拉高人对它的预期，让人忘了不靠谱才是它的本质。它逻辑写对且漂亮是偶尔发生的事情，但是因为偶尔发生，人们就开始误以为它每次dou会写对，根本不用约束。从开始那种小心翼翼的试探性使用，转变成让 AI 大胆去尝试，结果就是干了一天又白干了。

还有在写一个小 demo 的时候需要一个实时音频检测，但凡发生一点小问题，AI 就开始退回到模拟音频检测数据，根本怎么说dou不管用。Zuo可观测的时候，跟它说了 grafana 需要模拟用户手动，它懂不懂就挂到 yaml 里尝试自动加载，数据源还不设置。一句就是迎难而退。

沿袭公司的传统，项目仓库 A 和 idl 仓库 B 是分开的。因为 B 里面还有一些公用的 idl，就直接在 B 仓库生成，推送到远端，A 拉取依赖。本来让人来操作没啥毛病，这套流程。但是让 AI 操作的时候，但凡 B 仓库上有点啥问题，比如 idl 写错了生成不了生成以后推送不上去，有时候甚至没啥错误，它dou会把 idl 的生成直接搬到 A 仓库来。。这样的例子不是个例，哈佛物理教授疯了：我让AI写论文，结果两周干完博士一年工作！冲击顶刊 教授就到

就是搞清楚两件事。

它Neng让 AI 冷静下来。正常的流程是你说它改，它会非常迫切想去改代码，没有仔细思考。这有点像人，非常注重产出，而忽略思考。但是这个 skill 一用，它就冷静了。它开始思考。hen多直接写代码的时候，会出错的情况，用上这个 skill，它就不会给错误的方案

在群里问的时候，发现hen多人dou有类似的经历。不知道 你 是怎么解决的呢 ~

我的Zuo法非常简单粗暴，让 AI 自己加了一个 skill，开始是用在问题修复上，所以取名叫 fix

---
name: fix
description: 修复代码问题时先复述问题让用户确认，再开始修改
---
用户描述了一个问题，你需要：
. **先复述问题**，包括：
   - 当前实际表现
   - 期望表现
   - 涉及的状态或场景
. **描述解决方案**，包括：
   - 根本原因分析
   - 准备怎么修改
   - 预期修改后的效果
. **等待用户确认**，用户说"对"或"确认"后再开始修改代码。不要在用户确认之前Zuo任何代码修改。

当 AI 开始瞎搞时就Ke以这样用。

害，说到这我突然想到，为啥有些文章百度就是不收录呢？你懂的，有时候咱也不知道是为啥。

有人说是内容质量的问题，也有人说是关键词优化没Zuo好。那到底是为啥呢？那个那个，我觉得吧，可Neng跟网站权重、内容原创度、还有用户体验啥的dou有关系吧。

不对不对，应该是跟搜索引擎算法有关，说实话，这些算法咱也不太懂。

Zui重要的问题还是它改坏了以后叫它改回来它不一定Neng改的回来。搞可观测干了一天的 dashboard，就是因为某个 pannel 需要调整，它就把整个 dashboard dou调坏了。一天天的，干活就跟吃巧克力一样，永远不知道下一次会发生什么。就像这样 ↓

想知道，我是干什么的时候，遇到这么奇葩的场景？当然是在用 OpenSearch Zuo OpenClaw 的可观测 OpenClaw 透视镜：基于 OpenSearch 的完整可观测实践，只知道养虾花了hen多钱，却不知道钱花哪里了Ke以来试试这个。

后来我发现这个 skill 还有其他优点

不止Neng用在代码修复场景，比如写 grafana 面板不对，也Ke以用这个 skill

炸一kan好像有点像 plan 模式，对不对 ？ 但我实际使用 plan 模式的时候，发现效果hen不好。每次它 plan 出来以后就开始问你要权限写代码。每次dou要跳过三个选项，选Zui后一个，才Neng跟它讨论。而且不是讨论完以后再而是每次提一个点，就开始。每次还会告诉你 context Yi经用了hen多了非常增加心理负担。