Do as Pro：当外行借助 AI 进入陌生领域

一个做得很漂亮、却明显做错了的眼球

我曾看到一个借助 AI 制作的交互式解剖网站：Anatomy Atelier。

An image to describe post

从产品完成度看，它相当吸引人：柔和的视觉风格、精致的卡片布局、可以旋转和缩放的三维器官，还有显微结构、疾病列表和功能动画。只看界面，它已经很像一款正式上线的解剖学习产品。

但网站里的眼球模型存在一个非常明显的问题：正常的虹膜和瞳孔之外，眼球侧面又出现了一个黑色圆形结构，看起来像长出了第二个瞳孔；眼外肌、眼球后部组织和视神经之间的关系也存在明显异常。

这不是某个有争议的医学细节，也不是为了视觉效果进行的合理简化，而是对象的基本解剖结构出了问题。

奇怪之处也正在这里。

现代 AI 通常能够正确说明瞳孔、虹膜、角膜、巩膜、视网膜、视神经和眼外肌之间的基本关系。只要直接问它“正常眼球的外部结构是什么”“瞳孔是否可能出现在巩膜侧面”，它大概率不会给出网站中的错误答案。

AI似乎知道正确知识，却仍然帮助人做出了明显错误的成果。

问题出在哪里？

一个可能的解释是：制作者擅长使用 AI 做设计和开发，却并不熟悉解剖学。他不知道眼球模型还需要哪些专业检查，也不知道什么地方最容易错。面对一个完成度很高、视觉上相当顺眼的结果，他没有足够的知识判断它是否正确。

这是一种典型的处境：

用户不知道自己不知道什么，也不知道什么才算正确。

Do as Pro 这个 skill，就是从这个问题开始的。

一、AI让外行获得了前所未有的执行能力

过去，要做出这样一个解剖学网站，通常需要多个角色协作：

产品设计；
视觉设计；
前端开发；
三维建模；
动画制作；
医学内容编写；
专业审核。

AI大幅降低了这些能力的获取成本。一个人可以在很短时间内跨越多个专业边界，完成过去需要一个小团队才能完成的作品。

这当然是一种进步。

但它也制造了一种新的不对称：

一个人获得了远超自身专业判断能力的执行能力。

他可以制作一个医学网站，却未必能判断医学内容是否正确；可以生成一份财务模型，却不知道哪些数字关系必须成立；可以写出一份合同，却不清楚某个条款在现实中会造成什么后果；可以设计一座建筑的概念方案，却不知道哪些结构和安全条件不能靠视觉合理性判断。

AI缩短了“不会做”到“做出来”的距离，却没有自动缩短“做出来”到“做正确”的距离。

而且，成果越完整、越流畅、越漂亮，使用者越容易误以为它已经接近专业质量。

二、问题不只是 AI 会犯错

面对这种情况，人们通常会说：

AI不可靠，必须由人检查。

这句话没有错，但很快就会遇到另一个问题：

由谁检查？

如果使用者自己就是外行，他可能同时面临三种困难：

我不知道这件事专业上应该怎样做；
我不知道结果可能错在哪里；
我不知道 AI 的判断是否可靠。

要求外行“仔细检查 AI 输出”，有时就像要求一个不懂解剖的人检查眼球模型的解剖准确性。认真并不能自动补上缺失的知识。

找真人专家当然是一个办法，但并非每项任务都值得、能够或需要在全过程中聘请专家。很多低风险或中等风险任务，用户真正需要的，是一种更系统的 AI 使用方式：

让 AI 主动调用相关专业知识；
让专业标准在执行前变得可见；
让 AI 主动寻找外行难以发现的错误；
让关键判断能够被外部事实、对照或实验检验；
在超出可靠边界时及时停止。

这就是 Do as Pro 想解决的问题。

三、许多“未知”，其实只是用户未知

陌生领域中确实存在真正未知的事情，例如尚未发生的结果、未公开数据、现场条件或需要实验才能确认的效果。

但还有一大类情况是：

用户不知道，AI可能知道。

例如，一个外行准备制作眼球解剖模型时，可能不知道应该检查：

瞳孔与虹膜的位置关系；
角膜和巩膜怎样连接；
视神经从眼球什么位置离开；
六条眼外肌分别怎样附着；
外部模型、剖面模型与文字说明是否一致；
教学模型可以省略什么，又绝不能省略什么；
哪些权威图谱可以用作参照。

这些问题并非没有答案。用户只是没有意识到需要提出它们。

AI通常掌握这些领域中的概念、方法、常见结构和典型错误。但当用户只说“帮我做一个漂亮的解剖网站”时，AI往往会优先满足表面的生成目标：

页面是否美观；
模型是否有吸引力；
交互是否流畅；
功能是否丰富；
作品是否完整。

它未必主动把任务提升为：

制作一个具有基本解剖准确性、可以用于学习的医学教育产品。

前一种任务主要受设计和开发标准约束，后一种任务则必须首先受解剖学事实约束。

如果没有完成这个转换，AI就可能返回一种模糊的“平均解”：既像产品设计，又像网页开发，也带有一些科普内容，却没有任何一个专业领域的核心标准真正成为硬约束。

四、AI辅助的专业重构

因此，Do as Pro 的第一个核心概念不是“生成”，而是：

需求发现与专业重构

所谓专业重构，是让 AI 把用户用日常语言描述的现实目标，转换成专业领域中可以执行、检查和验收的任务。

它大致包含以下转换：

自然目标
→ 专业任务类型
→ 核心问题与支持问题
→ 适用方法
→ 必需证据
→ 质量标准
→ 风险与停止条件

例如，用户说：

我想做一个可以旋转查看人体器官的网站。

经过专业重构后，任务可能被改写为：

制作一款面向普通学习者的交互式人体解剖教学产品。核心要求是：简化后的模型仍应保持基本解剖准确性；主要结构需要依据可靠图谱进行对照；视觉效果和交互体验属于支持要求，不得以牺牲结构正确性为代价。

这一步看似只是换了一种说法，实际上改变了整个任务的优先级。

如果目标只是艺术化展示，模型外形有一定自由度。

如果目标是解剖教学，那么结构错误属于阻断级缺陷：即使页面已经很漂亮，也不能被视为完成。

专业重构还需要主动区分相邻但不同的任务。例如：

是艺术创作，还是教学演示？
是面向儿童的启蒙模型，还是面向医学生的学习工具？
是只表现器官外形，还是支持内部剖面和层次关系？
是概念性示意，还是要求用于正式课程？
是产品原型，还是准备公开发布的教育内容？

AI不能简单地把所有可能性列出来，让外行自己判断。它应根据现有情境提出当前最可能的专业模型，说明理由，再询问少数真正会改变方案的问题。

五、为什么这最终会成为一个科学哲学问题

做到这里，仍然没有解决最困难的问题：

当我进入一个自己不熟悉的领域时，我怎样判断最终结果是正确的？

如果我知道正确答案，自然可以直接检查。

如果我不知道答案，但知道应该去查什么，也可以查阅资料。

真正困难的是：

我不知道自己遗漏了什么；
我不知道 AI 给出的专业框架是否选对；
我知道自己不懂，却无法独立判断哪个解释更可信；
多个答案看起来都合理，我不知道应该相信哪一个。

这时，问题已经不只是工作流程设计，而进入了一个更基础的认识论问题：

人在缺乏直接知识时，凭什么接受一个判断为真，或者至少认为它足够可靠？

这正是科学哲学长期处理的问题。

科学家研究人类尚未充分理解的领域时，也面临类似处境。他们并没有一本已经写好答案的教材，可以在实验结束后逐项对照。科学研究的对象，恰恰是尚未确定的东西。

科学家无法依靠“我知道正确答案”来检查结果，只能建立一套减少错误、暴露假设、接受反驳和持续修正的方法。

当普通用户借助 AI 进入自己的未知领域时，他与科学家进入人类未知领域之间，存在一种结构上的相似：

科学研究	外行借助 AI 做专业任务
人类尚不知道答案	用户个人不知道答案
需要提出问题模型	需要完成专业重构
需要构造解释或假设	需要形成方案和关键假设
需要寻找可观察证据	需要外部事实、样本或测试
需要排除替代解释	需要反方审查和对照
结果随新证据更新	规格和成果随验证修订
结论始终可能被修正	AI输出不能被视为最终权威

两者的知识边界不同：科学家面对的是人类整体的未知，用户面对的只是自己的未知。但在“我不知道答案时，怎样形成可靠判断”这个层面，它们面对的是同一类认识论困难。

因此，把科学研究方法引入 AI 辅助专业工作，并不是一种修辞上的类比，而是一种合理的方法迁移。

六、科学方法提供的不是标准答案，而是纠错机制

科学方法的价值，不在于它能保证第一次就得到正确答案。

它提供的是一种更可靠的纠错结构：

明确当前观察到了什么；
提出一个可以说明现象的解释；
说明这个解释依赖哪些假设；
推导如果解释成立，应观察到什么结果；
寻找可能推翻解释的证据；
与其他解释进行比较；
根据新证据修改可信程度。

这可以直接用于 AI 输出。

例如，AI提出：

增加眼球剖面模式，能够提高普通学习者对内部结构的理解。

如果停在这里，它只是一个听起来合理的设计建议。

按照科学方法，可以继续改写：

假设

带有剖面模式的三维眼球模型，比只展示外观的模型更有助于学习者理解晶状体、视网膜和视神经之间的位置关系。

当前依据

这些结构无法从完整外观模型直接观察；
剖面图是解剖教学中常见的表现形式；
空间关系需要同时看到外部方向与内部结构。

可观察预测

使用剖面模型的学习者，应在结构定位测试中表现出：

更高的正确率；
更少的位置混淆；
更准确的前后方向判断。

最小验证

让少量目标用户分别使用普通模型和带剖面的模型，完成相同的结构定位任务。

反驳条件

如果剖面模式没有改善定位结果，或者明显增加理解负担，那么原有设计假设就需要修改。

此时，AI不只是给出一个答案，还给出了：

为什么这样判断；
什么证据支持它；
怎样检验它；
什么结果会使它失效。

这才是科学方法在 Do as Pro 中的真正作用。

七、从“证明正确”转向“尽量排除错误”

当人不熟悉一个领域时，很难直接证明一个复杂成果完全正确。

但通常可以逐步排除明显错误。

以眼球模型为例，用户未必能从头重建完整的眼球解剖知识，却可以执行以下检查：

与多份可靠解剖图谱并排比较；
检查不同来源是否对主要结构关系一致；
让 AI 列出正常眼球必须满足的结构约束；
要求另一个独立检查过程主动寻找异常；
检查模型的外观、剖面和文字是否自洽；
对异常结构要求给出解剖名称和来源；
无法解释的结构不得默认为正确。

这个过程不能证明模型绝无错误，但能大幅降低“第二个瞳孔”这类明显错误通过的概率。

这与科学研究中的可错论很接近：

结论可以暂时被接受，但始终保留被新证据修正的可能。

因此，Do as Pro 不把结果简单分成“绝对正确”和“错误”，而更关注：

当前结论由什么证据支持；
哪些部分已经可靠确认；
哪些只是合理推断；
哪些依赖未经验证的假设；
哪些反例尚未排除；
什么新信息会改变结论。

八、不是所有问题都用实验解决

科学方法并不意味着每件事都要设计随机对照实验。

不同问题有不同的验证方式。

问题类型	适合的验证方式
解剖结构是否正确	权威图谱、教材和多来源对照
数学计算是否正确	推导、复算、程序测试
是否符合规范	法规、标准、合同或专业规则
某项设计是否更好用	用户测试、对照和行为数据
某种工程方案能否运行	原型、仿真、压力测试
某项历史判断是否成立	原始史料、时间线和来源分析
某项策略是否值得采用	情景分析、小规模执行和反馈
价值上应选择什么	明确目标、偏好、代价和责任

“眼球侧面能否再有一个瞳孔”不需要做实验，可靠的解剖知识已经足以否定它。

“哪种交互方式更能帮助学习者理解眼球结构”则不能只靠教材回答，需要测试实际使用效果。

“产品应该追求更高准确性，还是更低学习门槛”还包含价值取舍，证据可以帮助说明后果，却不能替用户决定目标。

专业重构的一项重要工作，就是先识别当前问题属于哪一种类型，再选择相应的验证方法。

九、从软件工程借鉴，但不照搬软件工程

Do as Pro 的形成也受到软件工程启发。

如果把 program 还原为“为了达到一个结果而安排的一组行动”，那么借助 AI 完成专业任务，本身就像是在设计和执行一个程序：

需求可能不完整；
执行者可能误解要求；
局部修改可能破坏其他部分；
外部依赖可能失效；
输出需要测试；
错误需要定位；
最终成果需要经过交付判断。

因此，Do as Pro 借鉴了软件工程中的一些方法：

需求和实现分离；
明确输入、输出与权限；
单一职责；
依赖与影响分析；
版本管理；
缺陷记录；
分层测试；
回归检查；
故障隔离；
最小范围修改。

但它不能直接照搬传统软件开发流程，因为在陌生领域中，用户往往无法预先写出完整而正确的需求。

用户甚至不知道解剖模型应当通过哪些检查，也不知道哪些结构不可省略。若要求用户在一开始完成一份完整需求说明，只会把他最初的不完整理解形式化。

因此，Do as Pro 采用渐进明确的方式：

形成当前最合理的任务模型
→ 完成一个小而真实的增量
→ 检查和接触现实
→ 暴露新的未知
→ 更新任务模型
→ 继续下一轮

迭代的不只是成果，也包括对问题本身的理解。

十、用奥卡姆剃刀避免 AI 防御性膨胀

让 AI 更谨慎，很容易导致另一种问题：流程无限增长。

AI可能不断增加：

更多专家角色；
更多检查层；
更多风险分支；
更多候选方案；
更多免责声明；
更多“以防万一”的步骤。

最后得到的流程看起来严谨，却很难真正执行。

Do as Pro 因此引入奥卡姆剃刀：

在满足目标、约束和实质风险的条件下，不增加没有明确必要性的步骤、角色和检查。

任何新增步骤都需要回答：

它要防止什么具体错误？
现有步骤为什么不能发现它？
这个错误的概率或后果是否值得增加复杂度？
怎样判断新增步骤已经完成？
它减少的风险是否大于带来的成本？

复杂度应由已经发现的风险和知识缺口触发，而不是由 AI 能够想象出的所有危险触发。

科学方法本身也需要遵守这一点。不是收集的数据越多越科学，也不是实验越复杂越可信。

一个好的最小验证，应当集中处理：

哪一个未知一旦得到答案，最可能改变当前决定？

十一、用公理化设计减少阶段耦合

任务定义、执行、检查和修订如果混在一个步骤中，很容易发生自我确认：

AI先生成结果；
发现结果不符合标准；
于是悄悄调整标准；
再按照新标准宣布结果合格。

因此，Do as Pro 尽量让不同阶段承担独立职责：

专业重构负责定义问题；
规格形成负责明确方法和验收标准；
执行负责制作成果；
内部检查负责发现缺陷；
外部校准负责与现实比较；
科学检验负责处理经验性未知；
修订负责修复已经确认的问题；
交付判断负责决定剩余风险是否可接受。

检查阶段不能直接重写成果，修订阶段不能自行修改任务目标，执行阶段也不能宣布自己的结果已经通过。

发现上游问题时，应明确返回上游，而不是在下游不断打补丁。

十二、Do as Pro 的完整过程

目前，这个方法被整理成以下步骤。

1. 自然目标输入

用户只需说明：

想完成什么；
为什么做；
给谁使用；
有哪些现实限制；
哪些后果不可接受。

不要求用户先掌握专业术语。

2. AI辅助专业重构

AI主动识别：

所属领域和子领域；
当前最可能的专业任务类型；
核心问题和支持问题；
适用方法；
不可省略的专业维度；
外行容易忽略的风险。

3. 高信息量交互

AI只询问那些会实质改变任务类型、方法、风险或交付方式的问题。

低影响缺口采用明确的暂定值，并说明影响。

4. 形成当前专业规格

规格包括：

现实目标；
专业任务类型；
方法；
必需内容；
质量标准；
证据要求；
假设；
未知；
风险；
验收与停止条件。

5. 选择最小可验证增量

不立即生成完整成果，而是先完成最容易暴露专业错误的部分。

对于解剖网站，可以先制作并验证一个眼球模型，而不是一次生成所有器官。

6. 分解与执行

每一步明确：

输入；
输出；
前置条件；
验收标准；
可修改范围；
失败处理方式。

事实、假设、推断、估计、偏好和未知需要分开表达。

7. 内部检查

检查：

事实；
计算；
引用；
逻辑；
跨部分一致性；
是否满足当前规格；
结论是否超过证据范围。

8. 外部现实校准

将成果与以下内容比较：

客观事实；
强制规则；
权威资料；
同类公开成果；
常见范围；
基本常识；
实际使用结果。

显著偏离必须有解释和证据。

9. 假设与科学检验

对仍不能确定的重要判断：

明确假设；
列出当前依据；
推导可观察预测；
设计最小验证；
规定反驳条件；
根据结果更新判断。

10. 专业模型复查

检查的不只是成果有没有按规格做对，还要检查：

规格本身是否选对了专业任务。

如果模型错误，应返回专业重构，而不是继续局部修补。

11. 定向修订与交付

只修改受影响部分，并进行必要的回归检查。

最终说明：

哪些内容已经确认；
哪些仍是假设；
哪些未知尚未解决；
结论适用于什么范围；
什么条件会使它失效；
是否需要真人专家接管。

十三、它是怎样实现的

Do as Pro 被实现为一个独立、自包含的 AI skill。

它不依赖其他 skill，也不要求某个固定的外部工作流。核心文件本身包含完整的运行规则、状态和最小模板。

内部主要使用以下状态：

INTAKE
→ PROFESSIONAL_REFRAMING
→ CONTEXT_RESOLUTION
→ SPECIFICATION
→ MODEL_VALIDATION
→ INCREMENT_PLANNING
→ EXECUTION
→ INTERNAL_REVIEW
→ EXTERNAL_CALIBRATION
→ HYPOTHESIS_TESTING
→ MODEL_REVIEW
→ REVISION
→ DELIVERY

每个状态都规定：

可以读取什么；
可以修改什么；
必须输出什么；
什么时候进入；
什么时候退出；
什么情况下返回上游；
什么情况下必须停止。

它还区分多种信息类型：

Fact：可验证事实；
Source：事实依据；
Assumption：暂定前提；
Hypothesis：需要检验的解释或预测；
Inference：从证据得出的推断；
Estimate：带方法和范围的估计；
Preference：用户的价值选择；
Risk：可能造成不良后果的条件；
Unknown：当前无法确认的事项。

不同错误采用不同处理方式：

执行错误
→ 局部修订

规格遗漏
→ 更新规格并重做受影响部分

专业模型错误
→ 返回专业重构

经验性未知
→ 设计检验并根据结果更新

它还提供规格表、假设表、缺陷表、偏离表、实验记录和修订记录，但这些模板不是必须全部使用。是否启用取决于任务规模和风险。

目标始终是最小充分，而不是流程完整本身。

十四、它不承诺让外行变成专家

Do as Pro 并不试图让使用者假装成专家，也不能替代医学、法律、工程等领域的执业责任。

它追求的是：

让外行在 AI 帮助下，按照更接近专业工作和科学研究的方式处理未知。

这意味着：

让 AI 先帮助选对问题；
把专业标准变成可见的要求；
把隐含判断变成明确假设；
主动寻找可能的反例和失败条件；
根据问题类型选择验证方式；
让结论能够随证据修正；
在超出可靠边界时停止。

专家工作的价值，不只在于知道很多答案，也在于知道：

问题应该怎样描述；
哪些因素真正重要；
什么证据足以支持当前判断；
什么结果会推翻这个判断；
什么时候可以行动；
什么时候还不能下结论。

科学家的价值也不在于面对未知时从不犯错，而在于建立了一套能够持续发现错误、修正错误的方法。

Do as Pro 希望把这两类能力的一部分，转化成普通用户也可以借助 AI 执行的过程。

结语

那个错误的眼球模型给我的启发，并不是“不要用 AI 做专业内容”。

恰恰相反，AI已经让一个人能够完成过去需要设计、开发、建模和内容团队共同完成的作品。真正的问题是，我们经常只使用了 AI 的生成能力，却没有充分使用它的专业知识、批判能力和验证设计能力。

AI可以帮我们画出一个眼球，也可以告诉我们一个正常眼球必须满足哪些结构约束；可以帮我们生成一个完整网站，也可以提前指出一个解剖教学产品必须经过哪些检查；可以给出一个专业判断，也可以说明这个判断依赖什么假设、怎样验证、什么证据会推翻它。

当一个人进入自己的未知领域时，他与科学家进入人类未知领域的处境并不完全相同，却面临相似的认识论问题：

在我不知道答案时，怎样避免把一个流畅、漂亮、似乎合理的结果误认为正确？

Do as Pro 给出的回答，不是寻找一个永远正确的 AI，而是建立一个更可靠的过程：

让 AI 帮助用户重构专业问题，显性化标准与假设，主动寻找错误，再通过事实、对照、计算、实验和现实反馈持续校正结果。

它追求的不是让成果看起来像专家完成的。

而是让事情尽可能按照专业方式和科学精神，被提出、被执行、被检验，也被修正。