每个场景都是一条能照着跑通的路径：用哪些 skill、怎么装、怎么提示、会踩什么坑。
按场景挑一个开始
写文档最怕"AI 写得像那么回事，但接口名是编的"。核心纪律是：让 AI 基于真实代码 / 真实文档写，写完后把每段和源码对一遍，别让它凭记忆编 API。
调研的价值在"出处"，不在"结论长"。核心纪律：每条关键数字都要带来源链接，AI 给不出处的结论一律当猜测，别写进正式材料。
邮件自动化的红线是"草拟可以，代发要慎"。"分诊 + 起草草稿 + 你点发送"最稳；让 AI 直接群发，出问题的是你不是它。
画图的痛点不是"不会画"，是改起来累：改一个框要重排整张图。用 AI 生成描述式、可重新排版的图，核心是把"画"变成"描述结构"，改文字比改图快十倍。
数据分析最常见的失败不是"算不出"，是"算得快但算错"——单位没统一、空值被当成 0、口径和上次对不上。这套流程的核心是先定义口径，再让 AI 出数，最后人工抽查 3 行。
会议最大的浪费不是开会长，是开完没人记得"谁、什么时候、交什么"。这套流程的核心是把散落的讨论压成一张带 owner 和 DDL 的待办表，而不是再写一份没人看的纪要。
给 AI 接内部系统，最常见的错误是**把数据库/schema/API 直接暴露成一堆工具**。结果是工具几十个、模型选不对、一调用就出错。正确做法是围绕「人会让 AI 做的那几件事」设计工具，一件事一个工具。
让 AI "读一下这个 PDF" 是最容易翻车的请求。原因有两个：**上下文装不下**，以及**它会把没读到的部分脑补出来**。可靠的做法是先抽取、再分段、最后才提问，并且每一条结论都带上页码。
AI 代码评审有个典型毛病：**它会给你 20 条"建议"，其中 18 条是风格偏好**。真正有用的评审只有两类信息——哪里会坏、哪里别人看不懂。所以这套流程的重点不是"让 AI 多说"，而是**先限定它只能报这两类问题**。
小红书图文的失败方式很特别：**内容没问题，但没人点**。因为这里的第一决策点是封面和标题，不是正文。所以顺序必须反过来——先定封面那一行字，再去写内容。
AI 做 PPT 最常见的失败不是"做不出来"，而是做出来一版**每页都是一段话**的幻灯片：文字贴满、没有重点、讲的人只能照着念。这套流程的核心是把「写什么」和「长什么样」拆成两步，中间插一道人工改稿。
关键不是让 AI "重写一遍"简历，而是三件事：**提取岗位的真实硬要求**、**只映射你确实有的经历**、**把缺失的量化数据留成占位符而不是让 AI 代填**。默认提示词会替你编数字——这是这套流程里唯一必须人工兜底的环节。