第 4 章 方法论篇
很多人用 Muse 三个月后依然停留在"问一句、答一句"——问题不在工具，而在没有方法。这一章讲四个被反复验证的心法：小任务起步建立信任、让 AI 先问清再答、需求一次说清、权限逐步放开。掌握它们，你用 Muse 会从"碰运气"变成"成系统"。
1. 实习生方法论：权限是挣来的，不是给的
X 用户 @neil_xbt 分享过一句被很多人转发的话（https://x.com/neil_xbt/status/2103699332067406162）："Give Muse the job you would give an intern on day one."——把你会交给第一天入职实习生的活儿，先交给 Muse。
想想你怎么带实习生：第一天不会让他管公司邮箱、拿公司信用卡付款，而是先给一个小任务——"这 5 个链接，整理成一张表格。"他做完你看一眼，指出两处问题，他改对了，你才给第二个任务。信任就是这样一步一步挣来的。
对 Muse 也一样：从 5 分钟能验证的小任务开始，不给邮箱、资金和敏感权限；它做完你检查，主动纠正一次；确认它理解你的标准后，再放行更复杂的任务。全程通常只需半小时。
下面是一份 30 分钟从零交付首个真实任务的指南：
第 0–5 分钟：定一个小而真的任务。 别选"帮我做个市场分析"这种大目标，选"帮这家餐厅订一张今晚 7 点的桌"、"把表格信息填到网站表单里"、"给宽带客服写一封砍价邮件"。任务必须真实，才有反馈。
第 5–15 分钟：给它最小权限，看着它干。 权限只开到完成这一步为止：订桌只开浏览器操作不开支付；填表只给要填的几项数据，不给整个通讯录。你在旁边看——这是带实习生的标准流程。
第 15–25 分钟：纠正一次，说清标准。 它大概率会在某个细节上和你的习惯不一致——表格列的顺序、邮件的语气、时间的格式。不要默默改完，要告诉它："以后这类表格，日期列一律放第一列。"纠正一次，胜过返工十次。
第 25–30 分钟：放行下一个任务。 它按你的标准交付了，这就是它的"转正答辩"。从现在起，同类任务可以整包交出，权限也可以放宽一档。
AI 的能力边界是模糊的，没法靠"觉得它行"来判断，只能靠一次次小任务的交付质量来校准。权限不是一次性给出去的配置项，而是一次次交付挣来的信用额度。实习生方法论的本质，就是把"信任"变成可执行、可复用的流程。
2. 提问前置：回答前先问我三个问题
返工是 AI 协作里最大的隐性成本：你花 10 分钟写需求，它花 3 分钟输出，你花 20 分钟发现方向错了，全部重来。根源往往不是 AI 笨，而是它一开始就没搞清你真正要什么——而它不会主动问。
解法简单到像作弊：在复杂需求后面加一句"回答前先问我三个问题"。
原理很直接：你提需求时脑子里有大量没说出口的默认假设（"当然是中文""当然是给领导看的"），AI 猜不到，只能按自己的默认填补。让它先问三个问题，就是强迫它把最关键的不确定项暴露出来，你回答之后它才开始干。三个问题不多不少——一个太少，五个你会烦。
看一个对比例子。
坏 prompt：
帮我写一份竞品分析报告。
它会输出一份面面俱到但处处不对的报告：竞品选错、维度不对、篇幅过长。返工的起点是"全部重写"。
好 prompt：
帮我写一份竞品分析报告。回答前先问我三个问题。
它可能会问：1）分析哪几个竞品，你心中有名单吗？2）报告给谁看，产品团队还是管理层？3）篇幅和格式有什么要求，一页纸摘要还是详细文档？
你花一分钟回答这三个问题，它第一次输出就八九不离十。多花的这一分钟，省的是后面的半小时返工。
这句话尤其适合三类场景：需求还比较模糊、输出要给别人看、任务步骤超过三步。日常小问题没必要，但凡是"做错了要重来"的任务，都值得先让它问。
3. 需求一次说清：任务说明五要素
提问前置是让 AI 帮你补全需求，更高阶的是你自己一次把需求说清。一个完整、无歧义的任务说明包含五个要素：
- 目标——解决什么问题。不是"做什么"，而是"为什么做"，目标决定了 AI 在细节上如何取舍。
- 输入——用哪些文件、链接、数据。指名道姓，不说"相关资料"，说"附件里的 Q3 销售表"。
- 动作——要它做什么：分析、整理、转换、生成。动作决定了输出的形态。
- 约束——哪些不能碰、用什么规范。新手最容易漏掉的一项：不改动原文数据、金额保留两位小数、语气正式、不编造没有来源的数字。
- 输出——交付什么、放哪里、怎么验收。什么格式、存到哪里、做到什么程度算完成。
下面是一个实例模板，直接套用（顺口溜：目标为先，输入指名，动作明确，约束划线，输出可验）：
目标：给下周一管理层例会准备材料，让没看过原始数据的人 5 分钟抓住重点。 输入：附件《Q3 销售数据.xlsx》中的"华东区"工作表。 动作：分析各产品线环比变化，找出增长和下滑最显著的三个品类，各给一句话原因推测。 约束：不改动原始数据；金额保留一位小数；推测必须标注"推测"字样；全文中文。 输出：Markdown 文档，含一张汇总表和不超过 300 字结论，存为
~/workspace/销售分析/Q3华东区分析.md。验收标准：转发给参会人后，不需要我再解释一遍。
五要素写全还有个附带好处：AI 追问变少，对接成本直线下降。这不是在"伺候 AI"，而是在训练你自己把需求想清楚——想清楚的需求，人来做也一样高效。
4. 权限粒度管理：从 Allow once 到 Always allow
前面三节讲怎么把任务交代好，这一节讲怎么把"钥匙"管好。Muse 执行任务时经常需要授权：读文件、调连接器、执行命令。授权不只有"同意"和"拒绝"，成熟的权限管理有五个档位：
- Allow once（仅这一次）：只放行当前这一个动作。场景：第一次操作某类敏感资源，比如第一次删文件、第一次调用支付接口。用完即收，不留后门。
- Allow for this task（本次任务）：放行当前任务全程的同类操作。场景：模式已验证的批量任务，比如"把这批图片全部压缩"，几十次同类操作不需要逐一点头。
- Allow for this site（该站点）：放行在某个站点的操作。场景：你信任的网站，比如公司内部系统、天天用的 SaaS，登录态和常规操作可以放行。
- Always allow（始终允许）：永久放行某类操作。只给两类：完全可逆的操作（如读取公开网页），和你已验证几十次、闭眼都不会错的操作。默认不要给这一档。
- Deny（拒绝）：明确禁止。场景：触碰红线的操作，比如删除生产数据、对外发送、动用资金。拒绝一次，省得它下次再问。
Connectors（连接器）也有类似设置："Always ask"（每次都问）vs "Ask for some actions"（部分动作才问）。新连接器一律从 "Always ask" 开始，跑几个任务确认行为符合预期后，再对低风险常规动作放宽。顺序不能反——先宽后严，等于没设。
四节连起来是一套完整的信任工程：第一节建立信任的起点，第四节把信任量化成可操作的权限配置。核心原则只有一条：从小任务开始，逐步放权；权限跟着信任走，信任跟着交付走。
四个方法归结起来是一句话：把 AI 当实习生带——小任务起步、先问清再动手、需求一次说清、权限逐步放开。做到这四点，Muse 就不再是时灵时不灵的聊天框，而是一套可以托付、可以复用的工作系统。这正是从"会用"到"用成系统"的分水岭。