与 AI 协作的六格策略：从提问四象限到 Vibe Coding 3×2

这篇文章的起点，是小红书上「晓辉博士」的一条视频：《跟AI高效协作的四个象限》。视频把给 AI 提 prompt 分成四类：已知的已知（表达 / Express）、已知的未知（求助 / Ask）、未知的已知（迭代 / Iterate）、未知的未知（探索 / Explore）。它还点出一个关键观察：大多数人只在「表达」上下功夫，而真正决定协作上限的是后三类。后三类无法靠一次写出完美 prompt 达成，只能在协作循环中被激发出来。

这个四象限本身也有一个上游。视频作者提到它源自一位 Anthropic 研究员的分享。这位研究员是 Thariq Shihipar（Anthropic 技术团队成员），原文是他发表在 Anthropic 官方博客的 A Field Guide to Claude Fable 5: Finding your unknowns（2026-07-06）。关于这篇一手来源，后文会详细展开。

受此启发，我想把这个框架从 prompt 层面换到项目层面：一次协作里缺什么信息是一回事，一个项目该配什么模型、什么 harness、什么验证方式是另一回事。于是有了下面这个 3×2 的六格框架。

从四象限到 3×2：加入「能力」维度

先澄清一个容易混淆的点：本文的维度和原版四象限不是同一对轴，两者的关系是启发，不是映射。Shihipar 四象限的两条轴是「你是否觉知 × 你是否拥有」，分类的对象是 prompt 里的信息，属于认识论状态。本文的轴是目标清晰度、方法明确度、能力，分类的对象是项目任务本身的属性。

举例来说，「目标清晰但方法不明」这整个格子，在他的框架里只是一个 known unknown：你意识到自己不知道方法。所以下文的 3×2 不是四象限的升维版，而是把「对信息的认识状态」这个视角，换成了「对任务的资源状态」这个视角。

在真实的 Vibe Coding 项目里，还有一层需要拆开：知道方法和有能力执行方法是两回事。

举个例子：一个数据库资深专家和一个只接触过数据库的新手，都「知道」要建一个数据库。专家没有 AI 也能从头到尾独立完成；新手没有 AI 则寸步难行。两个人面对 AI 时，输入的 prompt 状态、需要的协作方式，完全不同。

所以框架变成三个维度、六个格子。第一，目标是否清晰，决定你迭代的对象：目标清晰时你在迭代实现，目标模糊时你在迭代目标本身。第二，方法是否明确，决定技术方案由谁拍板：你拍板，还是 AI 提案、你从后果层面选择。第三，能力是否足够，决定你的验证手段：能力足够时你能读代码验证；能力不足时你只能看行为验证，比如测试、预览、运行结果。

第三点最关键。能力不足并不改变 AI 该做什么，它改变的是你的质检手段必须从代码层降级到行为层：整套 harness 都要围绕「让行为可观察」来配置。

六格矩阵可以这样读：目标清晰、方法明确、能力足够，是 ① 提效模式；目标清晰、方法明确、能力不足，是 ② 学徒模式；目标清晰、方法不明确，是 ③ 甲方模式；目标不明确、方法明确、能力足够，是 ④ 不在此开工，先走 ⑥；目标不明确、方法明确、能力不足，是 ⑤ 不在此开工，先走 ⑥；目标不明确、方法不明确，是 ⑥ 目标澄清循环。

注意上下两行性质不同：上半行是工作模式，下半行是状态与路由。只有 ⑥ 是可以真正动手的地方。④⑤是「你发现自己所处的状态」，动作只有一个：并入 ⑥。⑥ 完成、目标收敛之后，按当时的方法和能力状态落回 ①②③ 交付。

六格策略详解

① 提效模式：你自己也能做，AI 省人力。

在提效模式里，模型选择可以性价比优先，因为你能兜底纠错。Harness 可以给高自主度：auto-accept 编辑、并行跑多个任务，用测试和 lint 做自动关卡，再写一份详细的 CLAUDE.md 固化你的代码风格。

Prompt 的写法是一次性给足细节化需求文档和验收标准，然后批量委派。你的角色是审查者。最大的坑是审查过度，省下的时间又花回去了。要学会只审接口和关键路径。

② 学徒模式：知道该怎么做，但写不熟练。

在学徒模式里，要用强模型。逻辑与 ① 相反：你抓不住它的错误，所以要降低它犯错的概率。Harness 应该低自主度。开 Plan mode 先看计划，逐步确认编辑。要求 AI 每次改动附带「为什么这样写」的解释，这条可以固化在 settings 或 CLAUDE.md 里。

验证方式也要变：既然读不透代码，就把判断转移到可观察行为上，每一小步都跑起来看效果。附加产出是让 AI 顺手维护一份学习笔记。这是 ② 区别于 ③ 的核心：你在买能力，不只是买结果。

这里正好接得上 Thariq Shihipar 原文里的一个技巧：结构化采访。让 Claude 逐条追问你需求中的歧义，并且优先问「答案会改变架构」的问题。对学徒模式的人来说，这个手段的价值是双向的：AI 澄清了需求，你也在被追问的过程中补上了自己没意识到的知识缺口。

一个要提前决定的分岔是：这个能力值不值得学？以后常用的技术栈，走学徒模式，慢但增值；一次性任务，直接降级当 ③ 处理，快但不增值。很多人卡在 ② 的痛苦里，其实是没意识到自己可以选择不学。

③ 甲方模式：知道要什么，不知道怎么做。

在甲方模式里，模型选择是强模型 + Plan mode。先让 AI 给 2 到 3 个技术方案，你不从技术层面选，而是从后果层面选：维护成本、部署难度、和现有工具的兼容性。

Harness 的重点是建短反馈回路，比如 preview 服务器、浏览器工具、截图对比。你的验收界面是渲染结果，不是代码。Prompt 用用户语言，不用技术语言。给参考网站、截图、手绘草图。一张参考图往往能省掉好几轮文字往返，这是节省工作流的关键。

验收标准要提前写成你自己能检查的形式，比如「手机上打开不横向滚动」，而不是「响应式布局」。

Shihipar 的结构化采访在这一格同样是核心手段。甲方模式最大的风险是未知的已知：那些对你太显然、你根本不会写进需求里的隐性标准，比如品味、排版偏好、某个绝不能出现的交互。与其指望自己一次写全，不如让 AI 主动把它们问出来。再配合他建议的另一招，收集参考代码和参考作品，隐性标准就会以最低的成本浮出水面。

下半行的通行规则：④⑤禁止开工，一律先走 ⑥

下半行三格共享同一个事实：目标不明确。目标不明确时朝着交付写代码，产出大概率是废品。所以这里立一条硬规则：④ 和 ⑤ 只做状态识别，不做施工。发现自己在这两格时，唯一的动作是显式切换到 ⑥ 的目标澄清循环。

④⑤最危险的地方恰恰在于「看起来可以开工」。④ 的人手里有锤子，很容易直接抡起来，造一个没人要的东西。⑤ 的人则容易既学了半吊子技术、又做了没人要的东西，两头落空。方法和能力上的差异不改变「先走 ⑥」这个路由，只改变你跑 ⑥ 的成本。

④（方法明确、能力足够）：你自己能快速搭原型，澄清循环跑得又快又便宜。Prompt 重点是描述你的资产和边界，比如我有什么数据、什么技能、什么受众，让 AI 提出「这些资产能撬动什么目标」的候选清单，再用一次性原型逐个检验。

⑤（方法明确、能力不足）：原型全部让 AI 代劳，并且冻结学习。在目标稳定之前，不要投入学任何技术栈。学习是当前唯一没被 AI 通缩的成本，别把它花在可能被证伪的方向上。

⑥ 目标澄清循环：下半行唯一的工作模式

⑥ 的交付物不是产品，是一个清晰化的目标。这里「开工」是合法的，因为构建成本坍塌之后，「做」已经从执行手段变成了认知手段：你无法通过冥想知道自己要什么，但给你几个能点的原型，你十秒钟就知道哪个不对。

判断尺度是唯一不能外包的东西。进入循环前，先把「什么算好」写成显式标准，哪怕很粗糙，比如「我看到会想分享给别人」也行。没有尺度，循环就不会收敛。

Harness 的设置是：用强模型并行生成多个变体，然后你排序淘汰，再综合。你只当选择压力。注意这里不适用 ① 的性价比逻辑：探索期的瓶颈是每个原型的启发质量，不是数量。弱模型给出的多样性，只是低质量区域内的多样性。而此刻正是你自己输入最弱、最需要模型质量来抬升上限的时候。探索多花的 token，相对走错方向的代价可以忽略。

这个循环有一个天花板：你的输入上限决定输出上限。模型的探索围绕你给出的语境展开，它很难替你触到一个你完全未知领域的上限。它照亮的是你判断力能识别的范围。缓解办法是把输入从你一个人扩展到外部世界：让模型引入领域标杆案例、竞品、真实用户反馈作为参照物，而不是只在你的描述里做变体。

一切代码默认可抛弃。真正要留存的是结论笔记：什么方向被证伪了、为什么。

出口条件是：当你能把目标写成一份自己能验收的需求，哪怕是行为层面的验收，比如「手机上打开不横向滚动」，循环就结束，按此刻的方法和能力状态落回 ①②③ 交付。

这一格对应 Shihipar 原文里的 Unknown Unknowns 象限。他的建议是动手前做一轮「盲点 pass」：让 Claude 生成几个截然不同的方向，比如以 HTML artifact 的形式。你不是在挑答案，而是在用自己的反应探测问题空间的边界。

两个跨格子的观察

第一，格子是动态的，项目会迁移，且迁移有固定路由。典型路径是：④/⑤（识别出目标不明）→ ⑥（澄清循环收敛出目标）→ ③ 或 ②（交付中方法逐渐明确）→ ①（反复做同类事之后能力补齐）。策略不是项目开始时定一次，而是每个阶段重新问一遍「我现在在哪个格子」。尤其要警惕在 ④⑤ 不自知地开工。这个自检问题本身值得写进工作流。

第二，两个框架管的层次不同，可以互补着用。Shihipar 的四象限，以及晓辉博士的表达 / 求助 / 迭代 / 探索版本，管的是一次协作内的信息澄清；本文的 3×2 管的是项目级的策略选型。先用六格定下模型、harness 和验证方式，再在每次具体协作中用四象限检查信息缺口。

来源

一手来源：Thariq Shihipar（Anthropic），A Field Guide to Claude Fable 5: Finding your unknowns，2026-07-06。核心论点：Fable 5 时代产出质量的瓶颈是「你澄清自己 unknowns 的能力」；prompt 是地图，代码库是领地，两者的差距就是 unknowns。

二手来源：晓辉博士，《跟AI高效协作的四个象限》，小红书。