写一个足够启动的 prompt，让 AI 先动起来。不要试图写一个完美的 prompt——这世界上不存在完美的 prompt。你只需要一个能跑起来的、大概差不多的版本。它的作用不是直接拿去用，而是给你一个初始结果来观察。

拿到初始结果之后，认真看。不是扫一眼，是认认真真地看。找问题，找漏洞，找不对劲的地方。这一步是整个系统的心脏，你不能跳过它，不能敷衍它。

决定这个结果里哪些部分是对的，哪些是错的，哪些需要保留，哪些需要扔掉。这就是 Peter 说的 taste ——不是"你喜欢红色还是蓝色"这种个人偏好，而是面对一堆代码、一篇文章、一个设计方案时，你能不能立刻判断出哪个结构更合理、哪个方向更正确。

基于你的判断，修改你的 prompt。发现了什么问题，就针对那个问题去改。不要一次改十个问题，一次只改一个最关键的。然后让 AI 再生成下一轮结果。

让 AI 根据新的 prompt 输出下一个版本。然后回到第二步，重新开始观察。

这五个动作连在一起形成一个循环。每一次循环，你都在让结果变得更好一点。AI 扮演的角色是"超级快速试错器"，你扮演的角色是"方向判断器"。

很多人只用了一次"生成"就结束了。写了一版 prompt，AI 给了一版结果，看了一眼觉得还行就收工。他们没有进入循环，只走了第一步就以为到了终点。

整个 AI 圈蔓延着一种迷信：只要把需求写得足够详细、足够全面，AI 就能一次性给完美结果。

这个想法从根本上误解了创造的本质。创造不是一个从完整输入到完美输出的线性过程，而是一个从模糊到清晰的演化过程。你不可能跳过演化本身，直接拿到最终结果。

当你试图一次性描述所有需求时，你在做一个危险的假设：你假设自己已经百分之百理解了目标。但绝大多数复杂项目在刚开始的时候，你自己都是一头雾水。你写下的每一条"要求"，其实都是拍脑袋想出来的未经检验的猜测。AI 不会告诉你猜测是错的，它只会把这些猜测当成圣旨，以最高效率执行一个错误的指令。

真正的解法不是写更长的 prompt，而是换一种工作方式——把 AI 当成可以反复对话、反复调整的协作伙伴。

Peter 提出了 agentic trap 的概念：你在过程还没有稳定的时候，就把控制权彻底交给了 AI。

一开始你还参与一下，写写 prompt，看看结果，然后觉得差不多了就让 AI 自己跑完剩下的所有工作。这看起来是在节省时间，本质上是在主动放弃方向控制权。

问题在复杂项目里尤其明显。前期只要稍微偏一点点——偏了一度角——后期跑出去一公里之后，你就偏出去几十米了。AI 不会停下来问"这样对吗"，它会继续沿着错误的路狂奔，跑得比你还快。等你终于发现问题的时候，AI 已经生成了上千个文件、几万行代码、几十个相互依赖的模块。想回头修正最初的小偏差，需要推翻一大半已经完成的工作。

关键问题从来不是"用不用 agent"，而是"什么时候放手"。在系统的目标和路径还没有完全清晰之前，你一步都不能离开驾驶座。