在 AI 协作时代，传统的工单已演变为智能体的“提示词”，直接定义了其思考边界。如果沿用过去那种过于细碎、只关注局部技术的描述方式，会诱导智能体陷入“为了修补而修补”的死循环，最终导致整体目标的丢失。要解决这一问题，核心在于向智能体交付更大、更关注最终结果的任务，而非预先设定的技术细节，从而让 AI 在拥有充分上下文的情况下进行推理并解决问题。
工单即提示词：重新定义任务边界
在 AI 介入工作流后，工单不再仅仅是给人看的备忘录，而是智能体的核心逻辑框架。
- 词汇即约束：工单上的措辞直接决定了智能体认为哪些内容在“范围内”，哪些可以忽略。
- 碎片的恶果：一个碎片化的任务描述，必然产生碎片化的工作成果。
- 逻辑偏置：智能体倾向于沿着工单设定的窄路走下去，即使这条路会导致新的错误。
“工单上的文字塑造了智能体认为的范围，并限制了其推理能力。碎片化的任务只会产生碎片化的产出。”
传统工单模式的弊端
作者通过实验发现，沿用传统的项目管理习惯（如 Jira 式的细碎工单）会导致严重的副作用：
- 上下文缺失：狭窄的任务范围排除了关键的背景信息，导致智能体在修复 A 问题时，无意中引入了 B 和 C 两个新漏洞。
- 无效的迭代：经过数轮修复，原始目标往往被淹没在一堆“原子级”的微小改动中，最终整体目标依然没有达成。
- 行为复刻：现在的智能体是在人类数十年积累的工单数据上训练出来的。它们完美复刻了人类“重局部、轻整体”的逃避心理，倾向于把工作推给下一个工单，而不是解决根本问题。
如何优化与 AI 的协作策略
为了避免“碎片化陷阱”，我们需要彻底改变任务下发的方式：
- 交付最大的任务单元：尽可能给智能体分配完整的、以结果为导向的任务。哪怕只有两行描述，只要清晰定义了产品产出，也比拆解好的技术细节更有效。
- 推迟子任务拆解：让智能体在准备提交工作时再自行拆解子任务，而不是在任务开始前由人类手动拆好。
- 以“目标”而非“技术”进行拆分：如果一个任务确实太庞大，应该将其拆分为更小的阶段性目标，依然保持目标的完整性，而不是拆成细碎的技术点。
- 赋予推理空间：好的工单应该是一个“目标形状”的容器，给智能体留出思考和权衡的空间，而不是让它盲目执行狭窄的指令。
核心洞见：人类在协作时可以靠“走廊谈话”或默契来补齐工单之外的上下文，但智能体唯一的生存依据就是工单上的文字。如果文字是破碎的，AI 的逻辑也将是破碎的。