最近我越来越觉得，一个人有没有用好 AI，有一个很朴素但很有意思的观察指标：
他一次需求会消耗多少上下文窗口。
在实际解释前，让我们先来看看这个真实的世界。
面对这个真实的世界
在现实世界中，真实项目从来不是几段代码的集合。它有目录结构，有历史包袱，有隐性约束，有测试方式，有部署习惯，有命名传统，有一些没人敢动的边界。AI 要想真正进入这个项目，不能只看你贴出来的那 20 行报错。它必须先建立项目地图，知道哪里是入口，哪里是核心逻辑，哪里是测试，哪里是配置，哪里是不能碰的历史债务。
所以对一个复杂项目来说，AI 在动手前就已经会消耗大量窗口。比如我的很多项目，还没开始改文件，消耗 100K 窗口就是常态。
理解项目的成本从来都是高昂的。以前这个理解成本是人来付的。比如，一个新同事接手老项目，前几天甚至前几周都在看代码、问人、跑环境、翻文档。我们不会说他“还没写代码就浪费时间”，因为我们知道复杂系统不能盲改。
现在 AI 也一样。只不过它把这个过程压缩到了一个会话窗口里，于是你第一次直观看见：原来理解一个项目，本来就这么贵。
其次，写代码可能很快，但是 AI 做验证也是一件成本很高的事情。它要写测试、跑测试、实际启动服务做验证。如果是 Web 网站，AI 还会打开网站，实际测试自己刚才写的功能。
窗口使用大小，本质上反映的是两件事：一是任务本身的复杂度，二是你给 AI 的需求是不是足够接近真实工作。
能做更复杂的工作，就应该给更大粒度的需求
既然窗口变大以后，AI 可以获取更多上下文，也可以执行更复杂的行动，那么使用 AI 的人也应该改变提需求的方式：不要只给它碎片问题，而要给它更大粒度的目标。
以前你只能让 AI 看一段代码、回答一个局部问题，是因为它接不住太多上下文，也不一定能稳定完成长链路任务。但现在不一样了。窗口变大之后，你可以把项目背景、业务目标、关键约束、验收方式、历史代码和测试方式一起交给它，让它围绕一个更完整的目标工作。
所以如果一个人还长期停留在很小的粒度，就不只是工具限制了。
很多人用 AI 的方式，仍然是很小的粒度。比如：
- 帮我写一个函数；
- 解释一下这个报错；
- 把这段代码改成 TypeScript；
- 给这个变量起个名字；
- 生成一个正则表达式。
这些当然有用。它们能节省时间，也能减少一些重复劳动。但这类用法，本质上还是把 AI 当成更聪明的搜索引擎、代码补全器、语法助手。
真正的变化不在这里。
真正的变化是，你能不能把一个完整目标委托出去。
不是“帮我写一段代码”，而是“帮我把这个功能做到可验收”。
不是“帮我看这个错误”，而是“帮我定位原因、给出修复、补上测试、跑完验证”。
不是“帮我整理这段话”，而是“基于这个观点写一篇可以发布的文章，并落到项目规范目录里”。
不是“帮我查一下这个库怎么用”，而是“结合当前项目选一个最少侵入的方案并实现”。
需求粒度一旦变大，窗口自然会变大。
因为 AI 不再只是在回答你，它开始在替你工作。工作就需要背景、约束、过程、校验和交付物。它要读项目，要比较方案，要保留中间判断，要在失败后重试，要把最终结果解释给你。
所以单次需求窗口用得大，很多时候不是坏事，而是一个信号：你开始把 AI 从“问答工具”升级成“任务代理”。
如果一直只用很小窗口，可能要反思的是自己
这句话可能有点刺耳，但我觉得值得说：
如果一个人长期使用 AI，每次窗口都很小，可能不一定说明他效率高，也可能说明他还没有学会把 AI 用到更大的任务上。
小窗口用法很舒服。
你问一句，它答一句。你控制感很强，风险很低，结果也很快。但这种方式有一个问题：人仍然是全部流程的瓶颈。
你负责拆任务，你负责找文件，你负责拼上下文，你负责判断下一步，你负责合并结果。AI 只是被你不断调用的小工具。它每次都在局部发挥作用，但没有真正进入完整工作流。
这就像你手里有一支可以连续工作的团队，但你只让每个人递一张纸、改一个错别字、查一个词。表面上每次都很快，实际上杠杆没有打开。
AI 时代最重要的能力，不是让 AI 回答得更短，而是让 AI 能在更大的目标里稳定运行。
这需要人改变自己的需求表达方式。
你不能只说“帮我改一下”。你要能说清楚：
- 背景是什么；
- 成功标准是什么；
- 哪些地方不能动；
- 可以运行哪些检查；
- 出错时应该继续尝试还是停下来；
- 最终应该交付什么；
- 需要把哪些过程记录下来，方便下次接着做。
这种表达不只是 prompt 技巧，它更像管理能力、产品能力和工程能力的混合体。
一个人能不能写出更大的 AI 任务，能不能让 AI 在更长上下文里不跑偏，能不能验收一个跨文件、跨步骤、跨工具的结果，才是真正的分水岭。
未来的 AI 使用能力，会从 prompt 转向委托
过去讲 AI 使用能力，大家很喜欢讲 prompt。
prompt 当然重要，但它只是入口。更底层的能力是委托。
委托意味着你不是在问答案，而是在交付任务。你需要定义目标，提供边界，允许对方探索，设置验收标准，并在关键节点做判断。
这和传统管理有点像，但又不完全一样。
你委托人类同事时，对方有组织经验、业务常识和责任感。你委托 AI 时，它有执行力、耐心和速度，但它没有真正的责任边界。所以你必须把边界写得更清楚，把验收设计得更具体，把上下文组织得更可读。
这就是为什么未来会出现一种新的能力：AI 任务设计能力。
这个能力包括：
- 把模糊想法变成可执行 goal；
- 把大需求拆成可以连续推进的阶段；
- 判断哪些上下文必须给，哪些可以让 AI 自己查；
- 允许 AI 消耗足够窗口做探查；
- 要求 AI 在探查后形成计划；
- 用测试、预览、日志、文档作为验收工具；
- 在窗口切换后仍能保持任务连续性。
一个人如果具备这种能力，他的单次需求会自然变大。
因为他不再满足于让 AI 帮他补一小块。他会让 AI 接住一整个工作单元。
这就是“用好 AI”和“经常问 AI”之间的区别。
窗口使用大小，可以成为一个自我观察指标
我不会把单次窗口使用大小做成绝对 KPI。
不同项目、不同任务、不同工具、不同模型，天然不可直接比较。一个简单需求用小窗口完成，完全合理。为了用满窗口而把简单事情复杂化，也是另一种低效。
窗口用量不是原因，而是结果。
但正因为它是结果，它可以成为一个很好的自我观察指标。
你可以问自己几个问题：
最近我给 AI 的任务，是不是还停留在局部问答？
我有没有把一个完整工作流交给 AI 跑完？
我有没有让 AI 读项目、做计划、实现、验证、总结？
我有没有写过能支撑长时间运行的 goal？
我的窗口消耗，是不是换来了可合并的代码、可发布的文章、可复用的文档、可验证的结果？
我是不是总在亲手拆碎任务，导致 AI 只能做很小的一段？
如果这些问题的答案长期是否定的，那确实要反思。
不是反思自己会不会写 prompt，而是反思自己有没有升级工作方式。
AI 已经不是只能回答问题的工具。它正在变成可以承担复杂任务的执行系统。你继续用小问题喂它，它当然也能回答；但你的产出上限，还是被你自己的任务粒度锁住。
结尾
单次需求窗口使用大小，不是一个简单的效率指标。
它更像一个影子指标：背后映射的是项目复杂度、任务粒度、上下文组织能力、委托能力和验收能力。
复杂项目里，AI 做探查时消耗大量窗口是正常的。真正要看的是，它有没有把这些上下文转化成有效行动。需求粒度越大，AI 越需要窗口；委托能力越强，单次需求越可能跨过“问答”，进入“工作”。
所以我越来越倾向于把它当成判断一个人是否用好 AI 的关键观察点之一。
如果一个人总能让 AI 在大窗口里稳定推进，说明他已经开始用 AI 处理真实复杂度。
如果一个人长期只使用很小窗口，而且只让 AI 做碎片化回答，那他可能还停留在上一代工具习惯里。
AI 时代的差距，不只是模型差距。
更大的差距，是人会不会提出足够大的需求，组织足够清楚的上下文，然后把一个真实任务放心地委托出去。