AI Task Brief
2026-09-07 14:34:14作者:冯梦姬Eddie
更新时间:YYYY-MM-DD
任务
- 真实场景:
- 使用者/受众:
- 要完成的决策或动作:
- 截止时间:
输入与边界
- 已知事实与来源:
- 允许使用的文件:
- 数据敏感等级:公开 / 内部 / 机密 / 受限
- 明确不提供的材料:
- 版权或授权限制:
输出与验收
- 最终交付物:
- 格式与长度:
- 可观察的完成标准:
- 必须由人确认的事项:
工作方式
- AI 可以做:
- AI 不可以做:
- 人工审阅者:
- 失败时如何暂停、回滚或通知:
证据位置
- 无 AI 基线:
- 原始来源:
- 测试/反馈:
- 最终版本:
逐组说明其作用与填写要点:
**第 1 组:任务。** 决定简报是否成立的三要素是真实场景、使用者和要完成的动作。注意动词是"决策或动作",不是"学习 Python"这类主题词。截止时间给整份记录一个可回查的节奏点。
**第 2 组:输入与边界。** 这一组是 AI 协作的事实红线。"已知事实与来源"区分了事实与推测;"允许使用的文件"限定了模型能读取的范围;"数据敏感等级"四选一即可完成脱敏分级;"明确不提供的材料"主动声明禁区;"版权或授权限制"回答材料能否合法进入模型。简言之,这一组回答"能用什么、不能用什么"。
**第 3 组:输出与验收。** 全模板最容易被写坏、也是最核心的一组。"最终交付物 + 格式与长度"定义成品形态;"可观察的完成标准"必须写成第三方能核验的动作;"必须由人确认的事项"把所有最终判断——事实、授权、成本、署名——留在人这边。
**第 4 组:工作方式。** 划清 AI 与人的分工边界,并预设失败路径:"AI 可以做 / 不可以做"防止越权代做,"人工审阅者"指定责任主体,"失败时如何暂停、回滚或通知"让失控时有动作可依。
**第 5 组:证据位置。** 链接或路径化的证据登记处:无 AI 基线、原始来源、测试/反馈、最终版本。它让"证明 AI 帮了什么"和"证明我学会了什么"成为可回访的文件操作,而不是一句口头感觉。
## 四、把验收标准写成动作,而不是形容词
模板末尾单独用一段话强调验收标准的写法:
> 验收标准要写成动作,例如"用户能在 10 分钟内完成导入并看到可解释的错误报告",不要写"体验好"或"足够智能"。
这句话在 [「用 AI 学习一切」章节](https://gitcode.com/GitHub_Trending/en/up/blob/aeab7ff8e297a6772908f546f41cb05d40b482ee/docs/threads/part-3/1-ai-learning.md?utm_source=gitcode_repo_files) 里被反复强化:"体验好""架构先进""学会 AI"都不是验收标准。合格的写法是一个**可观察动词 + 条件 + 对象**,例如:
- "用户能在 10 分钟内完成一次导入,并看到一份可以解释的错误报告";
- "我能在不翻稿的情况下,向同事用三分钟说明项目风险并回答一个追问"。
如果暂时写不出这种句子,宁可把它写成"待核验",也不要拿"体验好"填空——因为后者无法被任何人复查或复述,也就不构成[术语索引](https://gitcode.com/GitHub_Trending/en/up/blob/aeab7ff8e297a6772908f546f41cb05d40b482ee/docs/reference/glossary.md?utm_source=gitcode_repo_files)定义的"完成标准"。
## 五、填入七步闭环:简报先于提示词
模板在方法论上的位置是七步闭环的第 1 步。结合 [「用 AI 学习一切」的七步闭环](https://gitcode.com/GitHub_Trending/en/up/blob/aeab7ff8e297a6772908f546f41cb05d40b482ee/docs/threads/part-3/1-ai-learning.md?utm_source=gitcode_repo_files):
1. **定义真实结果**(写清场景、受众、动作、截止时间和验收标准)——这里就是任务简报;
2. **保存无 AI 基线**:先独立做一次,暴露缺口;
3. **准备可信材料**:官方文档、教材、论文、现有代码与真实案例;
4. **设计引导练习**:让 AI 提问、解释、比较、提示,不代替关键步骤;
5. **主动产出**:关闭材料后自己解释、编码或写作;
6. **通过多源反馈**:AI 只是一个意见来源;
7. **更新状态**:保存作品、错误、成本与下一项最小任务。
该章节对缺失步骤的后果说得非常直接:缺少第 1 步,"AI 会把愿望包装成答案";缺少第 2 步,"你不知道能力是否增长";缺少第 6、7 步,"错误会在下一次对话里重复"。简报对应的就是第 1 步,其余六步可由 [AI 学习记录](https://gitcode.com/GitHub_Trending/en/up/blob/aeab7ff8e297a6772908f546f41cb05d40b482ee/docs/templates/ai-learning-log.md?utm_source=gitcode_repo_files) 与 [证据链](https://gitcode.com/GitHub_Trending/en/up/blob/aeab7ff8e297a6772908f546f41cb05d40b482ee/docs/templates/evidence-chain.md?utm_source=gitcode_repo_files) 承接。
## 六、会话开始前、进行中、结束后如何使用同一份简报
简报不是填完就归档的文件,它应该贯穿一次 AI 协作的全程。从 [「用 AI 学习一切」章节](https://gitcode.com/GitHub_Trending/en/up/blob/aeab7ff8e297a6772908f546f41cb05d40b482ee/docs/threads/part-3/1-ai-learning.md?utm_source=gitcode_repo_files) 可以提炼出一套最小会话协议:
- **开始前,让 AI 只做边界复述**:请它用不超过 8 条要点复述目标、受众、输入、验收标准、限制、未知项和无法确认的内容;列出准备使用的来源;先不要生成最终交付,只指出最可能导致返工的 3 个风险。
- **进行中,每次只推进一个可检查切片**:要求"拆成最小可验证切片,每次只推进一个,说明输入、假设、改动、检查方式和下一步";如果前提冲突,暂停并提问,不要悄悄替换需求。
- **结束时,生成状态更新而不是漂亮总结**:输出"已完成与证据位置、已被确认的判断、仍会重复的错误与未决问题、下一项最小任务"四项,并且不声称记得其他会话、不把推断写成事实。
这里的"重新粘贴任务简报"也是一种失控救援手段:当模型回答"越来越完整却不再回答原任务"(需求漂移)时,把简报原文贴回去并要求列出冲突和未知项,是把对话拉回轨道的标准动作。
## 七、从学习到项目开发:一份 task-brief.md 的工程化用法
模板的应用场景不止个人学习。在 [「AI 开发与资源层」章节](https://gitcode.com/GitHub_Trending/en/up/blob/aeab7ff8e297a6772908f546f41cb05d40b482ee/docs/threads/part-3/2-ai-development-and-resource-layer.md?utm_source=gitcode_repo_files) 中,作者把同样的结构移植成项目的 `task-brief.md`(真实场景、使用者、要完成的动作、截止时间、来源、文件允许范围、数据敏感等级、验收标准、AI 可做与不可做、人工审阅者、回滚方案),并明确规定"每个项目先创建一页 task-brief.md"。该章节对项目任务多了一条硬要求:
> 每个关键决定都必须能够被测试、被解释,或被回滚。
在代码语境里,简报还要与三道交付门配合使用:
- **能解释**:没有聊天记录,负责人能说明关键决定和限制;
- **能测试**:真实输入、边界情况、权限和失败路径都有检查;
- **能回滚**:出现数据风险、供应商中断或质量下降时,知道谁暂停、如何通知、怎样恢复。
项目目录建议使用 `00-brief/`(任务简报和验收标准)打头、`07-operations/`(权限、监控、部署和回滚)收尾的分层结构,让简报本身成为版本化的工程文件。
## 八、从简报到证据闭环:它连接哪些模板
一张简报完成使命的标准不是被填满,而是被后续模板接力。在 [toolkit.md](https://gitcode.com/GitHub_Trending/en/up/blob/aeab7ff8e297a6772908f546f41cb05d40b482ee/docs/templates/toolkit.md?utm_source=gitcode_repo_files) 定义的工具链中,与 AI 任务简报关系最直接的四张工作表是:
- [AI 学习记录](https://gitcode.com/GitHub_Trending/en/up/blob/aeab7ff8e297a6772908f546f41cb05d40b482ee/docs/templates/ai-learning-log.md?utm_source=gitcode_repo_files):协作后马上打开,保存无 AI 基线、引导练习、错误、证据、独立表现和迁移结果;
- [AI 项目评分卡](https://gitcode.com/GitHub_Trending/en/up/blob/aeab7ff8e297a6772908f546f41cb05d40b482ee/docs/templates/ai-project-scorecard.md?utm_source=gitcode_repo_files):每次发布或试点后填写,用完成率、返工、成本、安全与回滚状态而非生成速度评价项目;
- [作品简报与交付卡](https://gitcode.com/GitHub_Trending/en/up/blob/aeab7ff8e297a6772908f546f41cb05d40b482ee/docs/templates/artifact-brief.md?utm_source=gitcode_repo_files):当任务面向真实受众时,把简报升级为包含独立版、结构版、反馈版、交付版四版本的作品卡;
- [AI 经历案例复盘](https://gitcode.com/GitHub_Trending/en/up/blob/aeab7ff8e297a6772908f546f41cb05d40b482ee/docs/templates/ai-case-review.md?utm_source=gitcode_repo_files):当"任务"变成分析他人公开经历时,用这套复盘表区分事实、判断、结果与可迁移原则。
模板之间不是并列的课程,而是一条可往返的证据链路:简报定义任务边界,学习记录留三次对照样本,评分卡量化发布结果,复盘卡沉淀原则。任何一步发现证据不足,都可以退回上一张缩小任务。
## 九、一份可直接模仿的完整示例
把上面所有要点落成一份实际可复制的完整简报,比十份只写了一半的填空更接近"会用":
```markdown
# AI Task Brief
更新时间:2026-09-07
## 任务
- 真实场景:我想把一份手写的月度记账 CSV 整理成可汇报的收支报表
- 使用者/受众:我自己(下月还要复查)与两位合作成员
- 要完成的决策或动作:在 6 份 csv 上跑通同一套清洗逻辑并生成错误说明
- 截止时间:2026-09-14
## 输入与边界
- 已知事实与来源:csv 字段结构已核对,账单来源是月度导出文件
- 允许使用的文件:docs/samples/ 下的 6 个 csv
- 数据敏感等级:内部
- 明确不提供的材料:员工姓名列、合同金额列
- 版权或授权限制:报表仅用于本项目内部,不对外发布
## 输出与验收
- 最终交付物:一份合并后的收支报表 + 一份清洗说明
- 格式与长度:CSV + 500 字以内的说明文档
- 可观察的完成标准:用户能在 10 分钟内完成导入并看到可解释的错误报告
- 必须由人确认的事项:清洗规则是否改动原始数据、成本是否在预算内、报表署名
## 工作方式
- AI 可以做:读取允许的文件、生成清洗脚本、指出字段不一致
- AI 不可以做:自动跳过报错行、删除任何原始列、代写最终结论
- 人工审阅者:我(2026-09-14 前复核)
- 失败时如何暂停、回滚或通知:保留原始 csv 副本,出错即停止并抄送两位成员
## 证据位置
- 无 AI 基线:docs/baseline/手动清洗记录与用时
- 原始来源:docs/samples/
- 测试/反馈:docs/feedback/两位成员试用反馈
- 最终版本:docs/output/report-2026-09-14.csv
登录后查看全文
热门项目推荐
相关项目推荐
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0625
Hy4-previewHy4 preview 是由腾讯混元团队研发的新一代混合专家(MoE)旗舰模型。模型总参数量 770B,每个 token 激活 49B,主干共包含78层,第一层采用标准 FFN,其余 77 层均为 MoE 结构,每层包含 256 个路由专家与 1 个共享专家,每个 token 激活 top-8 路由专家及共享专家。主干之外原生内置 1 层 MTP(总参数量 10B,激活 0.7B)以支持投机解码。Python00
GLM-5.3GLM-5.3 与 GLM-5.2 使用相同的基座模型——所有提升均来自后训练。与 GLM-5.2 相比,它在复杂编程和长程任务上的表现显著提升。Jinja00
GLM-5.3-FlashGLM-5.3-Flash (320B-A18B),是GLM-5系列的首个原生多模态模型。320B总参数,能力超过GLM-5.2Jinja00
Spark-X2.5-4BSpark-X2.5-4B 旨在让强大的 AI 更实用、更高效、更易获得。在广泛日常任务中表现强劲,涵盖对话、写作、翻译、推理、编码、工具调用以及智能体工作流,并在同等规模的开源模型中取得领先成绩。Spark-X2.5 将面向效率的架构与最高 1M tokens 的原生上下文窗口相结合,并支持 200 多种语言。Python00
Spark-X2.5-1.7BSpark-X2.5-1.7B 旨在让强大的 AI 更加实用、高效且易于获取。这些模型在广泛的日常任务中表现出色,涵盖对话、写作、翻译、推理、编程、工具调用和智能体工作流,并在同等规模的开源模型中取得领先结果。Spark-X2.5 将面向效率的架构与最高 1M tokens 的原生上下文窗口相结合,并支持 200 多种语言。Python00
项目优选
收起
deepin linux kernel
C
33
18
作为 Ascend for PyTorch 社区的核心组件,TorchNPU 是昇腾专为 PyTorch 打造的深度学习适配插件,使 PyTorch 框架能够直接调用昇腾 NPU,为开发者提供昇腾 AI 处理器的超强算力。
Python
856
1.35 K
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
529
592
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Markdown
77
23
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
1.13 K
2.74 K
暂无描述
Markdown
897
5.79 K
JiuwenSwarm 是一款基于openJiuwen开发的智能AI Agent,它能够将大语言模型的强大能力,通过你日常使用的各类通讯应用,直接延伸至你的指尖。
Python
3.58 K
1.01 K
CANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。
Jupyter Notebook
1.01 K
513
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
913
1.83 K
openGauss kernel ~ openGauss is an open source relational database management system
C++
213
314