引言：那个能增强你工作流程的奇怪小提示
你可能不假思索地输入过：“Review the AI features you’ve used.”（回顾你使用过的人工智能功能）。然后奇迹发生了——你的助手总结了你尝试过的内容、哪些有效以及哪些失败了。这是一个影响巨大的短语，并且正在悄然成为每天接触人工智能的知识工作者最有用的元提示之一。
这是一篇产品评测，同时也解释了这个看似简单的命令：review the AI features you’ve used（回顾你使用过的人工智能功能）。我们将剖析它在各种工具中的作用、它对团队的重要性，以及如何将其变成一个每周的习惯，从而节省时间。
“Review the AI features you’ve used”（回顾你使用过的人工智能功能）实际上意味着什么？
从核心上讲，这个提示要求你的助手编译并反思你的人工智能使用情况：你调用的工具、你选择的模型、效果最好的提示以及值得保留的输出。可以将其视为个人变更日志——只是更智能，因为助手可以：
- 列出使用了哪些人工智能功能（总结、重写、分析、提取、生成代码、翻译、头脑风暴等）。
- 将功能映射到任务（例如，“使用‘Summarize PDF’总结第四季度财报电话会议记录”）。
- 评估有效性（获得的速度、交付的质量、遇到的问题）。
- 推荐后续步骤（尝试不同的模型、调整提示、创建可重用的模板）。
这就像是“我这周使用了很多AI”和“这是能够带来80%价值的20%的AI功能”之间的区别。
为什么这个提示现在很重要
- 认知卸载：AI会话是零散的。你在聊天、文档、电子邮件和仪表板之间跳跃。回顾可以整合这些混乱。
- 性能透明度：如果你无法衡量哪些AI功能真正有帮助，你就无法改进你的工作流程。
- 团队知识共享：可重复的回顾可以轻松地将有效的方法广播给队友。
- 合规性提醒：回顾功能可以帮助你发现敏感内容、模型选择和数据共享设置。
回顾格式：你可以重用的模板
尝试询问你的助手：
“Review the AI features you’ve used this week. Organize by task, feature used, model, prompt pattern, time saved, and issues. End with three recommendations to improve.”（回顾你本周使用过的人工智能功能。按任务、使用的功能、模型、提示模式、节省的时间和问题进行组织。最后提出三条改进建议。）
你通常会得到一个结构化的响应。如果没有，请添加如下标题：
- 使用的人工智能功能（总结、分类、翻译、代码生成、图像字幕）
真实案例：“Review the AI features you’ve used”（回顾你使用过的人工智能功能）的闪光点
- 情况：你处理了12个PDF，抓取了两个网站，并进行了三个实体提取。
- 回顾结果：确定“表格提取”在扫描文档上的表现不佳，而“摘要总结”始终如一地交付。建议添加OCR预处理。
- 回顾结果：表明使用“tone transfer”（语气转换）和“SEO outline generator”（SEO大纲生成器）产生的修订比原始草稿少。建议标准化一个大纲模板。
- 回顾结果：注意到当提供列标题作为模式示例时，准确性得到了提高。建议使用可重用的提示：“Use these headers as ground truth schema.”（使用这些标题作为基本事实模式）。
- 回顾结果：标记出“情感分析”有助于进行优先级排序，但错误地分类了讽刺。建议添加5个带有边缘语气的少量示例。
- 回顾结果：发现“diff explanation”（差异解释）节省了时间，但“auto-refactor”（自动重构）产生了样式回归。建议在接受之前运行linter预设。
元提示的优点和缺点
优点
缺点
- 工具差异：并非每个助手都能平等地跟踪功能使用情况。
- 指标模糊：“节省的时间”如果没有基准，可能会很主观。
缓解措施
- 要求引用：“Link to the original files, chats, and timestamps.”（链接到原始文件、聊天记录和时间戳。）
- 校准指标：设置基线（例如，AI之前每个任务的平均分钟数）。
如何从每周的AI功能回顾中获得10倍的收益
- 标准化提示：将成功的提示转换为带有变量（语气、受众、长度）的模板。
- 创建一个“Do Not Use”（请勿使用）列表：记录对你的工作流程表现不佳的功能。
- 偏向于重用：将强大的输出转换为代码片段、样式指南或清单。
- 比较模型：要求助手对不同模型的特性性能进行A/B测试。
- 闭环：在每次回顾结束时，进行自动化或保存的工作流程。
示例元提示链：
- “Review the AI features you’ve used this week.”（回顾你本周使用过的人工智能功能。）
- “Convert the top 3 into reusable templates.”（将前3名转换为可重用的模板。）
- “Package them as step‑by‑step workflows with guardrails.”（将它们打包为带有防护措施的分步工作流程。）
- “Create a one‑page team summary with links.”（创建一个带有链接的单页团队摘要。）
AI功能回顾中重要的指标
- 完成质量：到最终版本的编辑距离（编辑或修订的数量）
明确询问：“Estimate metrics and note confidence levels. If uncertain, suggest how to measure next time.”（估计指标并注明置信水平。如果不确定，请建议下次如何衡量。）
常见的陷阱以及如何避免它们
- 从单一成功中过度概括：在推广模板之前，至少需要3个示例。
- 隐藏的上下文漂移：在提示中包含约束（受众、地区、阅读水平）。
- 虚构的功能名称：与你的工具的功能列表进行交叉检查；要求提供日志。
- 忽略安全性：包含一个关于数据处理（PII、模型边界、编辑）的部分。
一个简短的、可重复的每周习惯
尝试这个15分钟的节奏：
- 周五回顾：“Review the AI features you’ve used this week.”（回顾你本周使用过的人工智能功能。）
工具说明：这个提示在哪里效果最好
这个元提示在集中聊天、文件操作和模型运行的AI工作区中效果最好——因此助手有上下文可以分析。如果你的环境在一个地方支持文档摘要、代码辅助、电子表格公式和Web提取，则回顾可以捕获完整的画面。
值得注意的是：如果你正在使用Sider.AI来跨聊天、PDF、网页和电子表格工作，那么要求它“review the AI features you’ve used”（回顾你使用过的人工智能功能）可以显示哪些功能（如summarize（总结）、extract tables（提取表格）、outline generator（大纲生成器）或code explain（代码解释））实际上推动了进展。顺便说一句，Sider.AI的统一历史记录可以更轻松地将特定操作链接到结果，从而提高可重复性和团队交接。 高级：将回顾转化为自动化剧本
- 自动标记：要求你的助手在你工作时按任务和功能标记会话。
- 剧本提取：“From this week’s review, generate a playbook with inputs, steps, and quality checks.”（从本周的回顾中，生成一个包含输入、步骤和质量检查的剧本。）
- 漂移检测：“Alert me if a feature’s accuracy drops below 90% week‑over‑week.”（如果某个功能的准确性在一周内下降到90%以下，请提醒我。）
- 团队推广：“Create a 10‑minute training with examples and a quiz.”（创建一个包含示例和测验的10分钟培训。）
底线
“Review the AI features you’ve used”（回顾你使用过的人工智能功能）是一个强大、低摩擦的提示。它将分散的实验转化为一个复合系统：衡量、学习、标准化和扩展。每周使用它，要求结构化输出，并将见解转化为模板和剧本。未来的你——以及你的团队——会感谢你的。
下一步
- 本周：在同一任务上对两个功能进行A/B测试并进行比较。
- 本月：从你的前三个工作流程中构建一个共享的团队剧本。
常见问题
Q1:What does “review the AI features you’ve used” do in practice?
It compiles a structured summary of your recent AI activity—features used, prompts, models, and results—then surfaces what worked, what didn’t, and how to improve. Think of it as a smart retrospective for your AI workflow.
Q2:How often should I review the AI features I’ve used?
Weekly works best for most teams because it captures enough data to spot patterns without becoming a burden. Pair it with a simple template so the review stays consistent over time.
Q3:Which metrics should I track when I review AI features?
Track time saved, edit distance to final output, factual accuracy, error rates, and reuse of templates. Ask the assistant to estimate confidence levels and suggest better measurement if data is thin.
Q4:Can I automate a review of the AI features I’ve used?
Yes. Prompt the assistant to auto‑tag sessions by task and feature, then generate a weekly report with links to source files and chats. You can also trigger alerts for performance drops or failed runs.
Q5:Does a review work across different AI tools and models?
It works best in unified workspaces that track actions across chats, documents, and code. If your tools are fragmented, ask the assistant to include links and logs so you can reconcile results in one report.
