我用 AI 写代码、做策划、写文档快两年了。有一个问题一直困扰我：
为什么我脑子里想的是 A，AI 做出来的却是 B？
不是 AI 不够聪明——GPT-4、Claude Opus、Gemini 2.5 Pro，哪个都不笨。问题出在别的地方。
问题：意图的耗散
举个最常见的例子：
你跟 AI 说"帮我做一个很酷的个人网站"。AI 立刻开始写代码——洋洋洒洒几百行 React，配上一些"看起来不错"的默认样式。
你看着成品，心里想：这不是我要的。
但你说不清哪里不对。于是开始一轮又一轮修改："颜色换一下"、"布局不太对"、"能不能更简洁"……三个小时后你得到了一个勉强能用但不太满意的东西。
问题在哪？
中间缺了两层：
- L2 (思考)：什么叫"酷"？参考谁？技术栈怎么选？布局用什么风格？
- L3 (决策)：在 3 个候选方案中，你选了哪个？为什么？
大多数人和 AI 协作时，直接从 L1 跳到 L4。AI 很乐意配合——你说做它就做，不会主动问"你确定吗？我们要不要先想想？"
这就是我说的**"意图的耗散"**：你的想法在传递给 AI 的过程中，因为缺少结构化的中间层，逐渐变形、稀释，最终交付的东西和你的初衷渐行渐远。
模型全景：L1 → L2 → L3 → L4
为了解决这个问题，我设计了一个极其简单的框架。所有创造性工作映射到四个递进层级：
核心概念
1. 不允许跳层
框架最硬的规则就这一条：不允许从 L1 直接跳到 L4。 AI 必须先帮你想清楚（L2），你确认方案（L3），然后才能动手（L4）。
2. 每层有明确的"完成条件"
| 层级 | 完成条件 | 谁主导 |
|---|---|---|
| L1 | 目标和约束已被双方确认 | Human |
| L2 | 至少 2 个方案被比较，有明确推荐 | AI |
| L3 | 方案已锁定，决策理由已记录 | Human |
| L4 | 产出完成，已归档 | AI |
3. 贡献日志 (Contribution Log)
这是框架的"决策账本"——记录每次协作中，人和 AI 各自贡献了什么。
| 日期 | 任务 | 意图主导 | 执行承担 | 关键决策 |
|---|---|---|---|---|
| 05-04 | 知识图谱学习规划 | Human | AI | 选 Property Graph 而非 RDF，因为工程友好 |
| 05-12 | 训练营课程重组 | Human | AI | 三赛道合并为两赛道 + 选修，降低运营复杂度 |
这个日志回答一个很重要的问题：在 AI 辅助的产出中，哪些是你的原创思考？
不要小看这个记录。当你事后回顾，或者需要向别人解释"这个方案是怎么来的"时，Contribution Log 就是你的"思考审计链"。
怎么用
两种模式
模式 A：创造模式
当你有一个新想法要落地时：
你: "我想做一个个人知识管理系统。"
AI: "收到。共创流程已启动，进入 L1: 意图澄清。
请告诉我——
1. 你希望管理什么类型的知识？
2. 主要使用场景是什么？
3. 有什么硬约束（技术栈/预算/时间）？"
AI 不会直接开始写代码。它会先帮你把想法变清晰。
模式 B：归档模式
对话进行到一半或结束时：
你: "帮我归档一下刚才的讨论。"
AI: "归档模式启动。扫描发现：
- 2 个关键决策（L3 级别）
- 3 个待执行事项（L4 级别）
- 1 个方案分析（L2 级别，未决策）
正在整理归档..."
目录结构
复杂项目建议这样组织文件：
my-project/
├── 1_concepts/ # L1: 想法、灵感、初始需求
├── 2_analysis/ # L2: 方案推演、可行性分析、对比表
├── 3_standards/ # L3: 决策记录、规范文档、选型结论
├── 4_reality/ # L4: 实际代码 / 成品 / 交付物
└── contribution_log.md # 贡献日志
集成方式
三种使用方式，从轻到重：
- 方式 A (手动)：把 L1→L4 流程写在项目 README 里，自己提醒自己遵循
- 方式 B (AI Skill)：把框架规则作为 System Prompt 注入 AI，让 AI 自动执行流程
- 方式 C (仓库内置)：把
.agents/skills/cocreation/放进项目仓库，AI 启动时自动加载
验证：为什么我相信它有效
这个框架不是空想——它在三个真实项目中持续使用：
项目 1：知识图谱学习
一个人学习知识图谱的项目，从"我想学这个"到具体的学习路径、每周练习、应用验证。框架确保了：
- 不会一上来就"看完所有教程"（L1 跳 L4）
- 先分析学习路线（L2）：图数据库 vs 三元组存储？从哪个切入？
- 决策后再执行（L3→L4）：选 Property Graph，练 Neo4j
项目 2：企业 AI 训练营课程设计
8 周、15 位讲师、3 条赛道的 AI 训练营。框架确保了：
- 每个课程设计决策都有 RFC 记录（L3）
- 不会因为"讲师说可以"就直接排课（L1 跳 L4）
- Contribution Log 记录了 12 次关键决策的来龙去脉
项目 3：个人 AI 工作台
一个管理者的 AI 工作台，30 个技能、7 个数据模块。框架确保了：
- 每个新技能都经过需求收敛（L2）再进入设计（L3）
- 不会"随手加个功能"导致系统臃肿
共同效果：三个项目中，"做了但不对"的返工次数显著减少。原因很简单——当你在 L2/L3 花了时间想清楚，L4 的执行方向就不容易跑偏。
局限与边界
这个框架不适合：
- 紧急且简单的任务——"帮我格式化这段 JSON"不需要 L1→L4，直接做就行
- 纯探索性工作——当你还不知道自己想要什么时，强行走框架反而限制发散思维
- 高频重复任务——如果你每天做 50 次类似操作，框架的仪式感会变成负担
适用的甜蜜区是：有一定复杂度、结果不确定、需要在多个方案中选择的创造性任务。
总结
Cocreation Framework 解决的是一个被广泛忽视的问题：人和 AI 协作时，意图如何不耗散。
答案很简单——在"想"和"做"之间，强制插入"思考"和"决策"两层。不让 AI 直接从你的想法跳到执行，而是帮你把想法先变成清晰的方案，再变成明确的决策，最后才是动手。
四层。一个 Contribution Log。仅此而已。
Cocreation Framework 已开源，任何人可以直接复制使用。 核心哲学：Human Intent leads AI Thinking — turn ideas into reality.