要和 AI 描述需求以减少返工，需按「目标-约束-边界」三维拆解，先明确最终可验证的具体结果，再列出不可妥协的硬规则，最后划定不涉及的范围，用具体案例替代抽象表述，避免模糊或隐含假设，提升描述精准度。
这套方法适用于你需要 AI 输出符合预期的内容、减少修改次数，且需求有明确结果导向的场景；不适用的情况包括：需求完全是创意发散类（无固定结果）、仅需随机生成内容、或需 AI 处理无明确边界的模糊任务，这类场景的核心是探索而非精准落地，方法作用有限。
大多数人描述需求时只提及「要做什么」，忽略「不能做什么」和「范围到哪」，这是返工的核心诱因。需明确：目标是最终可验证的结果（如「生成 300 字活动方案」而非「写个方案」），约束是必须遵守的硬规则（如「不能超过 3 个核心环节」），边界是不涉及的内容（如「不用包含预算」），三者缺一易导致 AI 输出偏离预期。
读者常犯的错误是用模糊形容词（如「好看的」「高效的」）而非可量化的具体案例。比如不说「写个吸引人的文案」，而说「参考同类型爆款结构，突出『免费』『7 天见效』，控制在 150 字内」，具体案例能让 AI 快速捕捉风格细节，大幅减少理解偏差。
很多人未说明 AI 输出的使用场景，如「给学生看的科普」还是「企业内部培训材料」，受众认知水平决定内容深浅，这是易被忽略的返工原因。比如受众是小学生就不用专业术语，是职场人可加行业表述，明确这点能让输出更贴合实际使用需求。
不要把需求描述成「必须完美」，而是「优先满足核心，次要可调整」，比如不说「必须 100% 符合要求」，而说「核心解决注册痛点，次要排版灵活」，既给 AI 明确方向，又避免因小瑕疵导致大改，减少整体返工次数。
很多人将个人偏好当成必须遵守的规则，如「这个颜色不好看」视为约束，但偏好是可调整的，硬约束是「不能用红色字体」这类无法妥协的规则。混淆后会导致 AI 输出要么不符合偏好，要么过度限制输出可能性，卡住表现为反复纠结细节是否修改，绕过去的方法是先区分「绝对不能变」的硬约束和「可灵活调整」的偏好，分开描述。
读者常默认 AI 知晓常识，如「给老人写内容要大字体」，但 AI 不知道你隐含的「受众是 60 岁以上老人，视力不佳」，这种隐含需求会导致输出不符合预期，卡住表现为觉得 AI「应该知道」却没做到，绕过去的方法是把所有隐含前提都明确说出，不用默认 AI 知晓。
有些人描述需求时加入无关内容，如「写活动方案还要考虑天气、场地、人员」，把多个不相关任务混在一起，导致 AI 输出杂乱无章，卡住表现为内容分散无核心重点，绕过去的方法是先明确本次需求的核心任务，次要内容单独处理，避免一次要求太多。
在 OneOneTalk 中，这套描述需求的方法可结合其可核验的长期记忆机制使用：你每次描述需求的内容会被记录为带来源、时间、置信度的条目，后续可随时纠错或调整，避免重复描述。其受委托执行并留回执的能力，能让 AI 输出对应明确的需求来源，方便你核对是否符合要求。目前其分级审批机制暂不直接支持需求描述的优先级划分，若需调整核心与次要需求，可在共写的历史中标记优先级，这一层的自动分级匹配功能我们还在做，当前替代做法是手动标注需求的核心程度。