给 AI 的信息太少，
它只能靠猜

你让 AI 帮你做一个记账 App。你打了一行 prompt：“帮我做一个记账 App，要有分类功能。”

出来的东西不太对。分类是写死的，没有统计，数据存在本地没法同步。你加了一句：“分类要可以自定义，加个统计图表。”好一点了，但交互还是不对。你又补了一轮。再补一轮。

来回三十分钟，你得出结论：AI 还不够聪明。

但如果你一开始就把话说清楚——用户是谁、核心场景是什么、数据怎么存、分类是固定的还是自定义的、要不要图表、需不需要多设备同步——AI 拿到的就是一张完整的需求图。它不用猜了，一次做对的概率会高很多。

50 字的 prompt 和 500 字的 prompt，出来的东西差距很大。

问题是：谁愿意打 500 字？

一、打字时，你在偷偷删减自己的想法

一个稍微复杂的需求，把背景、要求、限制条件、期望的输出格式都写清楚，加起来三五百字很正常。但在键盘上敲到一半，前面想说什么已经模糊了。脑子里明明有一套完整的逻辑，打着打着就碎了。

于是你下意识地偷懒——算了，先写两句发出去吧。

这和能力无关。心理学家 Kellogg 研究过写作时大脑在做什么：打字的时候，你不只在“表达”，你还在组织措辞、操作键盘、检查屏幕上的文字^[1]。这些事情同时争夺你有限的注意力，留给“想清楚要说什么”的空间就不够了。

你的大脑有一个“思考预算”。打字在消耗这个预算。于是你的输出被压缩了：细节明明在脑子里，到了键盘前却被一点点省掉。

二、说出来，本身就在帮你思考

说话和打字还有一个更深的区别。

你有没有过这种体验：一个想法在脑子里模模糊糊的，但当你试着跟别人说出来，它突然变清晰了。你说着说着，自己都惊讶：“原来我是这么想的。”

维果茨基在《思维与语言》里说过：语言除了容纳思想，也参与思想的形成^[2]。你脑子里的想法是压缩的、跳跃的、不完整的。当你把它说出来，你被迫把压缩的逻辑展开、把跳跃的环节补全、把模糊的概念变具体。“说出来”这个动作本身，就在帮你思考。

打字也能做到这一点，但因为速度慢、认知负荷高，这个展开过程不断被打断。你展开到一半就停下来敲键盘，敲完回来上下文已经丢了一半。

说话不会。说话够快、够自然，你的想法可以连贯地展开——一个点引出下一个点，下一个点引出再下一个，链条不断。这就是为什么你跟同事口头描述需求的时候，会自然地说出很多打字时会省略的背景和细节。

曼海姆大学的一项实验直接验证了这一点：同样的问题，语音回答比打字回答的内容长 2 倍以上，覆盖的话题也更多^[3]。说话的人并没有突然变啰嗦，键盘只是在强迫人做“自我删减”。

三、给 AI 的上下文，就是这样丢掉的

回到 AI 的场景。

你给 AI 写 prompt 时，关键常常在指令周围的上下文：“帮我做个记账 App”谁都会写，真正决定结果的是用户是谁、场景是什么、数据结构有什么约束、交互上有什么偏好、边界情况怎么处理。

这些信息你脑子里都有。但打字的时候，它们被一层一层削掉了：这个太细了不写了，那个 AI 应该能猜到吧，这条想写但打到一半忘了前面要说什么了。

最后发出去的 prompt 是经过“键盘过滤器”筛选后的残缺版本。AI 只能拿着这个残缺版本去猜。猜错了，你觉得是它不行。

如果你能把这些上下文说出来呢？说两分钟，你能说出来的信息量远超两分钟打字。背景、约束、偏好、例外情况，说话时你会自然地带出来，不需要一条一条想着“这个要不要写”。

四、说完就能用

问题是，普通语音输入出来的文字没法直接贴给 AI——口水词、重复、没标点、一大段不分行。你说完还得花时间整理，门槛又上去了。

Flow 输入法做的事情就是把你说的话整理成能直接用的文字：口水词去掉，标点分段理好，逻辑顺过。你说的时候可以停顿、重复、临时换思路，出来的文字直接粘贴给 AI 就能用。

说两分钟，大约能出来两三百字清晰的 prompt。和你在键盘上挤出的两行字相比，AI 拿到的上下文完全不同。

五、差别在输入这一端

以前的流程是这样的：想做一个东西，打字写 prompt，写了 50 字发出去，AI 理解偏了，补充说明，再补充，来回半小时。

现在可以是这样的：想做一个东西，拿起手机说两分钟，出来一段完整的需求描述，粘贴给 AI，一轮就对。

差别在你这一端：你终于把该说的都说了。