核心比喻：地图，不是疆域
这是整篇的地基。搞懂这一层，后面所有招式都顺了。
提示词 · 上下文 · 参考
你脑子里对「要做的事」的表示——你告诉 AI 的一切。
代码库 · 真实场景 · 真实约束
活儿真正要发生、也真正会出岔子的地方。
关键点：光提前规划不够。未知会藏在实现深处，有时甚至逼你换一种解法。所以「发现未知」不是动手前做一次，而是动手前、动手中、动手后反复进行的过程。
四种未知：先认得出，才管得住
遇到一个问题，可以按「你知不知道 × 它明不明确」拆成四块。下面是我们对这个经典四象限的重绘。
已知的已知
你已经写进提示词里的
你明确告诉 AI 你要什么。
已知的未知
你知道该问、但还没答的问题
你意识得到的空白。
未知的已知
看到就知道对不对
太显然、懒得写，但一看就认得出——常是你的品味。
未知的未知
你压根没考虑到的
你不知道这条路上还有坑。最危险。
四象限概念源自 @trq212 原文，此处为我们的重绘与中文表达。
高手（原文举了 Claude Code 团队里的人）不是没有未知，而是未知很少 + 会主动为未知留余地。好消息：这是能练的技能，而且就是「在和 AI 协作中」练出来的。
四种未知，怎么处理
认出来只是第一步。每一种未知都有对应的「消解办法」和技巧——下面配了古籍活化场景的案例，你可以照着套。
Known Knowns① 已知的已知 · 写清、别让它跑偏
本质：你明确告诉 AI 的确定项。
怎么处理：写清、写准，把稳定的确定项固化成「约定 / spec」，每次带上，别让 AI 每轮重新发挥。
- 让 AI 先复述一遍你的需求与约束（echo back），确认理解一致再动手。
- 警惕「假的已知」——你以为写清了，其实藏着模糊（那其实是下面第三种）。
案例：古籍卡片机，你确定要「竖排 + 钤印风格 + 一键导出长图」——把这三条写死进 spec，别让它每次换花样。
例：「先复述一遍你理解的需求和约束，我确认无误，你再开始写。」
Known Unknowns② 已知的未知 · 用最便宜的方式先消解
本质：你意识到的问号。
怎么处理：主动把它变成「已知」——查、问、做小实验，别带着问号往下冲。
- 列一张「开工前待确认清单」，逐条用最便宜的方式消解。
- 让 AI 先做一次调研 pass，把选项和权衡摆出来给你选。
- 技术不确定就做最小验证（spike）：先花 20 分钟验一个点，再决定路线。
案例：「OCR 对民国竖排繁体到底准不准？」是你知道的未知 → 让 AI 先拿 3 张样例图跑个最小测试、看错误率，再决定要不要换方案。
例：「开工前，把我需要先确认的技术不确定点列成清单，每条给我一个最便宜的验证办法。」
Unknown Knowns③ 未知的已知 · 把你的品味「显性化」
本质：你的隐性标准与审美——「这还用说吗」，但 AI 不知道，于是按行业默认做，你一看就「不对」。这是最容易反复翻车的一种。
怎么处理：先做后评，把「看到才知道」的标准逼出来、写下来。
- 反应式发现：让 AI 一次给几个差异大的版本，你的「这个不对 / 那个对」会把标准逼出来，比空想快得多。
- 每次说「不对」，追问自己「为什么不对？」，把答案写进 spec，下次直接给。
- 用参考代替形容词：说不清「高级感 / 沉稳」，就丢一个你喜欢的例子（最好给源码 / 组件）。
案例：你潜意识觉得古籍页面「要留白、别太满、颜色要沉」，却从没写下来 → 让 AI 做 4 版你挑一版 → 把「为什么挑它」总结成 5 条明确规则，成为你的设计约定。
例：「先给我 4 个风格差异很大的版本，我挑完，你帮我把『我为什么选这版』总结成可复用的规则。」
Unknown Unknowns④ 未知的未知 · 借外部视角主动扫盲
本质：你不知道自己不知道。最危险，最需要外部视角挖出来。
怎么处理：用 AI / 参考 / 他人，把你没想到的维度提前逼出来。
- 盲点扫描：让 AI 列「这个领域里，新手常忽略但很重要的东西」。
- 事前验尸（pre-mortem）：假设作品做砸了，最可能的 3 个原因是什么？提前堵。
- 让 AI 扮演该领域专家来 review 你的方案。
- 看现实参照：别人做到什么程度，会暴露你没想到的维度。
案例：做古籍问答，你完全没想到「模型会一本正经地胡编（幻觉）」→ 盲点扫描直接点出「古籍垂域必须做出处溯源、校得准」→ 你补上「每条回答标出处」这一环（正好呼应资料库·现实参照里「云四库」对引用材料出注的做法）。
例：「我要做 X、但我是新手。做一次盲点扫描，列出我大概率没想到、却会致命的 3–5 个点；再做一次 pre-mortem。」
让 AI 帮你，而不是替你瞎猜
指挥 AI 是个平衡术。
它会死板照做
该转弯时也不转——你把它锁死在一条可能错的路上。
它会用「行业默认」
按平均最佳实践来做，未必贴你的题、你的场景。
诀窍：给 AI 你的「起点上下文」——你在哪、懂多少、卡在哪，把它当成一起想的伙伴（thought partner）。它能极快地搜代码、搜资料、从失败里迭代，帮你更快把未知挖出来。原文的一个高频习惯：让 AI 把东西做成 HTML 页面来「看得见」，比空口描述准得多。
动手前：把未知摊开
盲点扫描（Blind Spot Pass）
进入一个陌生领域时，直接让 AI 帮你找「未知的未知」。原文建议就用「盲点扫描 / unknown unknowns」这样的字眼，并告诉它你是谁、懂多少。
例：「我要给古籍做一个断句翻译工具，但我完全不懂 OCR 和古文断句。帮我做一次盲点扫描，列出我该知道、却没意识到的坑，好让我更会向你提问。」
头脑风暴 + 原型
在「我说不清，但看到就知道」的地方（尤其视觉），让 AI 一次给你几个差异很大的方向来挑；用 HTML 原型先看效果，别急着接后端。越早把这类「未知的已知」逼出来越省——等到实现阶段才发现，改起来很贵。
例：「先别接任何数据，用一个 HTML 文件，把这个『老照片一键复活』页面做 4 个完全不同的风格给我挑，我看到再告诉你哪个对。」
让 AI 采访你（Interview）
头脑风暴完还有模糊，就让 AI 一次问你一个问题，优先问那些「你的回答会改变整体设计」的问题。
例：「就这个作品，一次问我一个问题，优先问那些答案会改变架构或核心流程的，问到没有歧义为止。」
给参考（References）
实在说不清，就给参考——最好的参考不是截图，而是源码 / 现成组件。指给它一个你喜欢的实现让它读，哪怕是别的语言。
例：「我喜欢这个网站的卡片交互，你去读它的结构和实现，用我们的技术栈复刻一版同样的手感。」
实现计划（Implementation Plan）
准备动手前，让 AI 先写一版计划，把你最可能改的决策放最前面（数据模型、类型接口、用户看得见的流程），机械重构放最后。这样它主动把「你可能要动的地方」浮出来给你审。
例：「写一份实现计划，开头先列我最可能调整的决策：数据结构、页面流程、界面交互；机械性的部分放最后，那部分我信你。」
动手中：记录偏离
实现笔记（implementation-notes）
再多规划，实现里也总有未知的未知。让 AI 边做边维护一个 implementation-notes 文件，把它「不得不偏离计划」的决策记下来——下次再做就能学。
例：「维护一个 implementation-notes.md。遇到逼你偏离计划的边界情况，先选保守方案，记到『偏离』一节，然后继续。」
动手后：讲清 + 验收
打包成「讲得清」的文档（Pitches & explainers）
把原型、规格、实现笔记打包成一份能拿去要认可 / 通过的文档：让评审从和你一样的未知出发、也看到你已经考虑过常见坑，理解和批准都更快。
例：「把原型、规格、实现笔记打包成一份能发群里争取认可的文档，开头放演示，再讲我们解决了什么、绕过了哪些坑。」
让 AI 给你出测验（Quizzes）
长时间协作后，AI 干的往往比你以为的多，光看代码 diff 只能浅懂。让它先给你充分上下文，再出一份关于「这次改了什么」的测验，考过了再收工 / 合并——你才真的懂它替你做了什么。
例：「给我一份 HTML 报告，讲清这次改动的来龙去脉、直觉和影响；底部附一个测验，我必须全对才算真懂。」
一个真实案例：门外汉用 AI 剪出发布视频
原文作者发布模型时的宣传视频，全程用 Claude Code 剪的——而他自认不是行家。
他的做法正是这套心法：从已知出发（知道 AI 能用代码剪视频、能转录），遇到不懂的（转录准不准、什么是「调色 color grading」），就先让 AI 教他、再做原型验证，把一个个未知变成已知——而不是硬让 AI 一把做对。
它和我们的课，是一条线
这套「发现未知」的招式，正好接在我们的方法主线上。