忽然发现，管理初学者的最佳学习对象，其实是DeepSeek。
在和DeepSeek合作的过程中，我发现了三个管理技巧，只要刻意练习，大多数人都能做好管理。

起因是这样的——
这几天和团队讨论AI的发展，聊到了一个问题：当大模型越来越强，知识储备比人广，逻辑执行比人稳，还24小时无情绪工作——那人类的核心价值到底在哪？

聊下来发现，其实就三个：独家逻辑、独家信息、独家审美。
其中“独家逻辑”保质期最短——你引以为傲的思维方式，早晚会被大模型学会。但另外两个，“独家信息”和“独家审美”，才是真正的护城河。

顺着这个思路再看商业，会发现一个有趣的视角：
其实早在AI时代之前，很多公司能够做起来，靠的也是这三个独家。
比如，
做内容，常常靠的是老板的独家审美。
做投资、做咨询，常常靠的是独家信息、或者独家逻辑。

对于这样的公司，本质上做管理，在做的其实是：“管理者把员工当大模型用，让员工的审美向管理者对齐的过程”。

老板审美越好、团队对齐越好，企业产能越高。
举个例子。
1、
比如，你可能听说过的“听花岛”（咪蒙的短剧厂牌）。在短剧这个卷生卷死的行业，它做到了一个恐怖的数据：每年产出200部短剧，爆款率稳定在60%。
这意味着平均每个工作日，都有一部短剧出炉，还能保证命中率。
这个产出数量，肯定不是靠天才的灵光一现，而是系统的胜利。

对比之下，
其他公司在产量和爆款率两个指标上，常常只能抓住一个。
比如，
也有审美一流的创始人，但他们的问题是：创始人自己出手，一年能做10-15个好作品。一旦想放量，质量就下滑——因为团队的审美跟不上老板。
更多短剧公司，是产量很高，但是爆款率完全没有保证。

咪蒙是怎么解决的呢？
除了她自己有审美，她还要求整个团队像训练大模型一样，完成了向自己审美的对齐。

对齐的过程，核心就两招：

第一，日复一日的内容拆解。
团队每天工作16个小时，其中一半时间——8个小时——花在内容拆解上。拆什么？拆爆款，拆竞品，拆自己的作品。拆解之后，一个作品一个作品的与团队讨论。
通过拆解和讨论，让团队对“好内容”的标准逐渐趋同。
不过，老员工被喂了足够多的数据，标准对齐程度还算足够，新人怎么办呢？

第二，把标准写成文档，既保障老团队的稳定执行、又保证了新团队的快速对齐。

你看，这不就是AI的学习过程吗？
大量投喂数据，加上明确的反馈机制，形成标准和提示词，最终让模型（团队）的输出无限接近理想目标。

看到这里，很多管理者会说：
我也和团队天天互动呀？团队的每个动作我也会给反馈？日积月累，数据量也足够呀，为什么我的团队总是不能和我的审美有效对齐呢？

其实这就像DeepSeek和其他国产大模型的对比。
审美对齐的效率，不完全取决于数据量和模型参数，更多是中间有没有坚持深度思考的模式。
什么意识呢？

02
最近我会越来越多用AI写文章、取标题。
有一次做标题测试，我给了几个大模型同样的提示词：一篇正文，要求起爆款标题，越抓人越好，目标受众是创业者和营销人。

其他模型的回应都很简单：收到正文，开始起标题，越爆越好。
大多数模型的产出，不可避免的标题党——也能理解，我提出的要求是“抓人”嘛。

但DeepSeek不一样。它没有立刻动手，而是先做了一步——“深度思考”：
它先分析我的文章：这篇文章整体是摆事实、讲道理，文风平铺直叙，不夸张不标题党。然后它推理：既然是这样，那么最适合的标题套路，就不是追求“震惊体”，而是提炼文章核心价值，在保持准确传递价值的基础上，用更抓眼球的方式传递。

最后它起的标题，确实比其他模型都好。

DeepSeek在深度思考的过程中，其实一直在试图“理解我”。
我注意到，它一直在做的其实是三件事：
第一，从我给的素材里，猜测除了我说出来的目的，我还有哪些目的和需求——这一步，是挖掘语言后面的潜台词。
第二，从素材和交互中，我的偏好和标准是什么——这一步，保证了在审美标准上的持续对齐——只要对话不结束，它已经总结出的标准会被自动继承。
第三，基于前两步产出的目的和标准，形成计划，之后再执行。

这个套路说起来简单。
但是，AI最可怕的是，不管你怎么对待他，这三个步骤都会被稳定的执行——没有遗忘、没有情绪。

反观我们的大多数员工呢？大多数时候，是没有潜台词和标准总结意识的。
哪怕有的时候，老板给了标准，当下可能记住了，再下一次又忘了。老板的偏好是什么？标准是什么？审美是什么？很多人工作了几年都还是懵的。

其实，我们和团队之间，差的就是那个“深度思考模块”。
同样的信息量下，深度思考执行的稳定与否，决定了对齐的效率。

增加这个模块有两个办法：
第一种，是你自己干、或者要求团队每次注意（比如沟通后必须复盘）。
这也是咪蒙的做法。
其实咪蒙的拆解，是创造了一个专门对齐审美的场合；她总结的标准，则是自己运行了深度思考模式。
但是，
对于大多数管理者来说，可能既没有这样的时间、也难以提醒自己时刻这样做。
第二种，更现实的做法，是你可以尝试让AI助理、或者半个专门的人，承担起“深度思考”的功能。
不管是靠AI助理，还是靠一个善于总结的人工助理——让ta在你和团队的每次交互中出现，记录每一次交互、每一次反馈、每一次修正，基于此，整理成标准。
当对每类事项，都能形成一个标准文档、后面还跟着示例时，你会发现，团队对齐审美的速度就会快得多。

03
和DeepSeek合作久了，还会发现第二个问题。
有时候，一篇文章你觉得挺好的，只有5个新标准要满足。但其实，这篇文章已经符合了10个标准。当我要求AI在符合10个标准的基础上，再增加5个新标准，再干一遍时，它常常满足了这5个标准、又同时丢掉了另外5个标准。

标准一多，AI就会顾此失彼。
这个问题，AI解决不了，人会好一点吗？
足够贵的人，的确会比AI好，但是大多数人，其实还不如AI。
标准一多，一样顾此失彼。

当标准越来越多，无论是AI还是人，都会顾上一头、丢掉另一头。

怎么办呢？
我自己实践下来，发现有效的办法是：拆分工作流。

比如写文章，我们现在的做法是，有了素材，素材给AI后，按照这么几个环节顺序工作：
环节一：定切入角度。 只关注“这个角度是否抓人”。
环节二：列大纲。 继承了前一个环节的切入角度，只关注“逻辑是否清晰，能否讲透问题，别一上来就太复杂”。
环节三：把素材里面的金子提炼出来，保留好素材、去掉冗余。
环节四：匹配大纲与素材。 只关注“每个素材是否放在了对的位置”。
环节五：在大纲和对应位置素材的基础上成文。 只关注“文字表达是否流畅、是否通俗易懂”。

你看，每个环节只关注一两个标准。上一个环节的输出，成为下一个环节的输入。标准不需要一次全部达成，而是被拆解到流程里，一个一个分别达成，AI执行起来，就简单了很多。

这对管理的启示是什么？很多管理者喜欢一次给员工提一堆要求——“这个方案要创新，要数据翔实，要排版美观，要符合品牌调性，要……”
员工听完，要么懵。要是不懵、还很有自信，常常是他还不知道这些标准意味着什么、会有多难达成。

对比之下，我想起，此前我认识的一个营销人，再让团队做创意的时候，也会拆分成几个环节：
第一个环节，先只想这个点子新不新、炫不炫，多想，不管可行不可行。
第二个环节，从中选出那些符合品牌调性的。
第三个环节，再选出其中更可行的、成本更低的。
之后，再做规划。

更好的方式常常是：把工作拆成环节，每个环节只要求一两个标准。让员工一次只解决一个问题、只做好一件事。
我现在理解了，所谓工作流的本质，是让最终需要同时达成大量标准的复杂问题，变成多个一次只需要达成几个标准的简单问题。一次只针对一个标准做迭代和调整。
工作流拆分，本质上，则是“基于对标准的理解，建立一个逐个达成标准的工作过程”。

04
拆分工作流之后，和DeepSeek合作时，还会遇到的第三个问题是“幻觉”。
对于我们写的商业文章来说，幻觉主要的表现，就是无视事实、开始胡诹。
对于我们一个做短剧的客户来说，幻觉主要的表现，就是AI开始水剧情。

后来，幻觉这个问题是怎么解决的呢？
其实靠的是信息量。
说来也很简单：
AI什么时候会产生幻觉？当你只给它两三百字想法，让它扩写成2000字文章时。因为它不知道事实，只能自己编，不可接受的幻觉几乎必然产生。

反过来，如果我口述半小时，给了它8000字素材，让它提炼成三四千字文章——它几乎从不会产生幻觉。

幻觉的本质，是信息量不足。
水剧情、低质量的产出、不靠谱的决策，本质都是信息量不足。
管理上也是。

张一鸣有句话我很认同：Context not Control——要给信息，而不是控制动作。
大多数新手管理者，都会本能地想控制动作：“你应该这么做，那么做。”
但问题有两方面：
一方面是，
一个高质量的决策，需要掌握尽可能全面的信息。这些信息一部分在管理者脑子里，但常常还有另一部分在员工手里。
管理者直接拍动作，可能因为不了解一线信息而拍错；员工自己做事，可能因为不了解老板的战略意图而做偏。
谁的信息都不足，谁都会产生“管理幻觉”。
要保证方案质量，拍动作远不如通过讨论同步信息。

另一方面是，
改方案，你改不过来。
同一个信息问题、标准问题，会产出一系列错误方案，修改起来成本无比高昂。
改内容也同样，与其改一篇到处都是漏洞的低质量文章，还不如把信息输入给到位，让它直接更高质量的成稿。

这里，我从DeepSeek身上学到的第三个经验就是：
看到产出问题，除了怀疑员工能力，更要先从信息输入环节找问题。
先改变输入，再看产出。
找团队要方案之前，先要信息和检查信息。

在工作流设计里，每个环节都要明确：这个环节需要哪些信息？这些信息从哪里来？哪些信息需要管理者提供？哪些需要一线收集？
收集信息，应该变成工作流中间的专门环节。
当信息充分了，只要逻辑能力、感受能力合格，人和AI都能做出高质量决策。

05
这是我向DeepSeek学到的三个管理方式：
（1）建立深度思考模块——专门的角色，记录每一次反馈，总结每一次交互，让标准不断沉淀，在老板和员工之间建立共识。而不只是感受性的留在老板脑子里。
（2）拆分工作流——别让员工一次满足太多标准，把标准拆到流程里，让每个环节只专注一两个目标。
（3）保障信息输入——看到产出问题，先别急着改产出，先去上游的信息输入里找找问题。

按照这个思路，
我发现，大多数的问题——甚至包括审美、感受性问题，也都能在管理者与团队之间充分对齐。
比如：
要做“心理”类的内容，或者对话产品。
这类内容，常常要实现的效果是“抚慰人心”。
那么，怎么让内容产出既有专业度，又有情绪穿透力呢？

可以这么做：
第一步，把小红书上、抖音上那些“抚慰人心”的爆款内容全部爬下来，建立素材库。
第二步，让AI分析这些素材，总结出“什么样的表达有情绪穿透力”——建立标准。
第三步，将心理学相关的专业知识，建立规则。
第四步，将素材与规则匹配起来——碰到哪条规则，可以参考哪些表达。
最后，不管是AI、还是人工，参考素材、基于用户命中的规则，完成改写。

这样，抚慰人心也不再是玄学，而变成了可拆解、可复制、可评价的标准。

你会发现，这其实就是用AI的方式，解决了审美的规模化问题。

回到开头的问题：大模型时代，人还能做什么？
我的答案是：人要做那个“定义标准、定义审美”的人，而不是“执行标准”的人。
管理者的审美、判断、偏好，是公司最核心的资产。
但如何让这份资产被放大、被复制、被规模化？
需要的就是团队、AI等，向管理者的审美充分对齐。

建立深度思考模块、按照标准逐个拆解工作流、提供高质量的信息输入，你的团队就不再是“执行老板指令的人”，而是一个持续向老板审美对齐的智能系统。

这是DeepSeek教给我的，AI时代管理的新范式。