前一段时间，我们一直在想，怎样减少使用 AI 时那些反复发生的组织工作。把材料收在一起、把进度摆出来，是可以着手的地方。继续往下，就会遇到一个更难的问题：同样一件事，每个人希望它被处理的方式并不一样。
有人写东西喜欢先摆出结论，有人需要把事情的来龙去脉讲清楚。同一个人在给客户写说明、给朋友发消息、整理内部材料时，也会采用不同的方法。工作经验常常就藏在这些具体取舍里，很难在开始使用一个工具时一次填写完整。
我们尝试把明确的要求留下来。说过以后不要再重复，这是很自然的期待。可一个人怎样做事，还有不少部分不会以“请记住这条规则”的形式出现。
他可能只是删掉了初稿里的两段话，换了一个方案，或者在讨论中解释了一句为什么这次不该这样做。这些变化包含信息，但它们需要放回当时的事情里理解。
拿一份商品介绍来说。用户把一段夸张的描述删掉，可能是因为这款商品缺少相应依据，也可能是这次渠道不适合这种表达。仅凭这一次修改，就认定他永远喜欢简短或保守，下一次很可能又做错。
如果在不同的商品材料里，他都反复纠正缺少依据的说法，并明确要求先核对事实，那么我们才有理由尝试把这条要求带到后面的同类工作里。下一次有没有少犯同样的问题，仍然需要看交付和反馈。
这个过程，让我们把注意力从“存下了什么”移到了“下一次会怎样做”。一条观察被写进记录以后，还需要在合适的地方用上，产生可以检查的变化。否则，用户下次仍要从头解释。
我们正在尝试的做法，是围绕一件具体工作，把材料、讨论、产物和修改意见放在一起。用户明确交代的长期要求可以直接留下；从行为中推断的做法，要保留依据，在适合的后续工作中试用，发现不合适就撤回或修正。
这样，系统对人的理解始终有一件真实的事可以对照。它为什么认为某种做法更适合你，后来在哪次工作中采用了，结果怎么样，都应该有迹可循。
这也是我们说“让 AI 学习人怎么处理事情”时，真正想表达的方向。
一个人可能很懂内容、设计、产品或电商，只是没有把自己的经验整理成提示词和流程图。我们希望他可以先正常地做事：表达目的，讨论取舍，检查结果，必要时纠正。事务官从这些协作中逐渐理解该怎样配合，把适应工作方式的责任更多承担起来。
这里同样需要主动的帮助。初次合作时，事务官也应当能整理已有材料、提出有用的问题、给出可以讨论的做法。用户不该先花很长时间教完一套规则，才得到第一点帮助。
讨论因此变得很重要。有时任务没有推进，并非执行速度不够，而是还没弄清楚这次究竟要解决什么。把目标说清楚，比较几个方案，解释某个决定的理由，本身就是工作的一部分。会议也一样：会前准备什么，会中定下什么，会后接着办什么，这些环节能够帮助系统理解结果背后的取舍。
我们希望形成的关系，会随着共同完成的事情变化。开始时一起讨论得多一些；某一类工作逐渐熟悉以后，事务官可以承担更多整理、检查和跟进；有了足够可靠的协作经验，又得到明确委托，就可以继续向完整交付推进。
这种变化要按具体事情发生。熟悉一种内容的写法，并不意味着已经懂得如何处理所有客户关系。知道你通常喜欢哪个方案，也不等于可以替你接受任何条件。遇到新的情况，需要重新理解，而不能把过去的经验直接套上去。
用户也应该能决定自己的参与程度。有些工作，他想亲自琢磨，因为那是兴趣和专业能力所在；另一些工作，他只希望可靠地完成。事务官应当支持这两种选择，也允许他随时接手、改变方法或收回委托。
随着时间推移，布局、常用工具、经过确认的方法和偏好，会逐渐组成属于这个人的工作环境。我们希望这些积累能单独留下来，在产品更新之后继续服务于本人。共同做过的事，应当对后面的协作有用。
这些想法还需要在持续使用中验证。我们会看用户是否少了一些重复交代和纠正，也会看为了教会系统，前面多花了多少精力。只有后续的分担逐渐抵得过这些投入，学习才有意义。
现在，我们给这个正在尝试的角色取了一个名字：事务官。期待它在长期协作中，慢慢学会分担你的工作。