Cocreation Framework：面向所有人的四层 AI 协作思考体系

让 AI 直接把一个模糊想法变成成品，看似高效，却常在反复修改中消耗更多时间。真正缺失的通常不是代码能力，而是对目标、方案和取舍的明确确认。Cocreation Framework 将协作过程拆成意图、分析、决策与执行四层，用结构化步骤降低想法在传递中的失真。

我用 AI 写代码、做策划、写文档快两年了。有一个问题一直困扰我：

为什么我脑子里想的是 A，AI 做出来的却是 B？

不是 AI 不够聪明——GPT-4、Claude Opus、Gemini 2.5 Pro，哪个都不笨。问题出在别的地方。

问题：意图的耗散

举个最常见的例子：

你跟 AI 说"帮我做一个很酷的个人网站"。AI 立刻开始写代码——洋洋洒洒几百行 React，配上一些"看起来不错"的默认样式。

你看着成品，心里想：这不是我要的。

但你说不清哪里不对。于是开始一轮又一轮修改："颜色换一下"、"布局不太对"、"能不能更简洁"……三个小时后你得到了一个勉强能用但不太满意的东西。

问题在哪？

graph LR
    L1["L1: 想法<br/>'做个很酷的网站'"]
    L4["L4: 执行<br/>'写一堆代码'"]
    GAP["❌ 中间缺了什么？"]

    L1 --> GAP --> L4

    style GAP fill:#ff6b6b,color:#fff

中间缺了两层：

• L2 (思考)：什么叫"酷"？参考谁？技术栈怎么选？布局用什么风格？
• L3 (决策)：在 3 个候选方案中，你选了哪个？为什么？

大多数人和 AI 协作时，直接从 L1 跳到 L4。AI 很乐意配合——你说做它就做，不会主动问"你确定吗？我们要不要先想想？"

这就是我说的**"意图的耗散"**：你的想法在传递给 AI 的过程中，因为缺少结构化的中间层，逐渐变形、稀释，最终交付的东西和你的初衷渐行渐远。

相关公开资源

这套框架现在已经有一个可以直接查看和复制的公开实现：

• Cocreation Framework：仓库入口，包含 L1→L4 共创 Skill、归档助手和贡献日志模板。
• cocreation Skill：L1→L4 工作流的可执行定义。

模型全景：L1 → L2 → L3 → L4

为了解决这个问题，我设计了一个极其简单的框架。所有创造性工作映射到四个递进层级：

graph TB
    subgraph Framework ["Cocreation Framework"]
        direction TB
        L1["? L1: Intent (意图)<br/>想法 / 愿景 / 目标"]
        L2["? L2: Analysis (分析)<br/>方案推演 / 利弊评估"]
        L3["✅ L3: Decision (决策)<br/>锁定方案 / 记录理由"]
        L4["? L4: Execution (执行)<br/>动手 / 交付 / 归档"]
    end

    L1 -->|"澄清后"| L2
    L2 -->|"推荐就绪"| L3
    L3 -->|"决策锁定"| L4
    L3 -.->|"回退"| L2
    L2 -.->|"回退"| L1

    style L1 fill:#4ecdc4,color:#fff
    style L2 fill:#45b7d1,color:#fff
    style L3 fill:#f7dc6f,color:#333
    style L4 fill:#82e0aa,color:#333

核心概念

1. 不允许跳层

框架最硬的规则就这一条：不允许从 L1 直接跳到 L4。 AI 必须先帮你想清楚（L2），你确认方案（L3），然后才能动手（L4）。

2. 每层有明确的"完成条件"

层级	完成条件	谁主导
L1	目标和约束已被双方确认	Human
L2	至少 2 个方案被比较，有明确推荐	AI
L3	方案已锁定，决策理由已记录	Human
L4	产出完成，已归档	AI

3. 贡献日志 (Contribution Log)

这是框架的"决策账本"——记录每次协作中，人和 AI 各自贡献了什么。

日期	任务	意图主导	执行承担	关键决策
05-04	知识图谱学习规划	Human	AI	选 Property Graph 而非 RDF，因为工程友好
05-12	训练营课程重组	Human	AI	三赛道合并为两赛道 + 选修，降低运营复杂度

这个日志回答一个很重要的问题：在 AI 辅助的产出中，哪些是你的原创思考？

不要小看这个记录。当你事后回顾，或者需要向别人解释"这个方案是怎么来的"时，Contribution Log 就是你的"思考审计链"。

怎么用

两种模式

模式 A：创造模式

当你有一个新想法要落地时：

你: "我想做一个个人知识管理系统。"

AI: "收到。共创流程已启动，进入 L1: 意图澄清。
    请告诉我——
    1. 你希望管理什么类型的知识？
    2. 主要使用场景是什么？
    3. 有什么硬约束（技术栈/预算/时间）？"

AI 不会直接开始写代码。它会先帮你把想法变清晰。

模式 B：归档模式

对话进行到一半或结束时：

你: "请把这段讨论归档。"

AI: "归档模式启动。扫描发现：
    - 2 个关键决策（L3 级别）
    - 3 个待执行事项（L4 级别）
    - 1 个方案分析（L2 级别，未决策）
    正在整理归档..."

在公开实现里，这个模式由 Cocreation Archivist 承担：它按“扫描 → 分类 → 归档”提取对话中的思考、决策和产出，不重新生成一套脱离上下文的内容。

目录结构

复杂项目建议这样组织文件：

my-project/
├── 1_concepts/    # L1: 想法、灵感、初始需求
├── 2_analysis/    # L2: 方案推演、可行性分析、对比表
├── 3_standards/   # L3: 决策记录、规范文档、选型结论
├── 4_reality/     # L4: 实际代码 / 成品 / 交付物
└── contribution_log.md  # 贡献日志

公开仓库还提供了 Contribution Log 模板，可以直接复制，再按项目约定放进自己的 3_standards/ 目录。

集成方式

三种使用方式，从轻到重：

graph LR
    A["方式 A<br/>手动遵循<br/>(复制模板)"]
    B["方式 B<br/>AI Skill<br/>(注入 Prompt)"]
    C["方式 C<br/>项目内置<br/>(仓库规则)"]

    A -->|"更正式"| B -->|"更自动"| C

    style A fill:#dfe6e9
    style B fill:#74b9ff
    style C fill:#00b894,color:#fff

• 方式 A (手动)：把 L1→L4 流程写在项目 README 里，自己提醒自己遵循
• 方式 B (AI Skill)：把框架规则作为 System Prompt 注入 AI，让 AI 自动执行流程
• 方式 C (仓库内置)：把 .agent/skills/cocreation/ 放进项目仓库，AI 启动时自动加载 公开仓库同时提供了共创流程、归档流程和贡献日志模板，把这套框架落实为可复用的文件对象。

验证：为什么我相信它有效

这个框架不是空想——它在三个真实项目中持续使用：

项目 1：知识图谱学习

一个人学习知识图谱的项目，从"我想学这个"到具体的学习路径、每周练习、应用验证。框架确保了：

• 不会一上来就"看完所有教程"（L1 跳 L4）
• 先分析学习路线（L2）：图数据库 vs 三元组存储？从哪个切入？
• 决策后再执行（L3→L4）：选 Property Graph，练 Neo4j

项目 2：企业 AI 训练营课程设计

8 周、15 位讲师、3 条赛道的 AI 训练营。框架确保了：

• 每个课程设计决策都有 RFC 记录（L3）
• 不会因为"讲师说可以"就直接排课（L1 跳 L4）
• Contribution Log 记录了 12 次关键决策的来龙去脉

项目 3：个人 AI 工作台

一个管理者的 AI 工作台，30 个技能、7 个数据模块。框架确保了：

• 每个新技能都经过需求收敛（L2）再进入设计（L3）
• 不会"随手加个功能"导致系统臃肿

共同效果：三个项目中，"做了但不对"的返工次数显著减少。原因很简单——当你在 L2/L3 花了时间想清楚，L4 的执行方向就不容易跑偏。

局限与边界

这个框架不适合：

1. 紧急且简单的任务——"帮我格式化这段 JSON"不需要 L1→L4，直接做就行
2. 纯探索性工作——当你还不知道自己想要什么时，强行走框架反而限制发散思维
3. 高频重复任务——如果你每天做 50 次类似操作，框架的仪式感会变成负担

适用的甜蜜区是：有一定复杂度、结果不确定、需要在多个方案中选择的创造性任务。

总结

Cocreation Framework 解决的是一个被广泛忽视的问题：人和 AI 协作时，意图如何不耗散。

答案很简单——在"想"和"做"之间，强制插入"思考"和"决策"两层。不让 AI 直接从你的想法跳到执行，而是帮你把想法先变成清晰的方案，再变成明确的决策，最后才是动手。

四层。一个 Contribution Log。仅此而已。

---

如果你想继续看

• 直接查看并复制 Cocreation Framework。
• 如果你想先看核心工作流，阅读 cocreation Skill。
• 如果你想把对话整理成结构化资产，阅读 Cocreation Archivist。

核心哲学：Human Intent leads AI Thinking — turn ideas into reality.

阅读原文