端午节假期，一位AI创业者在家里疯狂使用Agent做自己的项目，两天消耗了2000多万token。他自嘲不是重度用户，但这段经历让他悟出了一个深刻的道理：用AI和管理团队，本质上是同一件事。他正在重构自己AI资讯聚合网站AIHOT的聚簇机制。这个机制负责将上百个信源中讨论同一事件的新闻聚合成簇，再选出一条作为代表展示。当GPT-5.6这样的重大事件爆发时，如果没有好的聚簇，页面会被刷屏，用户体验极差。他给Claude Opus 4.8下达了一个模糊目标：让语义相近但事件不同的新闻被正确拆分，时间窗口限制在24小时以内，阈值不能太松也不能太紧。但Opus 4.8的表现让人崩溃——方案漏洞百出，查了论文学了SOTA做法却设计得乱七八糟，稍加追问就反转反转再反转，经典台词是“这里有个反转”。他怒斥这个墙头草毫无底线，最后在对抗式审查后出了一版方案，又因为阈值0.72高了点降到0.71，没考虑多语言，各种边界情况都没处理。一天下来，新方案修了旧问题又冒出新问题，差点道心破碎。他无比怀念已经被下架的Claude Fable 5。之前用Fable 5做过类似复杂度的项目，体验截然不同：只需要把目标讲清楚，甚至模糊目标也行，它给出的方案经常比他自己能想到的好N个数量级，而且能优雅地完成目标。那是个给个方向就能自己跑到终点还顺手填坑的选手。而现在的Opus 4.8或GPT-5.5，需要他用更细致的管理方式去补足差距。这让他想明白了一个关键道理：不同能力的AI需要不同的管理方式，跟管人一模一样。纯粹的新人刚入职，需要详细指令和频繁检查；能力较强的员工，你可以给方向但得盯着，时不时拉一把、补一句“这个地方你漏了”；而真正顶尖的人才，你只需要指明目标，他就能自己跑完。Fable 5就是那个顶尖人才，而Opus 4.8更像是能力不错但需要持续指导的小伙伴。对于AI从业者来说，这个案例的启示很实用：不要指望用一个模型解决所有问题，要根据任务复杂度和模型能力选择合适的管理策略。对于简单明确的任务，用强指令模型；对于模糊复杂的项目，优先选择自主性更强的模型。如果只能用中等能力的模型，那就得像带新人一样，把目标拆解成更小的步骤，频繁验证和调整。AI用得好不好，越来越取决于你会不会“管”它。