职场中的高效秘密武器：会与AI对话的人正在默默改写游戏规则。从周报撰写到竞品分析，提示词工程（PE）正成为职场人最隐蔽的效率杠杆。这篇文章将深入拆解如何通过结构化表达，让AI成为你的最佳工作搭档，把80%的重复劳动转化为10分钟的智能协作。

你有没有发现一个很有意思的现象？

同一个办公室里，有的人天天加班到九十点，干得昏天暗地；有的人每天准点走，活也没落下，质量还不差。你以为后者是天赋异禀，可能只是人家比你更会”偷懒”。

这个时代最高级的偷懒方式，大概就是学会跟 AI 说话。

我接触提示词工程（Prompt Engineering，简称 PE）有一段时间了，越深入越觉得，这个技能被严重低估了。大部分人对 PE 的认知还停留在”就是跟 AI 聊天嘛”——没错，就是聊天。可同样是聊天，你用大白话问和用结构化的方式问，得到的结果差了不止一个量级。

这篇文章不是什么高深的技术分享，就是想聊聊一个话题——普通人怎么用 PE 的思路，把日常工作里那些重复的、低价值的、消耗心力的事情交给 AI，给自己省出时间来做更重要的事。

说白了，就是一份”用对话代替加班”的实操指南。

摸鱼不是偷懒，是效率的勋章

“摸鱼”在职场语境里一直不太好听。好像你只要不在工位上埋头苦干，就是在划水、在摸鱼、在对不起工资。

可你仔细观察就会发现，职场里真正产出高的人，往往不是最”忙”的那个。

忙和有产出是两回事。一份简单的周报从措辞到排版纠结两小时，一个竞品分析手动翻五六个网站逐条截图——这些事情消耗的不是创造力，是时间和耐心。它们是必须做的，可不是必须由你亲手一个字一个字地做。

PE 工程的价值就在这里。它不是教你怎么偷工减料，而是帮你找到一种更聪明的工作方式——把那些标准化的、模式化的任务交给 AI 去执行，你来把控方向和质量。

这跟流水线上的自动化是一个逻辑。没人觉得用机器拧螺丝是偷懒，为什么用 AI 写初稿就变成了”不努力”？

效率本身就是一种能力。当你能在三个小时内高质量完成别人花两天的工作，省下来的时间就是你赚到的。你可以拿来学新东西，可以拿来想更重要的问题，也可以拿来提前下班吃顿好的。

这不叫偷懒，这叫你找到了属于自己的效率杠杆。

越来越多的人开始意识到这件事了。你去各种社交平台上看看，分享”用 AI 提效”经验的帖子越来越多，大家讨论的已经不是”AI 能不能用”，而是”怎么用更好”。PE 工程师这个角色，也正在从一个小众的技术岗位，变成每个职场人都值得了解的技能方向。

有个很有意思的现象可以佐证这件事。你去看那些效率很高的人，他们的共同特点不是”比别人更能吃苦”，而是”比别人更善于把重复劳动外包出去”。以前的外包对象是工具、是流程、是模板；现在多了一个选项——AI 对话。

本质上是一回事。只是这一次的工具更智能，能处理的任务范围更广，上手门槛也更低。你不需要学编程，不需要买软件，打开对话框说几句话就行了。

如果非要给这种”会用工具省时间”的能力起个好听的名字——我管它叫效率的勋章。

大多数人跟 AI 对话的方式是错的

这话说得有点绝对，可事实确实如此。

你去看那些吐槽”AI 不好用”的帖子，十个里面有八个，问题出在使用者自己身上。不是 AI 的能力不够，而是指令太模糊了。

最典型的场景长这样——打开对话框，输入”帮我写一篇关于市场营销的文章”，回车，等着。

AI 当然会给你写一篇，可大概率是一篇读起来什么都沾一点、什么都不深入的泛泛之谈。你觉得不满意，心想”果然 AI 不行”。

不是它不行，是你没告诉它你到底要什么。

换个方式试试。”我需要一篇面向中小企业主的文章，讲怎么用低预算做线上获客。重点放在内容营销和社群运营两个方向上，不要讲品牌广告投放。语气偏实操，像是一个有经验的运营在分享干货。篇幅控制在 2000 字。”

同一个 AI，输出质量完全不同。

区别在哪？

在于你给了它足够的上下文。你告诉了它读者是谁、主题边界是什么、不要写什么、语气是什么样、篇幅多长。这些信息每多一条，AI 的输出就精准一分。

这就是 PE 的底层逻辑——你不需要让 AI 变得更聪明，你需要让自己的需求表达变得更清晰。

跟 AI 对话这件事，本质上是在练一种”把模糊变清晰”的表达能力。你脑子里有个大概的想法，可从来没尝试过把它具体化——目标人群是谁？核心诉求是什么？不能碰的雷区有哪些？输出应该长什么样？

这些问题，很多人在跟人沟通的时候也没想清楚过。AI 只不过把这个问题暴露得更彻底了。

还有一种常见的误用——把 AI 对话窗口当搜索引擎用，东问一句西问一句，完全不相关的话题挤在同一个会话里。这样做等于主动放弃了 AI 最大的优势之一，也就是上下文的连续性。你给它的信息越碎片化，它对你需求的理解就越差。

想用好 AI，你得换一个心态——不是”我来问你答”，而是”我们来协作完成一件事”。你是项目负责人，AI 是你的执行搭档。你给背景、给方向、给标准，它负责动手干活。这种协作模式一旦建立起来，效率的提升是指数级的。

我观察到一个很有意思的规律——那些用 AI 用得好的人，往往也是在团队里沟通效率很高的人。这不是巧合。跟 AI 对话和跟人沟通，底层逻辑是相通的——把你想要的东西说明白。只不过 AI 不会主动追问你”你的意思是不是……”，它只会默默按照它的理解去执行。

这反而是个好事。它逼着你把”说清楚”这件事做到位，而不是依赖对方的猜测能力。

提示词的底层方法：不是背咒语，是学会说人话

很多人对 PE 有一种误解，觉得这是一门需要背诵”咒语”的技术——只要找到那几个神奇的关键词，AI 就会给你完美答案。

不是这样的。

PE 的核心不是记住某个固定句式，而是养成一种结构化思考的习惯。你跟 AI 说话，其实跟你给同事布置任务是一个道理。你越清楚自己要什么、不要什么、标准是什么，对方干出来的东西就越接近你预期。

这个”说清楚”的过程，可以拆成几个层次来理解。

知道自己要什么。

听起来像废话，可大多数人在这一步就卡住了。”帮我写个方案”——什么方案？给谁看的？解决什么问题？要不要数据支撑？有没有参考格式？这些问题你自己都没答案，AI 怎么可能给你满意的结果？

PE 训练的第一课，不是怎么写提示词，而是怎么想清楚自己的需求。

知道怎么把需求转化成指令。

想清楚之后，你需要把脑子里那些模糊的感觉变成具体的文字。”我想要一个专业一点的语气”——什么叫专业？是学术论文那种冷静客观，还是咨询报告那种数据驱动？你用一个形容词，AI 有一百种理解方式。你用一个具体的参照物，AI 就没歧义了。

知道怎么给反馈和迭代。

没有人能一条提示词就拿到完美结果。PE 高手和新手的区别不在第一条提示词写得多好，而在于看到输出之后，能不能快速定位问题、精准地给出修改指令。”这段太啰嗦了，砍掉背景描述只保留结论”比”改好一点”有效一百倍。

学 PE 最快的路径，不是啃教材，是看别人的真实案例。好的提示词案例你看十个，就能总结出三四个通用规律。这些规律比任何理论讲解都来得直接。

在各种社交平台上，有一批人在持续分享 PE 相关的实战经验，有些人的内容质量相当高，拆解得也很透。对于想入门的人来说，找到几个持续输出高质量内容的创作者，跟着看他们的分析和案例复盘，是性价比最高的学习方式。

还有一个很管用的方法叫”逆向拆解”——当你得到一个特别好的 AI 输出时，回过头去看自己的提示词，分析到底是哪句话起了关键作用。把那句话删掉再试一次，看看输出会怎么变。这个过程能帮你建立起一种对提示词的直觉，知道什么样的表述会触发什么样的输出模式。

PE 这个领域迭代很快，半年前的最优实践放到今天不一定还管用。保持好奇心和实验精神，比掌握某一套固定框架更有长期价值。

说到底，PE 不是一门”学完就毕业”的课程，更像是一种持续进化的工作习惯。你在每天的实际使用中不断积累经验，踩坑、复盘、调整，慢慢就会形成自己的一套方法论。这套方法论是活的，会跟着你的工作场景和 AI 模型的迭代一起成长。

不用追求一步到位，先用起来，在用的过程中学，是最快的路径。

PE 工程师的高效 Prompt 框架

道理讲完，来点能直接上手的东西。

一个高效的 Prompt，不需要多花哨，把几个关键信息交代清楚就够了。我把它归纳成几个核心模块，不是什么缩写公式——那种东西名字好记，用起来反而多一层翻译成本。

你就把它当成”跟一个聪明的新同事交代工作时，你需要说清楚的那几件事”。

角色设定

告诉 AI 它应该以什么身份来回答你的问题。这一步很多人觉得多余——”不就是问个问题吗，还要设定角色？”

还真得设定。”你是一个有十年经验的产品经理”和”你是一个大学教授”，面对同一个问题的回答方式完全不同。角色决定了 AI 的语气、用词深度和思考角度。

更进一步，你可以把角色设定得非常具体——”你是一个在 B 端 SaaS 领域做了五年增长的运营负责人，擅长用低成本渠道获客”。越具体，AI 的输出就越有针对性。

任务描述

这是提示词的核心部分——你到底要 AI 做什么。

这里有个简单的原则可以参照——同时说”做什么”和”不做什么”。正面要求给方向，负面要求排除干扰。

“写一篇关于内容营销的文章，面向中小企业主，重点讲社交媒体运营，不要讲传统广告投放，不要用太多专业术语。”

这条指令里，”写什么””给谁看””重点是什么””不写什么””语言风格”全都交代了。AI 拿到这些信息，基本不会跑偏。

格式要求

你想要一段文字、一个表格、一份大纲、还是一段代码？说清楚。

同一份内容，做成邮件和做成汇报 PPT 的文字稿，结构差异很大。你不指定格式，AI 就给你一个”什么都像、什么都不是”的默认形态，你还得花时间重新组织。

不如一开始就说——”以大纲的形式输出，每个要点下面带一句话的说明”，或者”以邮件格式输出，包含主题行和正文”。

约束条件

约束条件是很多人会忽略、可它直接影响输出质量上限的东西。

“篇幅不超过 800 字””不要使用比喻和修辞””每个段落不超过三句话””不要列举超过五个例子”——这些限制看起来在”限制”AI，实际上是在帮它聚焦。

没有约束的自由是混乱。给 AI 一个明确的框，它在框里反而能发挥得更好。

参考样本

如果你手上有一份”差不多就是这个感觉”的参考材料，丢给 AI 看一眼。AI 对模式的识别和模仿能力非常强，一个好的样本抵得上十句描述。

“参考这段文字的语气和结构，帮我写一份类似的”——这种指令的效果往往出奇地好。

这几个模块不需要每次都用全。一个简单任务，”任务+格式”可能就够了；一个复杂项目，才需要把角色、背景、约束、样本全部拉满。

关键在于你心里清楚这些维度的存在，需要的时候能调用。就像调味料不是每道菜都放全套，可你得知道厨房里有什么。

最能”偷时间”的 PE 应用场景

PE 好不好用，最终还是要看它能帮你在哪些地方省下真金白银的时间。

下面这些场景，覆盖了大部分职场人的日常工作。不管你是做产品、运营、市场还是行政，总有几个能直接用上。

文档和方案撰写

这可能是 AI 被用得最多的场景了，也是省时效果最明显的。

一份产品方案、一个项目 Brief、一篇行业分析——从零开始写，少则半天，多则两三天。用 PE 的方式来做，流程完全不同。

你先自己理清楚核心思路，列出关键要点和判断——这一步必须是你自己做的，因为方向和判断力是 AI 替代不了的。拿到要点之后，用一条结构清晰的提示词让 AI 扩展成完整文档。你的思考是骨架，AI 负责填充血肉。

一份原本要两天的方案，用这个方式大半天就能出一版质量不错的初稿。剩下的时间拿来打磨细节和做判断，而不是纠结措辞和格式。

数据整理和用户反馈分析

做产品和运营的人对这个场景应该不陌生——几百条用户反馈，吐槽、建议、bug 报告混在一起，需要分类、打标签、总结趋势。

手动做，一整天不一定干完。用 PE 的方式，你只需要定义好分类标准和标签体系，把数据喂给 AI，让它按照你的规则来整理。十分钟的活儿，换来的是一份结构清晰的分类报告和高频问题总结。

这里面有个关键——分类标准必须是你定义的，不能让 AI 自己发挥。你最了解你的用户和业务，AI 只是在你的框架下干执行的活儿。

周报、月报和汇报材料

大概没有人喜欢写周报。可大多数公司都要求写。

PE 能帮你把这件事从”痛苦地回忆+艰难地组织语言”变成”整理关键词+生成初稿”。平时随手记几个关键词——做了什么、结果如何、遇到了什么卡点——到了要写周报的时候，把关键词连同格式要求一起丢给 AI。

五分钟出初稿，再花五分钟过一遍改改措辞，十分钟搞定一件原本要花一小时的事。

汇报材料也是同样的逻辑。你提供核心论点和数据，AI 帮你组织成逻辑通顺、表达得体的文字。你的时间应该花在”想清楚要汇报什么”上，不是花在”怎么把这句话写得好听”上。

邮件和沟通话术

跟客户、跟合作方、跟跨部门的同事沟通，措辞是个很消耗心力的事。特别是那种需要委婉拒绝、巧妙表达不满、或者既要坚持立场又不能得罪人的场景。

这类沟通任务交给 AI 特别合适。你把情况描述清楚，告诉它你想达到的沟通效果，让它帮你起草。它在”分寸感”上的把控往往比你苦思冥想半小时的结果还好。

改两三个词让它更贴合你个人的说话方式，就能直接用了。

竞品分析和行业调研

竞品分析最耗时间的环节不是”分析”，而是信息的收集和结构化整理。

PE 在这个场景里的用法是——你先收集好核心信息（这一步目前还是需要人工来做），收集完之后交给 AI 做结构化整理和对比分析。”把这些信息按照功能维度、定价策略、目标用户三个维度整理成对比表格”——一条指令省掉你两个小时的排版时间。

省下来的精力拿去做真正有价值的判断——竞品在哪个方向上发力了？哪些功能是差异化的？这些洞察才是分析的意义所在。

头脑风暴和方案探索

一个人想方案想到脑子打结的时候，跟 AI 聊几轮特别有用。不是说它的点子有多天才，而是它能从不同角度给你抛出你没想到的方向。

更高级的玩法是”挑战式对话”——先抛出自己的方案，让 AI 扮演挑剔的评审来找问题。它挑出来的漏洞，有些确实是你的盲点。这个过程比你自己闷头想半天来得高效，也不用担心同事会觉得你的方案不成熟。

AI 不会 judge 你。这一点在头脑风暴阶段特别有价值。

你在真实的会议室里抛出一个不成熟的想法，可能会被质疑、被挑战、甚至被无视。可跟 AI 聊的时候，你可以放心大胆地说任何不成熟的念头，它不会嘲笑你，也不会因为你的想法太幼稚而给你白眼。

这种”零压力”的对话环境，反而能激发出更多有意思的想法。很多好点子就是在这种没有心理负担的状态下冒出来的。

进阶玩法：多轮对话的上下文接力

如果说会写提示词是 PE 的入门水平，那多轮对话的运用就是进阶能力。

大多数人用 AI 的方式是”一问一答”——问一个问题，拿到回答，结束。这种用法就像你买了一台高性能电脑，只拿来看网页。能用，可浪费了太多性能。

AI 对话的真正威力在于上下文的连续性。每一轮对话都在给 AI 补充信息、修正方向、提升精度，就像一场接力赛，一棒一棒地把结果推向你想要的终点。

这个技巧在处理复杂任务的时候效果尤其明显。

比如你要写一份完整的项目方案。如果一条提示词搞定所有事，AI 大概率给你一个”面面俱到、都不深入”的结果。用多轮对话的方式来做就不一样了。

第一轮——交代背景。项目是什么、目标是什么、面向谁、有什么约束条件。这一轮不让 AI 动手写，只让它确认理解是否正确。这一步看似多余，却能在源头上避免方向跑偏。

第二轮——拆解结构。让 AI 基于背景，给出方案应该包含哪些模块。你来挑选、调整、补充。这一步相当于共同确定目录。

第三轮——逐块填充。确认完结构后，让 AI 逐个模块去写内容。因为前面的上下文已经足够丰富，这一轮的输出质量会比”从零开始写”高很多。

第四轮——微调打磨。哪里太啰嗦了砍一刀，哪里观点不够到位再深入一点。精细活儿在这一轮完成。

四轮下来，你得到的是一份经过层层打磨的文档，而不是一份”AI 一次性吐出来”的半成品。

多轮对话有一个核心心法——每一轮都要比上一轮更具体。不是在原地打转反复要求”写好一点”，而是像剥洋葱一样一层一层地接近核心。

这里面还有一个很实用的小技巧——在中间插一轮”自检”。

就是在 AI 给出一版输出之后，不急着让它改，先问它”你觉得这版有什么问题？哪里可以做得更好？”

AI 自我审视的能力比很多人以为的要强。它经常能指出自己输出中的不足。拿到它的自我评估之后再让它改进，效果远比你直接说”改好一点”或者”更专业一点”来得好。

另一个建议——对话进行到一半的时候，让 AI “总结一下目前的共识”。这一步相当于设一个检查站，确保你们还在同一个频道上。如果 AI 的总结跟你脑子里想的有偏差，说明前面有信息没传到位，这时候修正成本很低。等到最后才发现跑偏了，那推翻重来的代价就大了。

多轮对话还有一个经常被忽视的副产品——它帮你理清了自己的思路。

很多人觉得某个需求”说不清楚”，不是表达能力的问题，是自己还没想透。跟 AI 对话几轮之后，你在不断补充、修正、取舍的过程中，自己的想法也会变得越来越清晰。

AI 不只是在帮你干活，它还在帮你思考。这是多轮对话最被低估的价值。

再说一个容易被忽略的细节——多轮对话中，语气和态度也很重要。

你可能觉得跟 AI 说话还需要注意态度？没那么玄乎，可语气确实会影响输出。当你用”你觉得还有没有其他可能的方向？”去提问，和用”还有别的吗”去提问，AI 给出的回答丰富程度是不同的。开放式的提问方式会触发 AI 展开更多思路，封闭式的提问往往只拿到简短的补充。

还有一个场景特别适合多轮对话——当你需要 AI 扮演不同角色来审视同一个问题的时候。

比如你有一个产品方案，你可以在第一轮让 AI 站在用户的角度评价，第二轮站在技术团队的角度评价，第三轮站在老板的角度评价。每轮换一个视角，你能收到三份完全不同的反馈，这比你自己一个人在脑子里”假装站在别人角度思考”有效得多。

这个方法特别适合在方案定稿之前做一轮”压力测试”。自己一个人很难发现自己的盲区，多几个视角总是好的。

AI 协作中最容易犯的错

PE 能帮你省很多时间，可如果踩了坑，省下来的时间可能还不够你返工的。

这几个错误覆盖面很广，不管你是 PE 新手还是用了一段时间的人，都值得对照检查一下。

拿来就用，不做检查

这是最普遍的问题。AI 输出了一段看起来流畅又专业的文字，你一看”不错”，复制粘贴就交差了。

这样做风险很大。

AI 的文字功底确实不错，逻辑也基本通顺，可它对你的具体业务、你的用户画像、你的行业潜规则一无所知。它给出的内容可能在大方向上没毛病，在细节上却经不起推敲。

更麻烦的是 AI 的”幻觉”问题——它有时候会一本正经地编造事实。数据、案例、引用来源，看起来像模像样，查一下发现根本不存在。

任何涉及具体事实和数据的内容，必须人工核实。这条原则没有例外。AI 负责框架和表达，事实层面的把关是人的活儿。

一条提示词想搞定一切

有些人走上另一个极端——把提示词写得无比详细，恨不得每种情况都覆盖到，一条消息写了五百字甚至更长。

问题是，提示词太复杂，AI 反而”走神”了。它分不清哪个指令是重点、哪些是次要的，结果就是什么都顾到了一点、什么都没做好。

一条好的提示词应该是精炼的。如果你发现自己需要在一条消息里塞太多要求，说明这个任务应该拆成多轮来完成，而不是一次性灌给 AI。

三个核心要求以内，是一条提示词比较舒适的信息密度。超过这个量，考虑拆轮次。

把不同任务挤在同一个对话里

上面聊多轮对话的时候说的是同一个任务的多轮推进。可有些人反过来了——把完全不相关的任务塞在同一个对话窗口里。

上午在这个窗口写方案，下午在这个窗口分析数据，晚上在这个窗口起草邮件。AI 的上下文被搅成了一锅粥，写邮件的时候突然蹦出来方案的措辞风格，分析数据的时候混进来邮件的委婉语气。

不同任务开不同的对话。每个窗口专注一件事。保持上下文的干净，AI 的输出质量和稳定性都会上一个台阶。

不给反馈，期待一步到位

很多人对 AI 有一种不切实际的期待——我说一句，你就给我完美结果。做不到？说明 AI 不行。

这跟你跟任何人协作是一样的道理。新同事刚来公司，你布置一个任务，他交出来的初版不可能百分百符合你预期。你给反馈，他改进，几轮之后越来越默契。

AI 也是这个逻辑。看到初版输出不满意，别急着否定，给它具体的反馈——”这段太空洞了，加一个实际场景””这个建议不适用于我们的情况，因为 XX，换一个方向”——你反馈越具体，它迭代越快。

“改好一点”不是反馈，是偷懒。

让 AI 替你做判断

这个坑不在技术层面，在心态层面。

用 AI 久了，容易产生一种依赖——觉得 AI 给出的分析都挺有道理的，慢慢地放松了自己的独立思考。

可 AI 的判断是基于统计模式的，它不了解你面对的具体情境。你的用户、你的资源、你的竞争环境、你的组织文化——这些只有你自己知道。

AI 是执行搭档，不是决策者。它可以帮你整理信息、生成方案、提供不同角度的思路，可最终拍板的那个人必须是你。

这个分界线画清楚了，AI 才能真正帮到你。画不清楚，你可能会在某一天发现，自己做了一个”看起来逻辑完美、实际上完全不适合当下情况”的决策——因为那个逻辑是 AI 的，不是你的。

忽视隐私和信息安全

这一条不是技巧问题，是底线问题。

很多人用 AI 的时候不假思索地把公司内部文件、客户数据、商业敏感信息直接贴进对话框。这样做存在信息泄露的风险。

在使用 AI 工具的时候，养成一个习惯——敏感信息做脱敏处理再喂给 AI。客户名字用代号替代，具体金额用范围替代，商业策略的核心细节用模糊描述替代。在大多数场景下，脱敏后的信息不影响 AI 的输出质量，可它保护了你和你公司的信息安全。

这不是小题大做，是职业素养。

尤其是在团队环境里使用 AI 的时候，值得跟同事们同步一下信息安全的意识。不是每个人都会自觉做脱敏处理，有些新手用户在不知不觉中就把敏感数据贴进去了。如果团队里要大规模推广 AI 协作，配一份简单的信息安全使用指引，比出了事再补救强太多。

写在最后的几句话

PE 工程师这个角色，说到底在做一件事——搭建人和 AI 之间的沟通桥梁。

这个桥梁的质量，决定了你能从 AI 那里拿到多大的价值。桥修得好，同样的时间你能做更多的事；桥修得差，你花了时间跟 AI 对话，结果还不如自己动手来得快。

好消息是，这个技能的学习门槛没有很多人想象的那么高。你不需要会写代码，不需要懂机器学习，不需要有技术背景。你只需要练习一件事——把脑子里模糊的想法，变成清晰的、结构化的文字表达。

这个能力不光在跟 AI 协作的时候有用。你会发现它在你跟人沟通、写文档、做 Brief、定需求的时候同样有效。PE 的训练让你变成了一个”更会说话”的人——不是口才变好了，是思路变清晰了。

至于”摸鱼”这件事。

我想说的是——如果你因为掌握了更高效的工作方式而比别人早完成了任务，不要有心理负担。你不欠任何人一个”看起来很忙”的样子。

省下来的时间是你的。

去学点新东西，想想更长远的事情，或者什么都不干，就坐着发会儿呆也行。

比在工位上磨时间强。

回头看这整篇文章，核心就一句话——学会跟 AI 说话，是当下性价比最高的职场技能投资。

不需要很久。认真练上两三周，你就能明显感觉到工作节奏的变化。那些以前让你头疼的重复性任务，会变成几分钟就能搞定的小事。省下来的时间和精力，留给那些真正需要你动脑子的工作。

或者留给你自己。

摸鱼愉快。