学习读本

很多人第一次学习 AI，最大的问题不是没有资料，而是资料太多。今天有人推荐一个模型，明天有人推荐一个插件，后天又出现一个“十分钟学会 Agent”的视频。学习者跟着热点跑，会形成一种错觉：好像自己看过很多教程，也注册过很多工具，但真正遇到工作任务时，仍然不知道从哪里开始。这种状态不是学习不努力，而是学习对象选错了。AI 工具会不断变化，能力结构相对稳定。你不需要记住每个按钮在哪里，但必须知道自己在解决哪类问题、需要什么上下文、怎样验收结果、哪些风险不能交给模型。

学习 AI 的第一步，是把“我想学 AI”改写成“我想用 AI 改善哪些具体任务”。如果你的目标是“了解 AI 很厉害”，学习会很散；如果你的目标是“每天少花三十分钟整理会议纪要”，学习路径会立刻清楚起来。你需要学会输入材料、设定输出格式、要求模型标注待确认信息、检查负责人和截止时间是否缺失。这个任务看起来很小，却包含了高质量提问、结构化输出、事实校验和工作流复用。真正可迁移的能力，往往来自这些小任务的反复练习，而不是来自一次性看完宏大课程。

本手册把 AI 能力分成七层。第一层是认知边界，知道 AI 适合做什么、不适合直接做什么。第二层是提问能力，能把模糊需求说清楚。第三层是追问和校验能力，能把泛泛回答压成可执行动作。第四层是知识库能力，能把资料沉淀成未来可调用的资产。第五层是表达能力，能把想法变成文章、图片、视频、报告、幻灯片等交付物。第六层是产品能力，能借助 AI 编程把需求变成可运行工具。第七层是执行能力，能把重复流程封装成 Agent 或自动化工作流。这七层不是线性考试，而是一个循环：每做一个项目，都会重新经历判断、提问、校验、沉淀、表达、产品化和自动化。

对普通学习者来说，最重要的不是马上学习模型原理，而是建立任务视角。你可以把一天中的工作拆成三类：第一类是 AI 可以直接帮你起草的低风险任务，比如邮件初稿、会议摘要、文案草稿、资料分类、清单整理；第二类是 AI 可以辅助但必须由你决策的任务，比如方案比较、竞品分析、合同条款梳理、招聘评估、财务预算草案；第三类是不适合直接交给 AI 的任务，比如法律结论、医疗诊断、投资确定性判断、隐私数据处理、未经授权的外部操作。这个分类会让你少走很多弯路，因为你不会再问“AI 能不能做一切”，而是会问“这个任务的风险在哪里，我应该让 AI 参与哪一段”。

学习时要避免三种常见误区。第一种是模板崇拜，以为收藏一百条 Prompt 就等于会用 AI。模板可以降低第一次尝试的门槛，但如果你不知道模板背后的字段和约束，换一个场景就会失效。第二种是模型崇拜，以为换成更强模型就能解决所有问题。强模型确实更稳，但如果输入材料混乱、目标不清、验收标准缺失，它仍然可能输出看似漂亮但无法使用的内容。第三种是自动化崇拜，以为 Agent 越复杂越先进。对新手来说，能稳定完成一个小流程，比搭一个经常跑偏的大流程更有价值。

本章练习是做一张“AI 任务边界卡”。请从你最近一周的工作或生活中列出二十个任务，每个任务写明：任务名称、是否重复、是否低风险、是否需要外部事实、是否涉及隐私、是否需要专业判断、适合 AI 参与的环节、最终由谁负责。完成后你会发现，AI 学习不再是抽象问题，而是一张具体的行动地图。你会知道自己应该先练会议纪要、写作改稿、资料整理，还是知识库搭建。不要急着追最新工具，先把自己的任务边界看清楚。

本章验收标准有四条。第一，你能用自己的话解释为什么“AI 是能力杠杆，不是责任转移器”。第二，你能把任意任务分成独立完成、辅助完成、不适合直接完成三类。第三，你能为每个高风险任务写出人工校验动作。第四，你能找到未来两周最值得练习的三个 AI 任务。如果这四条做不到，不要进入复杂工具学习，因为后续学习会变成盲目堆功能。

学习 AI 不需要一开始就推导数学公式，但必须掌握几个基本概念，否则你会在各种术语之间迷路。人工智能是一个大范围概念，指让机器表现出某些类似智能的能力。机器学习是其中一类方法，让系统从数据中学习规律，而不是完全靠人工写规则。深度学习是机器学习中的一类方法，使用多层神经网络处理图像、语音、文本等复杂数据。大语言模型是深度学习在文本和多模态领域的重要成果，它通过大量数据学习语言模式，能够根据上下文预测和生成后续内容。生成式 AI 则更宽泛，包含生成文本、图片、音频、视频、代码和结构化数据的系统。

理解大语言模型时，最有用的直觉是“它不是记忆库，而是基于上下文生成最可能有用的输出”。模型看到你的输入，会结合训练中形成的模式，生成符合上下文的回答。它可以写得很流畅，也可以把复杂问题拆得很有条理，但它并不天然知道某个事实现在是否仍然正确，也不天然知道你的真实业务背景。你给它的上下文越清楚，它越容易生成可用结果；你要求它标注不确定性，它越容易暴露需要核验的部分；你要求它直接给结论，它可能会用自信语气掩盖不确定。

Token 是理解模型成本和上下文限制的重要概念。模型处理文本时不是按人类眼中的字或词完整理解，而是把文本切成 token。输入越长、输出越长，消耗越多，延迟和成本通常也越高。上下文窗口指模型一次能处理的输入和历史信息范围。窗口变大后，模型可以看更多材料，但这不等于你可以把所有资料无脑塞进去。好的上下文工程不是越多越好，而是让相关信息更容易被模型看到，让无关信息尽量不干扰任务。

Embedding 可以理解为把文本、图片或其他内容转成一组数字向量，用来表示语义相似度。知识库问答和 RAG 常常依赖 embedding：先把资料切片，转成向量，用户提问时检索最相关的片段，再把片段放进模型上下文，让模型基于资料回答。这个机制解决了两个问题：一是模型训练数据不一定包含你的私有资料，二是模型记忆不等于可靠引用。RAG 不是魔法，如果资料切分混乱、标签缺失、检索结果不相关，回答仍然会偏。学习知识库时，不要只关心用了哪个向量数据库，更要关心资料质量、切片策略、引用格式和更新机制。

Agent 是另一个容易被误解的概念。对普通人来说，可以先把 Agent 理解成“能按目标调用工具、分步骤完成任务的 AI 工作流”。它和普通聊天的差别在于，普通聊天通常是一问一答，Agent 则需要读取输入、规划步骤、调用工具、保存状态、处理失败、输出结果。一个真正可用的 Agent 必须有边界：它可以访问哪些文件，可以调用哪些接口，失败时怎么停下来，什么时候需要人确认，结果保存在哪里。没有这些边界，Agent 只是一个更容易造成混乱的长 Prompt。

学习概念时不要追求一次性完美理解。建议采用“概念、例子、错误理解、可用判断”四步法。比如学习 hallucination，你不只要知道它叫“幻觉”，还要知道它表现为编造来源、混淆时间、把推断当事实、把不存在的功能说得很确定。你要知道错误理解是“模型足够强就不会幻觉”，正确判断是“事实型任务必须要求来源和核验”。每个概念都这样学，才会变成行动能力。

本章练习是制作一张“AI 术语行动表”。表格包含术语、普通人解释、错误理解、工作中的例子、使用时的检查动作。至少写十五个术语：AI、机器学习、深度学习、大语言模型、生成式 AI、Token、上下文窗口、Prompt、上下文工程、Embedding、RAG、微调、工具调用、Agent、评估、幻觉、安全边界。写完后不要背定义，而是用它检查自己的工作流。例如，当你做知识库问答时，至少会想到资料来源、切片、检索、引用、回答和核验；当你做 Agent 时，至少会想到输入、工具、步骤、状态、失败和人工确认。

本章验收标准有三条。第一，你能向没有技术背景的人解释大语言模型为什么需要上下文。第二，你能说明 RAG 解决什么问题，也能说明它不能保证什么。第三，你能说清 Agent 和普通聊天的差别。如果你能做到这三点，就可以开始学习高质量提问；如果做不到，后面很容易把所有问题都误以为是“Prompt 没写好”。

提问能力是普通人使用 AI 的核心能力。很多人以为提问就是写一句指令，其实高质量提问更像写一份小型任务说明。你不是在对模型说“帮我写点东西”，而是在定义一次工作：为什么要做、给谁看、输入是什么、输出长什么样、有哪些限制、怎样才算合格。只要这个思路建立起来，你会发现所谓 Prompt 模板并不神秘，它只是把任务说明里的字段写得更完整。

最常见的坏 Prompt 是“帮我写一篇关于 AI 的文章”。它的问题不是短，而是缺少关键决策。文章写给谁？目的是科普、转化、复盘还是引流？语气是专业、故事化、还是社交平台风格？长度是多少？需要引用事实吗？不能出现什么？读者看完要采取什么行动？如果这些都没有，模型只能按照训练中常见的泛化模式生成一篇看起来正确的文章，结果通常是空泛、口号化、没有个人判断。你对结果不满意，再要求“写得更好一点”，模型也很难知道什么叫更好。

高质量提问可以用七个字段搭建。第一是背景，说明你现在在做什么。第二是目标，说明这次输出要解决什么问题。第三是受众，说明结果给谁看。第四是输入，提供事实、材料、约束和参考。第五是输出结构，规定字段、格式、层级、长度。第六是禁区，说明不要编造、不要夸大、不要泄露、不要使用某类风格。第七是验收标准，告诉模型什么样的结果才可用。对新手来说，只要能稳定写出这七项，输出质量会明显提升。

提问时还要区分“结果型任务”和“过程型任务”。结果型任务要求模型直接给一个交付物，比如一封邮件、一份摘要、一组标题。过程型任务要求模型先帮你思考，比如拆解问题、提出问题、比较方案、设计步骤。很多复杂任务应该先用过程型提问，再进入结果型提问。例如你要做一个课程页面，不应该一上来就说“帮我写页面文案”，而应该先让 AI 追问目标用户、课程阶段、转化目标、差异化、价格、交付物和常见疑虑。等这些问题回答完，再让它生成页面结构和文案，质量会更稳。

示例是提高输出稳定性的关键。如果你希望模型按某种风格输出，只说“专业一点”通常不够。你可以提供一段你认可的样例，让模型分析样例的结构、节奏、词汇和边界，再要求它照着这种结构处理新任务。示例不一定要长，关键是要典型。比如你要做会议纪要，可以给一个好纪要样例，包含摘要、决策、待办、风险、待确认。之后每次处理会议记录，都要求模型按同样格式输出。这样得到的是可复用工作流，而不是一次性回答。

另一个重要技巧是让模型先复述任务。对于复杂任务，你可以要求模型先输出“我理解的任务、缺失信息、潜在风险、建议的输出结构”，等你确认后再生成最终结果。这一步能显著减少跑偏。它的价值不在于让模型更聪明，而在于把隐含假设显性化。你会看到模型是否误解了受众、是否遗漏了限制、是否准备编造缺失事实。很多错误在生成前就能被拦住。

本章练习一：Prompt 改写。把下面五条坏 Prompt 改成高质量版本：“帮我写周报”“帮我做竞品分析”“帮我写小红书文案”“帮我总结这篇文章”“帮我做一个个人主页”。每条都必须包含背景、目标、受众或使用者、输入材料、输出结构、限制和验收标准。改写后，把它们保存到知识库，标注适用场景和下次复用条件。

本章练习二：反向诊断。找三条你过去用过但效果不好的 Prompt，逐条分析它缺少哪些字段。不要只写“太短了”，要写清楚缺少目标、缺少输入、缺少结构、缺少限制、缺少验收中的哪几项。然后重新提交给模型，对比两次输出差异。你会发现，Prompt 的进步不是语气变复杂，而是任务定义更完整。

本章练习三：让 AI 追问你。输入一个模糊想法，例如“我想做一个 AI 学习网站”或“我想用 AI 做自媒体”，要求 AI 先不要给方案，而是连续问你十个关键问题，问题必须覆盖目标用户、痛点、现有资源、交付形式、成功指标、风险、最小版本和不做什么。回答完后，再要求 AI 收束成一页任务说明。这个练习能训练你从“让 AI 给答案”转向“让 AI 帮我把问题问清楚”。

本章验收标准：你写出的 Prompt 应该能让另一个人不用再问你太多背景，就知道要做什么；模型输出应该能直接进入下一步工作，而不是只能阅读；你的 Prompt 应该包含禁区和验收标准；你应该能解释为什么某个字段能提高质量。如果只是收集了一堆模板但说不出背后逻辑，本章还没有过关。

AI 的第一次回答往往像一个热情但不了解现场的助手：它会给出方向，语言也很完整，但缺少足够的事实、例子、约束和执行顺序。新手看到一段流畅回答，很容易误以为任务已经完成。实际上，很多 AI 输出只达到“可读”，还没有达到“可用”。追问能力就是把可读内容压成可执行内容；校验能力就是把看似确定的内容拆成事实、推断和待确认；评估能力就是判断输出是否达到了任务目标。

追问不是简单说“更具体一点”。这句话太模糊，模型可能只是增加形容词或列更多项目。好的追问要针对缺口。缺依据时问依据，缺动作时问步骤，缺优先级时问排序，缺指标时问验证，缺风险时问失败信号，缺例子时问具体样本。你可以把追问分成六类：依据追问、反例追问、动作追问、指标追问、边界追问和迁移追问。每一类都对应一种常见输出缺陷。

依据追问用于防止模型空口判断。例如模型说“你的公众号增长问题在于内容质量不够稳定”，你应该追问：“你根据哪些信号做出这个判断？还有哪些可能原因？如果这个判断错了，会出现什么反例？”这个问题会迫使模型把判断过程摊开。即使模型没有真实数据，它也会提示你需要查看打开率、完读率、关注转化、选题一致性、发布时间等信号。这样你就从一个笼统结论得到了数据检查清单。

动作追问用于把建议变成行动。例如模型说“建议你优化知识库结构”，你可以追问：“如果我今天只有一小时，请按先后顺序给出具体动作，每一步输出什么，完成标准是什么。”这类追问特别适合职场任务，因为职场需要的不只是观点，而是下一步。一个优秀的 AI 输出应当能让你知道现在打开哪个文件、改哪个字段、跑哪个检查、给谁确认。

指标追问用于建立反馈闭环。AI 很容易给出“持续输出”“提升质量”“加强互动”这类正确但空泛的建议。你要追问：“用哪些指标判断这件事有效？短期看什么，长期看什么？失败信号是什么？”例如内容创作可以看点击率、完读率、收藏率、评论质量、关注转化和复访；知识库可以看检索命中率、回答引用准确率、重复问题减少量；Agent 可以看成功运行率、人工修正次数、平均耗时和失败类型分布。

事实校验有一套固定动作。第一，把输出拆成事实、推断、建议、创意四类。第二，事实必须找到来源或要求模型说明需要核验的位置。第三，推断必须写出依据和不确定性。第四，建议必须落到动作、负责人、时间和验收。第五，创意可以保留发散，但不能冒充事实。这个拆分很重要，因为不同类型的信息处理方式不同。事实要核验，推断要看逻辑，建议要看可执行性，创意要看是否符合目标。

评估输出时，不要只问“好不好”。应该使用 Rubric。Rubric 是分项评分标准，能把主观感觉拆成可观察维度。比如评价一条 Prompt，可以看任务清晰度、背景充分度、输出结构、约束条件、可执行性。评价一篇文章，可以看目标读者匹配、结构完整、观点明确、案例具体、事实可靠、行动建议清楚。评价一个 Agent，可以看输入定义、步骤稳定性、工具边界、失败处理、输出质量和人工检查点。Rubric 的价值在于让学习者知道哪里需要改，而不是只看到一个总分。

本章练习一：追问泛回答。给模型输入“你可以通过做好用户调研、优化内容质量、持续输出，提升公众号增长”，要求自己写六条追问，分别对应依据、反例、动作、指标、边界和迁移。然后把这些追问交给模型，看它是否能给出更可执行的回答。最后把最有用的追问保存成模板。

本章练习二：事实拆分。找一段 AI 生成的行业分析，把里面的句子分成事实、推断、建议、创意。凡是事实，都标注需要核验的来源；凡是推断，都写出可能的反例；凡是建议，都补上执行动作；凡是创意，都标注它只是备选方向。这个练习会让你对“AI 写得很像真的”保持警觉。

本章练习三：建立自己的 Rubric。选择一个你经常做的任务，例如写周报、做竞品分析、整理会议纪要、生成小红书文案或做知识库条目。为它设计五个评分维度，每个维度写明满分标准、低分表现和改进建议。之后每次用 AI 完成该任务，都用这套 Rubric 评估。持续两周后，你会得到比模板更有价值的个人质量标准。

本章验收标准：你能把 AI 的任何回答拆成不同信息类型；你能针对回答缺口提出具体追问；你能为一个任务设计 Rubric；你能说清楚为什么“总分”不如“分项反馈”有教学价值。做到这些，AI 才会从一个会说话的工具，变成一个可训练、可复盘的协作对象。

知识库是很多人学习 AI 的分水岭。只会提问的人，每次都从零开始；会搭知识库的人，会把过去的资料、经验、案例和判断持续复用。AI 时代的知识库不再只是存放资料的文件夹，而是一个可以被检索、调用、重组和生成的系统。它的核心问题不是“我能保存多少信息”，而是“未来哪个任务会再次需要这条信息”。

新手做知识库最常见的问题是过度收藏。看到文章就存，看到金句就存，看到工具教程就存，最后资料越来越多，真正用的时候却找不到。判断一条信息是否值得保存，至少看四点：它是否有未来使用场景，是否包含大模型不知道或容易过时的信息，是否带有你的个人经验或业务上下文，是否能服务某个具体输出。如果只是公共常识，大模型本身已经知道；如果只是情绪化短句，没有来源和场景；如果只是临时热点，没有后续任务，通常不值得进入长期知识库。

一个最小知识库可以从三类内容开始。第一类是项目复盘，记录你做过的项目、决策、结果、失败和经验。这类内容最有个人价值，因为外部模型不知道你的真实经历。第二类是素材和案例，服务内容表达、销售、产品、培训和研究。第三类是流程和 SOP，服务重复工作和未来自动化。只要这三类沉淀好，你就能在写文章、做汇报、培训新人、搭 Agent 时反复调用。

知识条目需要结构。没有结构的资料只是文本堆积，有结构的条目才容易被人和 AI 使用。建议每条知识至少包含标题、主题、来源、日期、未来使用场景、关键事实、可复用观点、标签、重要性和更新条件。来源不是形式主义，它决定未来是否能核验；日期决定是否可能过期；使用场景决定是否值得保存；标签决定能否被检索；更新条件决定它什么时候需要重看。很多知识库失效，不是因为工具不好，而是条目从一开始就没有为复用设计。

标签不宜过多。新手常常设计几十个分类，最后自己也记不住。更好的做法是先用少量高层标签，例如内容选题、用户反馈、项目复盘、销售答疑、工具教程、流程 SOP、研究资料、个人观点。每个标签都应该对应未来任务。比如“销售答疑”对应 FAQ、销售话术、产品页面和客服 Agent；“项目复盘”对应案例文章、培训材料和决策检查清单；“流程 SOP”对应自动化和新人培训。标签不是为了分类漂亮，而是为了未来调用。

如果要让 AI 使用知识库，需要考虑资料切片和检索。长文档直接塞给模型并不总是有效，模型可能忽略关键段落。RAG 系统通常会把资料切成片段，再根据问题检索相关片段。切片太短会丢上下文，切片太长会引入噪音。对普通人来说，不必一开始就调复杂参数，但要养成写清标题、摘要、标签和关键事实的习惯。这样无论未来用 Notion、飞书、Obsidian、NotebookLM 还是自建 RAG，资料都更容易被检索到。

知识库问答的质量依赖问题写法。坏问题是“帮我总结一下我的资料”。好问题是“请只基于知识库中项目复盘类资料，找出最近三次增长实验失败的共同原因，输出证据片段、可能解释、下一步改进动作，不要使用知识库外信息”。后者限定了资料范围、任务目标、输出结构和事实边界。知识库不是让你停止提问，而是让你的提问有了更可靠的上下文。

本章练习一：信息筛选。准备十条信息：一篇爆款文章、一段项目复盘、一条临时热点、一段客户常见问题、一条泛金句、一份 SOP、一份会议记录、一段用户差评、一份工具教程、一段个人灵感。逐条判断是否保存、保存到哪个主题、未来怎么用、重要性几分、什么时候更新。不要全部保存，必须说明不保存的理由。

本章练习二：建立最小知识库。选择一个具体主题，例如“AI 学习课程设计”“公众号增长”“客户答疑”“个人复盘”或“AI 编程教程”。建立五个条目，每条都按模板写完整。然后向 AI 提三个问题，要求它只能基于这五条回答，并引用对应条目标题。如果回答不准，不要先换工具，先检查条目是否标题清楚、关键事实是否突出、问题是否限定范围。

本章练习三：把知识库接入工作流。选择一个真实任务，例如写文章、做周报、准备销售 FAQ 或设计课程。要求 AI 先从知识库中找素材，再生成输出，最后标注每个素材来自哪里。这样你会体验到知识库和普通聊天的差别：普通聊天依赖模型通用知识，知识库工作流依赖你的私有上下文。

本章验收标准：你能说清哪些信息不该保存；你能写出结构完整的知识条目；你能让 AI 基于知识库回答并标注来源；你能发现回答不准时应该改资料、改问题还是改检索。达到这些标准后，知识库才真正从收藏夹变成资产。

内容表达是普通人最容易感受到 AI 价值的领域。AI 可以生成标题、提纲、初稿、改写版本、封面 Prompt、视频脚本、摘要和分发文案。但正因为它太容易生成，低质量内容也会大量增加。学习 AI 内容创作，关键不是“让 AI 写得更像人”，而是让人负责方向、判断、经历、事实和取舍，让 AI 负责扩展、组织、改写和提速。

内容创作的第一步不是写，而是判断方向。你需要回答四个问题：写给谁看，解决什么问题，读者为什么现在需要，和已有内容有什么不同。很多 AI 初稿空泛，是因为用户跳过了方向判断。比如“AI 小白如何提升效率”这个选题太大，换成“第一次用 AI 整理会议纪要的职场人，如何在十分钟内得到可转发版本”就具体得多。具体选题会自然带出场景、步骤、误区和交付物。

对标分析是内容质量的加速器。你可以找三到五个同类内容，拆解它们的标题、开头、结构、案例、评论和转化动作。不要让 AI 简单“模仿爆款”，而要让它回答：这些内容满足了读者什么需求，哪些地方可借鉴，哪些地方不适合我的定位，我能补充什么个人经验。这样做可以避免盲目复制，也能让你的内容从一开始就站在真实市场反馈上。

AI 写作应该分阶段进行。第一阶段让 AI 帮你拆读者和选题，第二阶段生成提纲，第三阶段补充你的个人材料，第四阶段生成初稿，第五阶段人工修改观点和事实，第六阶段让 AI 做语言压缩、标题备选、平台适配和摘要。不要把所有要求塞进一次生成里。一次性生成的长文通常结构看似完整，但缺少真实细节；分阶段生成能让你在关键节点做判断。

去除 AI 味，不是把词语改得更口语，而是增加真实判断。AI 味最明显的表现是泛泛而谈、排比过多、没有具体对象、没有取舍、没有风险提醒、每个段落都正确但没有新信息。解决方法是加入具体场景、具体人群、真实案例、反直觉判断、失败经验、边界条件和行动清单。比如“AI 可以提升效率”是空话，“把会议记录变成待办表时，必须标注待确认负责人，否则看似完整但无法执行”就是具体判断。

图片和视频生成也需要任务定义。图片 Prompt 不应只写“生成一张高级感海报”，而要写主体、场景、构图、光线、色彩、风格、比例、用途、文字要求和禁区。视频脚本不应只写“做一个短视频”，而要包含开头钩子、镜头顺序、画面描述、旁白、字幕、节奏、时长和平台适配。多模态工具变化很快，但这些表达字段是稳定的。

内容生产还必须处理事实和版权。事实型文章要标注来源，尤其是行业数据、政策、价格、时间、人物观点和产品功能。AI 生成的图片和文案要考虑平台规则、商标、肖像、版权素材和虚假宣传。不要让 AI 直接生成“官方背书”“真实用户评价”“确定收益”等无法证明的内容。内容越接近商业转化，越要谨慎。

本章练习一：同题多平台表达。选择一个主题，例如“AI 小白如何用 AI 做会议纪要”。分别生成公众号长文提纲、小红书笔记、短视频脚本和社群分享稿。比较四种形式的差异：公众号需要完整逻辑，小红书需要场景和收藏价值，短视频需要开头冲突和镜头节奏，社群分享需要简洁和行动指令。这个练习能帮助你理解表达不是复制，而是根据场景重构。

本章练习二：AI 初稿人工升级。让 AI 生成一篇文章初稿，然后按六项检查修改：是否有具体读者，是否有真实场景，是否有反例，是否有个人判断，是否有可执行步骤，是否有风险提醒。修改后再让 AI 帮你润色，但禁止改变事实和观点。最终对比初稿和终稿，写一段复盘：人的判断到底加在哪里。

本章练习三：封面和视频 Prompt。为同一篇文章写一个封面图 Prompt 和一个三十秒视频脚本。封面 Prompt 要包含主体、视觉层级、颜色、比例、禁止元素；视频脚本要包含镜头、旁白、字幕、节奏和结尾动作。生成结果后，用 Rubric 评价是否服务主题，而不是只看画面是否漂亮。

本章验收标准：你能把一个主题改写成不同平台的内容；你能指出 AI 初稿的问题并人工升级；你能写出可执行的图片和视频 Prompt；你能处理事实、版权和平台边界。达到这些标准，表达能力才不是“让 AI 写稿”，而是“用 AI 扩大自己的判断和影响力”。

办公场景是 AI 最适合入门的地方，因为任务高频、结构明确、反馈直接。会议纪要、周报、邮件、调研摘要、竞品表格、招聘记录、项目复盘、客服 FAQ，这些任务都可以通过 AI 明显提效。但办公任务有一个特点：结果不是写给自己看的，而是要给同事、客户、领导或团队使用。因此，办公 AI 的目标不是“总结一下”，而是“产出可转发、可执行、可追责的交付物”。

会议纪要是最典型的练习。坏 Prompt 是“帮我总结会议”。它通常得到一段摘要，但缺少负责人、截止时间、风险和待确认信息。好 Prompt 会要求模型输出背景摘要、关键决策、待办表、负责人、截止时间、风险点、待确认问题和下一步建议，并明确“不确定的信息不要编造，写待确认”。这样生成的结果能直接进入项目管理，而不是停留在阅读层面。

周报也是很好的工作流练习。很多人的周报只是流水账，AI 可以帮你把记录重组为目标、进展、数据、问题、风险、下周计划和需要支持。你每天只需要记录零散事项，周五让 AI 按固定结构整理，并要求它识别重复问题和阻塞点。长期来看，周报工作流还能沉淀为项目复盘和绩效材料。关键是每天记录要真实，周报结构要固定，输出要保留证据。

邮件写作可以训练语气和边界。不同邮件有不同目标：通知、请求、拒绝、催办、道歉、确认、销售跟进。你需要告诉 AI 收件人关系、沟通目标、上下文、希望对方采取的动作、语气边界和不可提及内容。对于重要邮件，不建议让 AI 一次生成后直接发送，而是先生成三个版本：简洁版、正式版、温和版，再由人选择和修改。

调研和竞品分析要特别注意来源。AI 可以帮你设计调研框架、整理公开信息、生成对比表、提出假设，但不能替你确认最新事实。所有涉及价格、功能、融资、用户数、政策和时间的信息都需要来源。一个好的竞品分析 Prompt 应该要求输出“已确认事实、来源链接、推断、待确认、对我方启示”。如果没有来源，就不能把它当结论。

办公工作流的关键是标准化。你应该为高频任务建立固定模板，每个模板包含输入材料、处理步骤、输出结构、质量标准和人工检查点。不要每次临时问 AI。临时问法会导致结果风格不一致，也难以交给别人使用。标准化后，你可以把模板放进知识库，也可以逐步做成表单、脚本或 Agent。

本章练习一：会议纪要工作流。准备一段混乱会议记录，写一个 Prompt，让 AI 输出摘要、决策、待办、负责人、截止时间、风险和待确认。然后故意在记录中缺少一个负责人，看 AI 是否会编造。如果编造，修改 Prompt，加入“不确定写待确认”的约束。直到结果稳定。

本章练习二：周报工作流。连续五天记录每天三条事项：完成了什么、遇到什么问题、明天做什么。第五天让 AI 生成周报，要求它按目标、进展、成果、风险、下周计划输出，并识别需要管理者支持的事项。然后人工检查是否夸大成果、是否遗漏关键风险。

本章练习三：竞品分析工作流。选择两个公开产品，要求 AI 先生成分析框架，再列需要人工核验的信息清单，再基于你提供的资料生成对比表。不要让 AI 自行搜索后直接给结论，除非你能核验来源。最终输出必须区分事实和推断。

本章验收标准：你的办公 Prompt 能输出可执行字段；结果中缺失信息会被标注待确认；你有固定模板而不是临时聊天；你知道哪些信息需要核验。做到这些，AI 才真正进入工作流，而不是只做文字玩具。

AI 编程让非专业开发者也能更快做出网页、小工具、脚本和自动化原型，但它不会自动解决产品判断。很多失败的 AI 编程项目，不是模型不会写代码，而是需求不清、边界太大、验收缺失。你让 AI “做一个 AI 学习网站”，它可能生成漂亮页面，却不知道你的目标用户是谁、首个任务是什么、数据怎么保存、移动端怎么用、什么功能不做。AI 编程的第一课不是写代码，而是写 Spec。

Spec 可以理解为给 AI 的开发说明书。它至少包含一句话目标、目标用户、核心场景、功能范围、不做什么、页面结构、数据输入输出、技术约束、验收标准和风险。对新手来说，Spec 不需要像企业 PRD 那样复杂，但必须可验证。比如“做一个知识库管理页”太模糊；“做一个本地演示页面，用户能新增、编辑、删除知识条目，每条包含标题、主题、来源、使用场景、标签和重要性，数据可暂存在浏览器本地，移动端不溢出，不接真实登录和云同步”就可开发得多。

AI 编程应该小步推进。第一步让 AI 追问需求，不写代码。第二步让 AI 输出最小方案和文件清单。第三步只实现一个核心流程。第四步运行并截图或手工验收。第五步修 bug。第六步再加下一个功能。不要一次要求模型做登录、支付、后台、知识库、Agent、社区和多语言。功能越多，AI 越容易在你看不到的地方引入复杂度。

很多人卡在“写完 Spec 之后到底在哪敲代码、怎么让它跑起来”。这里给出可落地的选择，原则是工具会变，先挑门槛最低的那一类。第一类是在对话里直接生成可预览的成品：Claude 的 Artifacts、ChatGPT 的 Canvas，能即时看到网页效果，适合个人介绍页、Prompt 评分器这类单页工具。第二类是在线 IDE，免装环境、点一下就能运行，例如 Replit、StackBlitz，以及 Vercel v0、Bolt.new 这类“描述需求就生成可访问网页”的工具。第三类是本地 AI 编程环境，适合稍复杂或要长期维护的项目，例如 Cursor、VS Code 配 GitHub Copilot，或命令行里的 Claude Code。也别忘了最朴素的运行方式：如果 AI 给你的是一个单文件 HTML，直接双击用浏览器打开就能看到效果，不需要任何环境。建议第一个项目就用“对话生成加浏览器打开”或在线 IDE，先把“能打开、能点、能跑通”走通，再考虑本地环境。

验收标准比代码更重要。你不一定能读懂所有代码，但可以检查用户流程是否跑通。页面能否打开？按钮是否可点？输入为空时是否提示？移动端是否溢出？刷新后数据是否按预期保留或清空？错误信息是否暴露敏感内容？API key 是否写进前端？生成内容是否被保存到正确位置？如果没有验收标准，你只能凭感觉说“好像可以”，这对产品能力是不够的。

AI 编程还要学会控制范围。每个项目都要写“不做什么”。例如首版不做真实登录、不做支付、不做多租户、不接真实第三方账号、不上传敏感文件、不做复杂权限、不做自动发布。写不做什么，不是保守，而是保护项目能完成。很多学习者失败，是因为第一版就试图做平台；正确做法是先做一个能跑通的单点工具，再决定是否扩展。

调试时要提供证据。不要只对 AI 说“报错了”，要提供错误信息、复现步骤、期望结果、实际结果、相关文件和最近改动。AI 看到完整证据，才能定位问题。如果你使用截图，也要说明点击了哪里、页面显示什么、和预期差异是什么。调试能力本质上也是上下文能力。

本章练习一：个人介绍页。先写 Spec：目标用户、展示内容、页面结构、视觉风格、联系方式、移动端要求、不做什么。让 AI 先生成页面，再检查是否符合 Spec。不要追求炫酷动画，先确保内容真实、结构清楚、手机可读、链接可点。

本章练习二：Prompt 评分器。做一个简单工具，用户输入 Prompt，系统按任务清晰度、上下文、输出结构、约束、验收标准给分，并给修改建议。首版可以不用真实模型，先用规则判断关键词和结构。这个练习能把你前面学到的 Rubric 产品化。

本章练习三：知识条目管理器。做一个页面，让用户创建知识条目，并按主题和标签筛选。字段使用前面知识库模板。首版只用本地存储，不做云同步。完成后写验收记录：新增是否成功、编辑是否保存、删除是否确认、筛选是否准确、空状态是否清楚。

本章验收标准：你能写出可开发 Spec；你能让 AI 先问需求再写代码；你能把项目切成小步；你能按验收标准检查结果；你能控制范围并说明不做什么。达到这些标准，AI 编程就不再是抽奖，而是可管理的协作流程。

Agent 学习的核心不是搭一个复杂系统，而是把重复任务变成可复用流程。普通聊天解决的是“这一次帮我做什么”，Agent 解决的是“以后遇到同类输入，按同样标准自动处理”。因此，Agent 的价值来自稳定性、边界和复用，而不是来自名字多酷。一个每天可靠整理十条用户反馈的小 Agent，比一个偶尔能跑通的全能助手更有价值。

设计 Agent 前，必须先证明这个任务值得自动化。判断标准有四个：任务是否重复，输入是否相对稳定，输出标准是否明确，失败成本是否可控。如果一个任务本身还没有被你手动跑通三次，不建议直接自动化。因为你还不知道关键步骤、常见异常和验收标准。先手动跑通，再半自动，再自动，是更稳的路径。

Agent 设计可以用六个问题展开。第一，输入从哪里来，是文本、文件、网页、表格、消息还是数据库。第二，处理步骤是什么，是否需要分类、总结、提取、改写、检索、计算或调用工具。第三，输出到哪里，是 Markdown、飞书文档、邮件草稿、数据库、看板还是聊天回复。第四，成功标准是什么。第五，失败时怎么办，是重试、跳过、标注异常还是请求人工确认。第六，哪些动作绝对不能自动执行，例如发送外部消息、删除文件、付款、公开发布、处理敏感数据。

日报 Agent 是新手最好的练习。输入是当天零散记录，处理是提取完成事项、问题、情绪、风险和明日计划，输出是固定 Markdown。它的风险低，反馈快，复用价值高。你可以先在聊天中手动运行，再把 Prompt 固化成模板，再接入保存位置，最后再考虑定时触发。这个过程能让你理解 Skill 和 Agent 的差别：Skill 是会做某件事，Agent 是在合适时间、用合适输入、把结果放到合适位置。

会议纪要 Agent 是办公场景的进阶练习。它需要处理更复杂的输入，识别发言、议题、决策、待办、负责人、时间和风险。它还必须处理缺失信息，不能编造负责人或截止时间。它适合设置人工确认点：AI 生成纪要后，先由人检查，再发送给团队。不要一开始就让 Agent 自动发会议纪要，因为错误信息会影响多人协作。

内容改写 Agent 适合创作者。它可以把收藏的文章、灵感或录音转成选题卡、标题、提纲和初稿。但它的风险在于版权、洗稿和风格漂移。因此设计时要加入边界：不得直接复述原文结构，不得伪造数据，不得使用未授权素材，必须加入原创观点或个人经验，输出需要人工审稿。这个 Agent 的目标不是自动生产垃圾内容，而是帮助你把素材转成可创作的中间件。

Agent 评估必须长期记录。至少记录运行时间、输入数量、成功或失败、失败原因、人工修改量、最终是否采用。没有日志，你无法知道 Agent 是真的提效，还是只是制造了新的检查工作。很多自动化看起来节省时间，实际上需要大量人工返工。只有记录才能判断是否值得继续优化。

本章练习一：手动跑三次。选择一个重复任务，先不要自动化，连续三次手动用 AI 完成。每次记录输入、步骤、输出、问题和修改。三次之后，总结稳定步骤和异常情况。只有当步骤足够稳定时，才进入 Agent 设计。

本章练习二：写 Agent 设计文档。按模板写清要解决的问题、输入、处理、工具、输出、成功标准、失败处理、人工检查点和禁区。特别是禁区必须具体，例如“不自动发送邮件，只生成草稿”“不删除原文件，只输出建议”“遇到客户隐私字段时停止并提示脱敏”。

本章练习三：做最小运行版本。不要追求定时、联网、复杂工具。先让 Agent 接收一段输入，输出固定格式，并保存到一个本地文件或文档。确认三次输出都合格，再考虑触发器和多工具。每加一个工具，都要重新检查权限和失败路径。

当你确认流程稳定、确实要让它自动跑起来时，再选自动化工具，仍按门槛从低到高。无代码平台最适合非开发者：Coze（扣子）、Dify 可以把 Prompt、知识库和触发器拼成一个能运行的 Agent；n8n、Zapier、Make 擅长把“某事发生，自动处理，写到某处”串成流水线，适合日报、资料整理、消息跟进这类任务。需要更强控制或要接自己的代码时，再用 Claude Code、官方 SDK 配合系统定时任务（如 cron）来跑。无论用哪种，前面学到的人工检查点、停止条件和日志都必须保留：自动化只是把你已经验证过的手动流程固化下来，不是另起炉灶。

本章验收标准：你能判断任务是否值得自动化；你能写完整 Agent 设计文档；你能设置人工检查点；你能记录运行日志；你能说清 Agent 不允许做什么。达到这些标准，自动化才是提效，而不是风险放大器。

AI 学习不能只谈效率，也要谈边界。任何能提高生产力的工具，都可能放大错误、泄露隐私、制造侵权、增加成本或带来责任错位。学习者越早建立安全习惯，后续越容易把 AI 用进真实工作。安全不是最后才补的附加项，而是每个 Prompt、知识库、工作流和 Agent 都要内置的设计条件。

隐私是第一条边界。不要把身份证、合同原文、客户名单、健康记录、财务数据、未公开商业计划、内部聊天记录、API key、密码或个人敏感信息直接发给第三方模型。即使你信任某个工具，也要理解数据会离开你的控制范围。最小原则是：能脱敏就脱敏，能摘要就摘要，能本地处理就本地处理，能不上传就不上传。教学场景中应使用模拟数据，不要让学习者上传真实机密资料。

事实风险是第二条边界。AI 会生成流畅文本，但流畅不等于正确。涉及法律、医疗、投资、政策、价格、产品功能、新闻事件、统计数据时，必须核验来源。学习者应该养成一句固定要求：“请区分确定事实、推断和不确定信息；不确定时写不确定，不要编造。”但这句话不能代替人工核查，它只是让风险更容易暴露。

版权风险是第三条边界。AI 可以帮你改写、总结、生成图片和脚本，但不能保证输出没有版权问题。不要让 AI 仿写在世作者的独特风格用于商业发布，不要直接改写他人文章当原创，不要生成带有商标、名人肖像或受保护角色的商业素材，不要伪造用户评价或官方背书。内容创作的安全做法是提炼结构、学习方法、加入原创观点和真实经验，而不是复制表达。

自动化风险是第四条边界。Agent 如果能读取文件、发送消息、调用接口或操作网页，就可能造成外部影响。所有外部副作用都应该有确认点。生成草稿可以自动，发送邮件要确认；整理文件可以建议，删除文件要确认；生成报告可以自动，公开发布要确认；读取公开资料可以自动，处理敏感数据要脱敏。自动化越强，越需要限制权限。

成本风险也不能忽视。长上下文、大模型、多轮调用、图片视频生成和 Agent 循环都会消耗成本。学习者应知道每个工作流大致调用几次模型、输入输出多长、是否可以用小模型或规则处理前置步骤、是否需要缓存结果。并不是所有任务都值得用最贵模型。简单分类、格式转换、关键词检查、模板填充，可以先用规则或低成本模型；复杂判断、长文整合、重要交付物，再用强模型。

本章练习一：数据脱敏。准备一段包含姓名、电话、公司、金额、合同条款的模拟文本，练习把它脱敏成可发给 AI 的版本。要求保留任务所需信息，删除或替换身份识别信息。然后让 AI 基于脱敏文本完成任务，检查是否仍然足够。

本章练习二：风险审计。选择你前面设计的一个 Prompt、知识库或 Agent，逐项检查隐私、事实、版权、自动化、成本五类风险。每类至少写一个风险和一个缓解措施。没有风险也要说明为什么没有，而不是空着。

本章练习三：人工确认点设计。为一个 Agent 写出哪些步骤可以自动，哪些必须人工确认。比如会议纪要 Agent 可以自动生成纪要，但发送前确认；资料整理 Agent 可以自动分类，但删除重复文件前确认；内容 Agent 可以生成标题，但发布前确认。这个练习能让你理解安全和效率不是对立，而是分层。

本章验收标准：你能识别敏感数据；你能设计事实核查流程；你能说清内容版权边界；你能为自动化设置确认点；你能估算一个工作流的成本来源。只有具备这些能力，AI 才能进入真实业务环境。

好的 AI 学习不是把课程看完，而是完成任务、获得反馈、再次修改，并在之后复训。学习科学反复证明，单纯阅读和观看很容易造成“我懂了”的错觉；真正能迁移到工作中的能力，需要生成、测试、反馈和间隔练习。AI 学习尤其如此，因为你面对的不是固定知识点，而是复杂场景中的判断和表达。

“先生成再看答案”很重要。很多课程一上来给模板，学习者复制后能得到不错结果，但换场景就不会写。更好的方式是先让学习者自己写一个 Prompt，再看到差距，再根据 Rubric 修改。这个过程会暴露他的真实理解。只有暴露错误，反馈才有意义。AIStudy 当前的任务提交、评分、改写机制，正好符合这个方向。

反馈必须具体。只告诉学习者“你的 Prompt 70 分”帮助有限。好的反馈要回答三件事：目标是什么，差距在哪里，下一步怎么改。比如“缺少目标读者”比“背景不充分”更具体；“加入输出字段：摘要、待办、负责人、截止时间”比“结构更清楚”更可执行。AI 评分系统也应该尽量输出分项反馈，而不是只给总评。

复训决定长期效果。今天学会写会议纪要 Prompt，不代表一个月后还能在新场景使用。建议每个模块都设置 24 小时后、7 天后、30 天后的变体练习。第一次是照着案例做，第二次换材料，第三次换场景，第四次要求学习者自己设计 Rubric。这样能力才会从记忆模板变成可迁移技能。

任务难度要逐步增加。新手阶段，每课只引入一个新概念、一个新界面动作、一个交付物。比如先做 Prompt 改写，不同时要求知识库、Agent 和代码。进阶阶段，再把多个能力串起来。复杂度不是越早越好；过早复杂会让学习者把失败归因于自己笨或工具难，而不是看到可改进的步骤。

学习记录也很重要。每次练习都应保存原始输入、第一次输出、反馈、修改版、最终交付物和复盘。这样学习者能看到自己的进步，也能把优秀结果沉淀进知识库。没有记录，学习就变成一次性体验；有记录，学习就变成资产积累。

本章练习一：设计一个小课。选择一个主题，例如“写可执行 Prompt”。按场景、概念、反例、范例、第一次提交、反馈、二次提交、导出、复训九步设计一节课。不要写成长篇讲义，要写成任务流程。

本章练习二：设计反馈。为同一个任务写三种反馈：无效反馈、一般反馈、优秀反馈。无效反馈只说“不错但还可以更具体”；一般反馈指出问题；优秀反馈给出修改动作和示例。比较三者差异。

本章练习三：设计复训。把一个任务设计成三个变体：第二天变体、七天变体、三十天变体。每个变体只改变一到两个条件，让学习者练迁移，而不是重新学一遍。

本章验收标准：你能解释为什么看课不等于学会；你能设计任务闭环；你能写具体反馈；你能安排复训。掌握这些，你不仅能自己学 AI，也能设计 AI 教学产品。

学习 AI 的终点不是完成一门课，而是形成自己的 AI 操作系统。这个系统包括任务边界、Prompt 模板、知识库、工作流、Agent、评估标准和复盘习惯。它不是一次搭完的，而是在每次真实任务中逐步沉淀。你可以把它理解为一个不断升级的个人工作台：遇到新问题时，不是从零开始，而是调用已有资产，并把新经验继续存回去。

个人 AI 操作系统的第一部分是任务清单。你应该知道自己最常用 AI 做哪十类任务，每类任务的输入、输出、风险和模板是什么。比如会议纪要、周报、文章提纲、选题分析、知识条目、竞品表、邮件草稿、代码原型、Agent 设计、复盘总结。任务清单越清楚，学习越聚焦。

第二部分是 Prompt 库。Prompt 库不是网上复制的模板集合，而是你在真实场景中验证过的任务说明。每条 Prompt 都应该标注适用场景、输入要求、输出格式、注意事项、示例和最近更新时间。模板用过之后要复盘：哪里有效，哪里跑偏，下次要改什么。这样 Prompt 才会越用越准。

第三部分是知识库。知识库保存你的项目、素材、案例、SOP 和判断。Prompt 库解决“怎么问”，知识库解决“用什么上下文问”。两者结合，才能让 AI 更像你的助理，而不是一个通用聊天工具。每周至少把三个有复用价值的结果存进知识库，每月清理一次过期资料。

第四部分是工作流库。工作流比 Prompt 更进一步，它包含多个步骤。例如内容工作流包括选题、对标、提纲、初稿、改写、标题、发布检查；办公工作流包括输入会议记录、生成纪要、核对待确认、发送草稿、保存复盘；Agent 工作流包括输入、处理、输出、日志和人工确认。工作流库的价值是让复杂任务可重复。

第五部分是评估系统。没有评估，AI 使用会停留在感觉层面。你需要为高频任务建立 Rubric，并定期查看哪些维度经常低分。比如 Prompt 经常缺少验收标准，文章经常缺少案例，会议纪要经常遗漏风险，Agent 经常失败在输入格式。这些问题会指导你下一轮学习。

第六部分是复盘节奏。建议每天记录一次 AI 使用：今天用了哪些任务，节省了什么时间，哪里不满意，产生了什么可复用资产。每周做一次总结：新增了哪些模板、知识条目和工作流，哪些任务值得自动化，哪些风险需要处理。每月做一次升级：淘汰无效模板，优化高频工作流，选择一个新能力突破。

本章最终作业是制作《我的 AI 操作手册》。手册至少包含：我的十大 AI 任务、任务边界卡、五条核心 Prompt、五条知识条目、三个工作流、一个 Agent 设计、一个 Rubric、一个安全清单、一个月度复盘模板。这个作业完成后，你会拥有一套真正属于自己的 AI 学习成果，而不是一堆看过的课程链接。

本章验收标准：你能在不重新搜索教程的情况下，独立完成一个 AI 工作任务；你能把结果保存为可复用资产；你能用 Rubric 判断质量；你能每周升级一次自己的系统。到这里，AI 学习就从“学工具”变成了“建设能力”。