2小时从零看懂 AI：一篇文章建立AI认知体系（8000元企业内训同款）

@long_jingai · 2026-10-17 15:18

你好，我是龙井，曾为3家国内行业top企业进行过AI内训 这篇长文将把这套完整的培训内容分享出来 这套内容我更新了5遍，历经快一年，希望能帮到更多想学AI的朋友，以及需要做企业AI内训的团队 你将获得什么 1）如果你只有两个小时，想从零开始快速入门A 那这篇文章就是为你准备的，读完之后，我保证你会建立完整的AI认知框架，真正理解AI能做什么、不能做什么，以及如何让它为你所用 2）如果你需要企业AI内训的参考内容 这套教程已经过市场验证，曾以8000元/小时的标准交付过企业培训，可以直接用于团队学习或内部培训 会带你从零开始，真正理解AI、入门AI、用好AI并了解企业AI内训要讲什么，包含四大部分：大模型通识、提示词方法、智能体入门、智能体实操 文章很长（2w+字），可以先收藏，建议你找个空闲的下午，我们一步到位把AI讲透 第一部分：大模型通识 在开始使用AI之前，我们需要先理解AI背后的核心：大模型，这部分会用最通俗的语言，帮你建立对大模型的正确认知 但在讲大模型之前，我们先要搞清楚一个问题：为什么AI现阶段火了？ 答案就藏在一个词里：AIGC 1.1 什么是AIGC？ AI并不是新鲜事物，早在1950年代就有了，但为什么现在突然人人都在谈AI？ 因为现在爆火的不是传统人工智能，而是AIGC AIGC是人工智能生成内容（Artificial Intelligence Generated Content）的简称，听起来复杂，其实特别简单： 你告诉AI你想要什么 → AI帮你生成对应的内容 1.2 为什么AIGC突然火了 其实很早AI就已经进入了我们的生活，只是我们没有意识到自己正在使用AI 比如： 手机人脸识别 抖音推荐算法 专门研究下围棋AlphaGo AIGC不一样，它最大的特点是：会说人话，可以直接用日常语言跟它们交流 现在的AIGC工具（比如豆包、Kimi、DeepSeek）： 你可以用日常语言跟它对话 它能听懂你的意思 然后帮你生成你想要的内容 这让AI第一次真正走进了普通人的生活。无论你是学生、上班族还是创业者，都能找到AIGC的用处 1.3 AIGC能生成什么内容 这个世界所有的内容，基本都由三种形式组成：文字、图片、视频（包括声音），所以AI工具也就是帮你生成这三类内容： 文生文：你用文字描述，AI生成文字（比如"帮我写一篇春游的作文"） 文生图：你用文字描述，AI生成图片（比如"画一只可爱的猫咪"） 文生视频：你用文字描述，AI生成视频（比如"制作一段下雨的动画"） 图生图：你给一张图片，AI生成新的图片（比如帮你P图或换背景） 图生视频：你给一张图片，AI生成视频（比如让照片里的人动起来） 对于新手，我建议先从最简单的文生文开始，因为： 门槛最低，会打字就行 应用场景最多，写文章、写代码都能用 免费工具最多，上手成本低 1.4 什么是大模型 当我们使用豆包或DeepSeek这些AI产品时，背后支撑它们能力的，就是大模型 我们来看豆包的产品页面：https://www.doubao.com 我们可以用他生成文字、图片、视频、音乐等，这些能力从哪里来？都是背后一个个具有特定能力的大模型提供的 以豆包为例，它的模型家族：https://www.volcengine.com/product/doubao 正是各种各样的大模型，提供了豆包的各种能力 所以什么是大模型？大模型的全称是大语言模型（Large Language Model，简称LLM） 当我们在使用AI，并且与各种AI工具对话的时候，我们其实就是跟其背后的大语言模型进行对话 那大模型是怎么来的呢？一句话概括： 大模型是被人类用海量数据训练出来的，数据一般来自整个互联网的公开数据 要理解大语言模型，需要理解两个概念： 它是一种专门处理语言的AI模型 它的规模很大 🔴如何理解"大" 理解大语言模型的"大"可以从三个维度展开，我们用培养一个孩子从幼儿园到博士来类比： 数据量"大"：知识的广度与深度 类比：孩子需要阅读海量书籍、论文，经历长期学习才能成为博士 模型视角：训练数据需覆盖多领域（科学、文学、代码等）、多语言，数据量越大，模型对世界的"认知"越全面 计算资源"大"：训练的"教育成本" 类比：家长投入巨额资金供孩子读书，包括学费、实验设备等 模型视角：训练需数千块GPU/TPU运行数月，电力消耗和GPU费用都很高 参数量"大"：大模型的"脑容量" 类比：孩子博士毕业时大脑形成复杂的神经连接，能解决复杂问题 模型视角：参数越大的大模型越聪明。训练参数越大的模型，耗费的资源越多，训练完后也就越聪明 🔴如何理解"语言"模型 因为这个模型最擅长处理自然语言，通俗讲就是听得懂人话，并且能够说人话 之前的AI模型也有很多，比如打败人类选手的AlphaGo，其背后也是一个模型，不过并不是语言模型 对于大模型，我们不用抱有恐惧感，我们不是科研工作者，了解大模型的目的是为了了解AI的能力边界，而不是深入其底层原理 1.5 大模型是如何工作的 理解了什么是大模型，接下来我们看看它是如何工作的 当看到大模型流畅地写诗、解数学题、讨论哲学时，我们很容易联想到人类思考的模样，但大模型的原理其实跟人类有一些区别 我们可以把大模型想象成一个拥有超能力的图书管理员，它不会"思考"，但有一套独特的"找答案"方式 1⃣海量"记忆书架" 想象这个图书管理员的大脑里有一个超级图书馆： 书架上堆满了它"读过"的所有文字：从百科全书到网络段子，从菜谱到科幻小说，共约3000亿本书（相当于人类读10万年的量） 但它不是"理解"这些书，而是把每句话、每个词都像乐高积木一样拆解成碎片，记住它们常见的组合方式 比如读到"下雨要打伞"100万次，它就记住"下雨"和"伞"这两个积木块经常拼在一起 2⃣玩文字接龙游戏 当有人提问时，它的工作模式类似手机输入法的联想词，但复杂百万倍 比如你的问题是：天空为什么是蓝色的？ 拆解问题：它会立刻把这句话拆成"为什么/天空/是/蓝色/的"，像在书架上快速翻找和这些词相关的所有书籍片段 预测下一块积木：根据记忆库里海量的文字组合规律，它开始"接龙"： 发现"天空是蓝色"后面常跟着"光的散射"（出现概率90%） 也见过"上帝打翻了颜料盒"（概率9%） 还碰巧读过"因为奥特曼住在那里"（概率1%） 按概率选答案：最终它会选择概率最高的"光的散射"，就像你打字时首选第一个联想词 3⃣隐藏的"潜规则" 虽然看似机械，但它的厉害之处在于： 跨书联想：能把"物理教科书"和"科普文章"里的"光散射"描述组合成新句子 语气模仿：如果你问"用小学生能听懂的话解释"，它会自动切换到童话书的表达方式 错误陷阱：如果它读过的网络谣言里"地球是平的"出现次数太多，也可能把这个当事实 4⃣它真的不懂自己在说什么 没有常识：就像背下所有菜谱但从未进过厨房，它不知道"天空"真实的样子 不会纠错：如果开头说"太阳从西边升起"，它会顺着编出合理但错误的故事 依赖数据：如果从没读过"量子物理"，相关回答就会像瞎猜 大模型就像一台能瞬间组合所有已知文字碎片的超级机器。它的"智慧"不是来自理解世界，而是来自对海量文字规律的统计 这种特性让它既能写出优美的诗，也可能一本正经地胡说八道 而这，正是人类需要保持清醒的地方：我们才是最终判断答案是否有意义的"质检员" 1.6 大模型的优势和劣势 前面我们全面认识了大模型，现在我们看看它的优势和缺陷，知道这些，我们才能更好使用它 在开始之前，我想提一个词：人机协作 为什么是人机协作，而不是大模型全自动或AI一键生成？因为AI有其独特的优势和缺陷，我们要学会用AI的长处弥补我们的短板 🔴AI的主要优势： 强大的信息处理能力 AI非常擅长快速处理大量信息，尤其是阅读、整理、总结、分类等任务 阅读总结：把一份几十页的行业报告交给AI，让它提炼核心观点 信息整理：把几百条客户反馈交给AI，让它归纳用户最关心的问题 内容分析：提供几份不同的产品方案，让AI帮你整理差异、分析优缺点 以前可能需要花费几个小时整理的内容，现在借助AI，往往可以大幅缩短处理时间 广泛的知识覆盖面 AI在训练过程中学习了大量不同领域的数据，因此能够回答许多跨领域的问题 跨学科知识：从文学、历史、哲学，到数学、物理、计算机，都可以向它提问 专业知识入门：你不懂法律、金融或编程，也可以让AI先用通俗的语言帮你理解基本概念 跨领域应用：比如你是一名自媒体创作者，可以同时让AI帮你研究市场营销、消费者心理和视频制作 过去遇到陌生领域的问题，我们可能需要查阅大量资料才能入门，现在，我们可以先通过AI快速建立基本认知 内容生成与创意能力 不只是回答问题，还可以根据你的要求，生成新的内容 文字创作：写文章、写代码、翻译、制作PPT大纲、撰写短视频脚本 创意发散：你只有一个模糊的想法，可以让AI帮你想出10种不同的实现方案 内容改写：同一篇文章，可以让AI改成专业报告、短视频口播稿，或者小学生都能听懂的科普文章 🔴AI的局限性： 幻觉制造机 AI因为是概率预测的工作方式，因此它的答案是概率预测，而不是既定事实，假设网络上的谣言重复了百万次，大模型就会认为这是正确答案 典型错误：伪造名人名言、编造不存在的历史事件 致命场景：医疗咨询时误将"青霉素过敏"写成"推荐用药" 根源：概率预测的工作方式，把"高频文字组合"误认为事实 时效性限制 AI的知识是在特定时间点训练的，不会自动更新。 案例：如果AI的训练数据截止到2022年，那么它无法知道2023年的新电影、新产品或新闻事件 固化偏见放大器 刻板印象：默认"护士=女性""工程师=男性" 数据污染：传播已过时的科学理论 推理能力有限 现在的AI已经具备很强的逻辑推理能力，可以解决一些高难度数学问题，但是面对需要考虑大量条件、进行多步骤分析的问题时，AI仍然可能出现逻辑漏洞 案例：问"我想去洗车，洗车店离我家50米，我该开车去还是走过去？"AI可能会给出错误答案“走路过去”，因为这需要多步推理 深层次含义理解局限 AI可能抓不住对话中的深层含义和情感变化。 案例：用户说"今天真是个好天气啊"（实际下着大雨，带有讽刺意味），AI可能理解为字面意思，回复"是啊，好天气适合出门散步"。 上下文长度限制 AI模型能处理的文本长度是有限的，超过限制的内容会被截断或遗忘，就好比两个人聊天，随着时间推移，如果不做笔记，双方可能都会忘记前面聊的内容。 🔵了解了这些特点和局限，我们在使用AI时就要注意： 给出明确、具体的指令 提供必要的背景信息 对重要信息做交叉验证 复杂问题要分步骤提问 保持适度的怀疑态度 1.7 AIGC软件的本质 理解了大模型，接下来我们看看AI软件和大模型的关系，我经常被问到：豆包支持画图么？DeepSeek支持生成视频么？ 当你问这些时，其实是在问豆包背后是否有可以生图的大模型，DeepSeek背后是否有支持文生视频的大模型。 这里我希望给你讲清楚AI软件和大模型的关系，让你在用豆包、Kimi或DeepSeek时知道自己到底在用什么 🟢现象：AI软件的"百花齐放" 打开应用商店，你会看到铺天盖地的AI应用： ChatGPT、豆包、Kimi、DeepSeek，可以聊天问答、搜索资料、整理文档，部分还支持图片、语音等功能 可灵、即梦等，可以通过文字或图片生成视频 还有无数打着"AI"旗号的应用正在上线 让我们先冷静下来。在掏出钱包之前，你是否想过：这些五花八门的AI软件，本质上是什么？ 🟢本质：一个公式 所有AI软件，本质上都可以用一个简单的公式来概括： AI软件 = 大模型（心）+ 产品界面（皮） 就像人有灵魂和躯壳，AI软件也是如此： 大模型是"心"：决定软件能力的核心 产品界面是"皮"：让用户能方便地使用这些能力 1⃣大模型：AI软件的"心脏" 让我们用表格看看主流AI软件背后的大模型： 需要注意，一个AI产品不一定只使用一个大模型 例如，Claude有Opus、Sonnet、Haiku等不同的模型版本 就像手机的核心是芯片，AI软件的核心就是大模型，大模型决定了AI软件能做什么，以及做得有多好 2⃣产品界面：让大模型的能力变得可用 我们平时使用AI软件，看到的是聊天框、按钮、各种功能选项，这些就是产品界面 但是，一款AI软件并不只是给大模型套了个界面那么简单 为了方便理解，我们可以把AI软件和大模型的关系，类比成手机和芯片的关系 比如： 手机品牌（苹果、华为）：对应AI产品（ChatGPT、豆包） 芯片研发公司（苹果、高通）：对应大模型研发公司（OpenAI、Anthropic） 芯片型号（A16、骁龙8 Gen 2）：对应大模型名称及版本（GPT、Claude） 芯片是手机的重要核心，但一部手机好不好用，并不只取决于芯片，还取决于操作系统、摄像头、软件生态等多个因素。 🟢AI软件也是一样的道理 除了大模型，AI软件还可能集成其他能力： 联网搜索：让AI获取互联网上的最新信息 文件处理：让AI读取、分析和整理我们上传的文档 工具调用：让AI能够运行代码、操作软件，甚至执行一些复杂任务 记忆与个性化：让AI在一定条件下记住我们的偏好，提供更符合需求的服务 所以，即使两个AI软件使用的是同一个大模型，最终的使用体验也可能完全不同 大模型为AI软件提供基础的智能能力，而产品团队负责把这些能力变成真正好用的功能 理解这一点很重要： 同一个大模型可能被多个不同的AI软件使用 一个AI软件可能会更换或升级其使用的大模型 大模型的能力直接影响AI软件的表现 所以，当你听到某个AI软件很厉害时，要分清楚是软件本身做得好，还是因为它用了一个强大的大模型 🟢市面上还有套壳软件：别被"花里胡哨"迷惑 理解了AI软件的本质，我们就能看清楚什么是"套壳软件" 套壳软件就是：小团队开发一个界面，然后接入各种大模型的API，这就像给大模型换了件"衣服" 优点： 降低使用门槛：一个软件用遍所有功能 可能更便宜：通过均摊方式降低成本 缺点： 可能挂羊头卖狗肉：号称用GPT-6，实际用的是开源模型 运营不稳定：收完年费就跑路的情况时有发生 🟢所以如何选择AI软件 记住一句话：没有最好的，只有最适合你的 选择时要考虑： 你真正的需求是什么 你能接受的成本是多少（包括会员费、科学上网等） 软件背后的大模型实力如何 产品团队是否靠谱 希望这里能帮你看清AI软件的本质，在选择时更加理性和明智，不是所有打着"AI"旗号的软件都值得你掏腰包 1.8 优化大模型的方法 前面我们认识了大模型，现在我们来看看对大模型优化的三种方式 我不止一次被问到："大模型可以被我训练么？我是不是只要训练得好，大模型就能学习我输入给它的知识了？" 这其实是一种典型的误区，本质上还是对大模型的优化手段认识不够透彻，这里我会讲明白现在主流的优化大模型的3种手段：提示词工程、微调、RAG 1⃣提示词：巧妙地问出好问题 提示词就是优化大模型的第一个手段，也是成本最低、普通人最常用的手段，在下一章节里，我会专门用一节来讲解提示词工程 想象你在和一位博学但有点固执的老教授交谈，如果你直接问"地球是什么样的？"，他可能滔滔不绝讲上三天三夜，但如果你问"请用三句话概括地球的主要特征"，答案就会清晰很多 这就是提示词工程的本质：学会更好地提问 2⃣微调：让AI成为某个领域的专家 在讲微调之前，我们先要了解通用大模型的一个特点，像GPT系列、豆包大模型系列等，都是面向广泛任务的通用大模型，它们经过海量数据训练，可以处理写作、编程、数学、知识问答等各种任务 你可以把通用大模型理解成一个知识面非常广、什么都懂一些的全能型人才 ✅ 基础知识扎实 ✅ 理解力和表达能力强 ✅ 逻辑推理能力好 但在专业领域往往表现出明显短板： ❌ 专业术语使用不够准确 ❌ 特定领域的推理链条不完整 ❌ 行业规范和标准掌握不足 举个例子：面对复杂的劳动纠纷，通用大模型往往只能给出教科书式的宽泛建议，它表现得像一个“各领域都懂一点”的通才律师，而非专精劳动法实务的垂直律师 当你想让通用大模型成为一个在法律领域有突出表现的垂类模型时，就需要用到微调技术 🟢微调的原理 在通用大模型的"大脑"中，有数十亿个参数相互连接，这些参数决定了AI如何理解和生成内容，微调就是有选择地调整其中的一小部分参数，使其输出更偏向专业的领域 微调的具体步骤： 收集特定领域的专业数据（如法律文件、案例） 让AI反复学习这些专业内容 调整AI内部的部分参数，使其更擅长处理特定领域的问题 🟢为什么是"微调"，而不是"全调" 你可能会问：为什么我们不直接从0到1训练一个专业的法律大模型呢？我想给你举一个例子，如果你希望你的孩子成为一名数学家，你有两种教育方案： 方案A：从小就只学数学这门学科，语文、物理、体育、美术等课程一概不学 方案B：首先把孩子培养成一个德智体美全面发展的人，然后针对数学进行强化学习和训练 如果是你，你会选择哪一种？我相信所有人都会选择B 所以一个没有通用能力、仅仅具有法律能力的大模型一定是不满足条件的 另外，重新从0到1训练一个模型是非常耗费资源的，根本不是中小型公司可以负担得起的 所以，人类发明了微调技术：在已经具备良好通用能力的大模型上，耗费少量的资源，就可以让大模型具备专业的能力。 3⃣知识库（RAG）：AI的活字典 如果说微调是给AI进行补课，那么RAG就是给AI配备了一个随时准备查阅的活字典 RAG全称：检索增强生成。 RAG的原理简单来讲：给AI外挂一个知识库，当你问AI特定问题时，它可以从知识库中获取信息碎片，然后由大模型进行整合后输出 RAG要解决的两类主要问题： 大模型的知识会过期，并且无法获取最新的知识 大模型没有办法获取私有数据，例如企业积累的一些知识库 AI搜索就是非常典型的一种RAG应用场景，利用搜索引擎可以实时获取信息的能力来弥补大模型知识过期的困扰 而智能客服则是给AI外挂企业的知识库，来解决大模型在训练时无法获取私有数据的问题 如何选择合适的大模型优化方法 前面我们介绍了三种常见的方法：提示词工程、微调和知识库（RAG），那么我们究竟应该选择哪一种呢？ 其实很简单，它们解决的问题不同，我们只需要根据自己的需求选择 🔵提示词工程 适用人群：所有用户 上手难度：低 适用场景：日常对话、简单任务 比如，你觉得AI写出来的文章不符合要求，就可以通过补充背景、提供参考案例、明确输出标准等方式改善结果 🟢微调 适用人群：技术团队 上手难度：高 适用场景：专业领域应用 比如，一家公司需要AI每天处理大量客户反馈，并按照统一标准进行分类，如果通过提示词始终无法达到要求，就可以考虑收集高质量的训练数据，对模型进行微调 🔴知识库 适用人群：企业或开发者 上手难度：中等 适用场景：需要实时或专业知识的场合 它不需要重新训练大模型，而是让AI在回答问题时，先检索相关资料，再结合这些资料生成答案 目前提示词是我们日常跟大模型沟通离不开的技术，而知识库也有很多现有的成熟产品，唯独微调目前是离我们普通人最遥远的，随着技术发展，微调的门槛也在降低，但它仍然并不是所有人都有必要使用 1.9 如何选择合适自己的大模型 前面我们讲了很多大模型的领域知识，也了解了AI背后其实是一个又一个的大模型。这节课我们就来解决一个问题：如何选择我们日常需要的大模型。 哪个AI模型更好用？几乎所有使用AI的人都会考虑这个问题，首先我们要明确一个原则： 模型没有最好，只有最适合 就好比购物网站：京东、拼多多、淘宝、天猫、唯品会，我们不会讨论哪个购物平台最好，我们只会根据自己的需求选择不同的平台 当我们对比各大购物平台时，我们会有这些指标：发货速度、正品保障、价格 这个原则对于对比AI大模型同样适用，因此我们先要梳理出一个能够对比不同大模型特点的框架。 1）是否需要梯子🪜 国外的模型如果你没有一些手段，是访问不了的，有的人因为职业属性的原因，只能使用国内的模型，那么对你来讲，国内的模型就是最适合的 2）价格因素 这是一个很关键的指标，国外的模型在某些方面确实非常好，但是一个月20美金的价格并不适合所有人，主流的国外AI模型收费基本都是20美金/月起 对于程序员来讲，如果你要接入API，那更要考虑成本，这时候可能国内的DeepSeek性价比最高 3）速度因素 理论上：越牛逼、越能深度思考的模型，速度越慢，如果日常经常是一些很简单的问题，那么直接使用豆包也许是最快的，而不是每个问题都要问DeepSeek的深度思考 如果是程序员要构建自己的产品，速度也是要考虑的因素，因为这严重影响了用户的体验。 4）上下文长度 这是一个非常重要的指标，对我来讲是最重要的指标 简单一句话：模型上下文的长度决定了你针对一个问题可以与AI聊多深 再形象一些：就是在一个对话窗口内，你可以跟AI聊多少内容而不用担心它忘记之前的内容 我举一个例子：我想要与AI探讨我的个人出海创业发展之路，因此我需要把我的个人计划、我的现有资源、以及我的愿景等内容在一个对话框内全部丢给AI，然后我会跟AI基于这些内容进行各种讨论，最终得到可执行的方向 这个过程其实需要跟AI沟通很多回，因为每次AI给出的答案不一定是你想要的，你要不断纠正它，或者不断补充一些额外的信息 你们的每一次对话都会增加当前对话窗口的上下文，当内容的长度（字数）超过AI模型的上下文长度极限时，AI就会忘记之前讨论的内容，开始发生截断，这对于一个深度讨论的问题是致命的 因此我们可以看到，上下文长度是大模型一个非常重要的指标，也是模型发展的一个重要方向 🔴关于上下文长度，这里做个简单的补充 前面我们讲了上下文的概念，那么在实际选择AI模型的时候，应该怎么看待上下文长度呢？ 我直接说几个结论 第一：怎么看懂模型的上下文长度？ 在各大模型的官方介绍中，你经常会看到8K、128K、256K、1M这样的数字，它们代表模型的上下文容量，单位是Token Token是AI处理信息时使用的基本单位，你可以简单理解为模型处理文字时使用的一个个小片段 但要注意，1个Token不等于1个汉字，也不等于1个英文单词， 不同模型、不同语言的Token计算方式可能有所区别，1M代表约100万个Token，上下文窗口越大，通常意味着AI一次能够接收和处理的信息越多 第二：上下文长，不代表记忆力一定好 比如，一个模型官方标注支持100万Token的上下文 这意味着它在规定条件下可以处理这么大规模的内容，但不代表你和它聊到第99万个Token时，它仍然能够准确记住最开始讨论的每一个细节 因为这里涉及两个不同的概念： 上下文容量：模型一次最多能处理多少信息 长上下文处理能力：模型能否从大量信息中准确找到、理解和利用关键内容 另外，我们平时使用的ChatGPT、豆包等AI产品，其实际对话管理机制和使用限制，也不一定与底层模型官方公布的API参数完全一致 因此，上下文长度是一个重要指标，但不能只看数字大小 对于需要长期讨论的复杂问题，我还有一个建议：定期让AI总结已经达成的结论，把重要信息保存到文档中，避免随着对话越来越长而丢失关键内容 第三：如何查询模型的上下文长度？ 最简单的方法就是去模型的官方网站或开发者文档查看，你也可以使用AI搜索，帮你找到对应的信息和官方来源 需要注意，大模型的上下文长度不断升级，网上很多测评文章可能已经过时，所以涉及具体参数时，优先以官方最新文档为准 5）模型的应用领域：不同模型有不同的特点 经常会有人问我一个问题：哪个AI模型最好用？但我觉得，这个问题本身就不够准确 因为不同模型在编程、写作、数学推理、长文档分析等任务上的表现可能存在差异 比如，同样是写一篇文章，有的模型语言比较自然，有的模型逻辑结构更清晰，有的模型则更擅长按照要求进行改写 而且，模型的实际使用体验还会受到工具能力、响应速度、产品功能等因素的影响 所以，我们不应该只问哪个模型最强，而应该问：哪个模型最适合我的需求？ 至于Claude、GPT、Gemini、DeepSeek这些模型具体谁更强，我在这里就不做排名了，因为技术更新太快，现在给出的排名，可能过不了多久就失去参考价值。 你可以通过B站、X等渠道，了解不同模型的表现，但这些测评只能作为参考，最终还是要回到自己的真实需求 1.10 如何测试模型是否适合你 我们要知道一点，学习 AI是为了解决问题，不是为了学而学，因此每个人手里应该有很多的专属于自己的使用场景 每当有新 AI模型出来的时候，我会用我日常高频使用场景逐一去用新模型做测试 如果效果好，那么新的 AI模型就会成为我新的解决方案，如果效果不行，那这个新模型就算被吹的再好，我也暂时不会关注 这个过程就像找对象，媒婆说的再好都没用，得你自己亲自相处一段时间 不过与谈恋爱不同的是，使用 AI我们要有渣男心态，手里最好掌握多个 AI模型或者工具，这样才能为我们的每个场景匹配最优的工具，从而达到极致的效率 当下阶段，没有模型一家独大，可以满足你所有的诉求 这些使用场景还有个学名：测试用例 那些做测评的 AI博主其实就是用这个方法，他们手里会有很多的测试用例，每当有新的工具、模型出来的时候，他们就会用自己的测试用例去测试 然后和之前的工具、模型进行对比，最后得出结论写文章呈现给用户，所以要注意积累自己的测试用例，而不是天天都问别人哪个模型效果好 1.11 国外模型如何使用 不得不承认，国外的模型普遍比国内的效果要好一些，因此国内的小伙伴如何使用国外的模型便成了一个老大难的问题。 一般有三种方法： 一、直接使用官方网站 这种方法需要你解决网络问题，因为官方网站都是国外的网站 👍优点： 正统模型，使用体验最好 更新最及时，可以优先体验最新能力 👎缺点： 死贵死贵的，一般都是20美金/月起 国内付款很麻烦，如果没有国外信用卡，还得另外想办法 如果想要用多家平台，比如Claude、谷歌和GPT，你需要付3份费用 有些封号特别严重，比如Claude，普通的🪜在国内几乎用不了 小技巧：因为很多平台都会定期搞活动，因此闲鱼的号贩子会囤很多优惠号，卖得也很便宜，没事多去闲鱼逛逛 二、使用国内套壳软件 这种方法不需要你解决网络问题，在国内就可以访问，它的原理就是一家平台将各个AI大模型的能力聚合在一起，然后组装成一个产品给到你 关于模型的访问、付费都由这个平台来承担，你只管为这个平台付费，但是这种产品不稳定，有跑路的可能 购买渠道：闲鱼、淘宝 购买建议：按照月购买，千万不要按年购买 三、使用国外套壳软件 这种方法需要你解决网络问题，因为这个套壳软件就是国外的软件，它的原理跟国内套壳软件一样，也是把各个AI大模型的能力聚合在一起，然后组成一个产品给到你 套壳软件的好处： 一个平台可以把所有主流的模型全部集成，你可以花一份钱，访问几乎所有的模型 套壳软件的坏处： 平台对你来讲是个黑盒子，它号称是GPT模型，但背后具体是哪家的API，谁都不清楚，这就是挂羊头卖狗肉，有倒闭和跑路的风险 建议：国外的套壳软件还是值得买的，但一定要选大平台，但这里不做推荐，因为毕竟不便宜 套壳软件跟官网体验一样么 这是一个经常被问的问题，因为国外的套壳软件在国内还是有很多人使用的，大家经常担心套壳软件会降智 我说下我的看法： 不要贪图太便宜的套壳软件 在购买套壳软件时多做攻略，多搜搜测评视频 套壳软件使用的是API接入，而官方网站本身会有一些优化，所以套壳软件的体验本身就会跟官方不一样 准备好你的专属测试用例，进行对比 一旦购买了就要无条件相信，因为AI回答本身就具有随机性，当你心里埋下降智的种子之后，它就是降智的了 大模型通识部分到这里就结束了，接下来我们进入第二部分：提示词工程 如果说大模型是AI的"大脑"，那么提示词就是我们与这个"大脑"沟通的语言，掌握了提示词，你才能真正让AI为你所用 第二部分：提示词工程 通过第一部分，你已经理解了大模型是什么、怎么工作、有哪些优缺点，但理解原理和用好AI是两回事。 这一部分，我们聚焦一个核心技能：提示词工程。 提示词是你与AI沟通的桥梁，同样的需求，好的提示词能让AI输出精准的结果，差的提示词只会让你抓狂 我会从最基础的概念开始，带你理解提示词的分类、写法、以及我自己一直在用的方法论。 2.1 初识提示词 什么是提示词 一句话说明："提示词"是给大模型下达指令的"魔法咒语" 在与AI模型交互时，如何有效地表达你的需求？如何让AI更准确地理解并执行你的指令？这就是提示词的用处 以豆包举例，当你在对话框里输入文字，那就是提示词 提示词的两个基本要素：指令和上下文 1⃣指令：提示词的灵魂 指令是提示词的核心，它告诉AI模型你想要它做什么。 一个好的指令应该： 明确任务目标 指定执行方式 设定质量标准 2⃣上下文：为指令提供支持 上下文为AI提供完成任务所需的背景信息，帮助AI更准确地理解和执行指令 核心公式： 高质量提示词 = 清晰的指令 + 必要的上下文 这里分享两个案例 案例1：写一篇产品介绍 ❌ 只有指令："帮我写一篇手机的产品介绍。" ✅ 指令+上下文： "这是一款主打年轻人市场的游戏手机，价格3000元档位，主要卖点是120W快充和散热系统。请写一篇产品介绍文案，重点突出性价比和游戏性能，面向B站年轻用户。要求：文风活泼但不夸张，突出产品核心优势，800字以内。" 案例2：文章翻译 ❌ 只有指令："将这篇文章翻译成中文。" ✅ 指令+上下文： "这是一篇面向开发者的技术博客，介绍最新的前端框架。翻译要求：保留专业术语的英文原文，使用技术社区常见的中文表达，确保代码段不被翻译。" 快速上手指南： 指令部分：清晰表达你的需求，具体说明任务目标，指定输出的形式，明确质量要求 上下文部分：提供必要信息，比如相关背景/条件/限制、目标受众、参考示例（如果有） 好的提示词就像一份完整的工作委托：既要说清楚"要做什么"（指令），也要交代清楚"在什么情况下做"（上下文）。 掌握这两个要素，你就掌握了提示词的核心 2.2 提示词工程已死？ 在开始学习提示词技巧之前，我想跟大家探讨一个重要的认知问题 在2023年初ChatGPT爆火，到2024年底，在使用AI的时候，一直离不开一个概念：提示词，甚至有了一门专门的学科：提示词工程 简单来讲：提示词就是我们与AI对话的技巧，引导AI输出更符合我们需求的答案。 在DeepSeek R1模型出现后，曾经一度出现了"提示词工程已死"的论断，核心的原因就是大家认为DeepSeek具备了推理能力，我们只要把话讲清楚就可以 道理是没错，但是这里有两点需要注意： 并不是所有人都能把话讲清楚 大模型毕竟不是人，因此跟AI把话讲清楚还是需要一些额外的技巧 🔴所以这里我想跟大家深度探讨下提示词到底会不会死的问题 技术进化史从不是非此即彼的替代 回想一下我们生活中的各种技术变革，很少有哪一项新技术是彻底取代旧技术的，更多时候，是新技术在某些方面更胜一筹，但旧技术仍然在特定的场景下发挥着不可替代的作用 DeepSeek这种推理型AI模型的出现，也并不是要彻底取代提示词，它们更像是工具箱里新增了一件更强大的工具，让我们在处理某些问题时更有效率 提示词工程就像是传统的绘画技巧，需要长期的练习和积累才能掌握，而DeepSeek则像是有了自动绘画功能的软件，即使没有绘画基础的人，也能创作出不错的作品 但是，软件再强大，也无法完全取代画家的创意和灵感 同样的，DeepSeek在某些方面可能比传统的提示词更智能，但它仍然需要我们提供明确的需求和目标，才能发挥出最大的价值 更重要的是，掌握提示词的技巧，可以让我们更好地理解AI的工作原理，从而更好地与AI协作，创造出更优秀的作品，就像学习绘画技巧可以让我们更好地欣赏艺术作品一样。 所以，技术进步往往不是简单的取代，而是新旧技术相互补充、共同发展 模型能力越来越强，并不意味着提示词工程消失，而是让更多的人能够享受到AI带来的便利 2.3 提示词正在经历"民主化"蜕变 就像智能手机让拍照变得简单，人人都能记录生活，但专业的摄影师仍然在追求更高的艺术境界一样，AI的进步也在让提示词变得更加普及，人人都能轻松使用 前些年ChatGPT刚出的时候，你可能需要掌握一些专业的指令才能和它有效沟通，但现在，你可以用非常自然的语言来表达你的需 以前你想让AI帮你写一篇邮件，可能需要输入各种复杂的格式和内容，但现在，你只需要告诉AI邮件的目的和收件人，AI就能自动为你生成一封专业的邮件 当然，专业的编剧和策划人员仍然会使用更精细的提示词来表达他们的创意 比如，编剧可能会用"设计一个反转剧情，让观众意想不到"来引导AI创作剧本；广告策划人可能会用"想三个朗朗上口的新能源车广告语，突出环保理念"来激发AI的灵感。 但无论提示词如何复杂，它们都离不开自然语言的基础 提示词正在分层进化，而不是简单地消失 🔴简单易用的提示词让更多人可以轻松上手，而更专业的提示词则可以帮助专业人士更好地实现他们的创意 2.4 人机协作的新范式正在形成 AI时代，我们和AI的关系正在改变，不再是简单的"我说你做"，而是更像伙伴，一起合作完成任务 以前使用AI，我们往往需要提前想好提示词，尽可能一次性把要求描述清楚，但现在，很多时候我们根本不需要一开始就写出一份完整的提示词 你可以像和一个人讨论问题一样，先告诉AI你想做什么，再通过不断交流，一步步找到解决方案 比如，你想拍一条介绍AI知识库的短视频，但不知道该怎么讲 你可以直接告诉AI： 「我想拍一条面向小白的AI知识库教程，但现在没什么思路，你帮我一起策划一下」 AI可以先帮你梳理思路，提出几个不同的内容方向，你觉得其中一个方向不错，就让它继续细化 如果发现内容太专业，或者不符合你的预期，也可以随时提出修改意见 在这个过程中，你不再需要独自想清楚所有步骤，而是可以让AI参与思考、提供建议、执行任务，再由你判断和调整 当然，AI提出的建议不一定正确，也不一定真正符合你的需求，最终采用什么方案，仍然需要你自己判断 🔴提示词工程没有消失，只是变得更自然，我们用更像聊天的方式和AI沟通，共同完成目标 过去，我们更关注如何写出一份完美的提示词；现在，我们更应该关注如何把需求讲清楚，以及如何通过持续沟通，让AI帮助我们解决问题 2.5 写好提示词的6个技巧 现在，我们进入实操环节，用6个技巧，教你写出高效、易懂的提示词 技巧1：明确任务（Task） 🔵清晰地告诉AI"你要做什么" 用一句话说清楚你想让AI完成的具体任务，如果任务模糊，AI可能会"自由发挥"，结果偏离预期 正确示范： ❌ 模糊指令："帮我写点东西。" ✅ 明确任务："请写一篇关于环保的科普文章，重点介绍塑料污染的危害。" 技巧2：补充背景（Context） 🔵让AI知道"为什么做这件事" 提供任务相关的背景信息，帮助AI理解上下文，适用于复杂任务、专业领域或需要特定视角的内容 例子： 任务：撰写一份产品推广文案，这是一款针对儿童的可降解水杯，主打安全环保，目标用户是注重健康的年轻家长（背景） 技巧3：给例子（Examples） 🔵通过给AI看几个例子，让它明白你想要什么样的回答，可以显著提高AI的回答效果，尤其适合创意类任务（如写视频脚本、设计口号），这也是我最喜欢的方法 举个例子： ❌ 直接提问： "帮我写几条朋友圈文案。" ✅ 少样本提示： 请参考以下风格，再写5条类似的朋友圈文案： 例1：周末早起去了趟菜市场 买了些新鲜时蔬 阳光暖暖的，心情也暖暖的 生活总是在柴米油盐里偷偷变甜 例2：下了一天的雨 写字楼里的灯一盏盏亮起 对面星巴克飘来咖啡香 这座城市又开始忙碌 技巧4：设定角色（Persona） 🔵指定AI以特定身份回答问题，提升专业性或亲和力 常用角色： 专业型：医生、律师、市场营销专家 风格型：幽默的朋友、严肃的老师、贴心的客服 示例1： 任务：解释量子力学角色："假设你是一位初中科学老师，用简单易懂的语言和比喻向学生解释。" 示例2： 请用鲁迅的文风帮我写一篇关于体育圈饭圈文化现象的文章 技巧5：规定格式（Format） 🔵让回答整齐划一，明确输出结构（如Markdown、表格），方便后续使用 示例1： 任务：总结会议纪要格式：请用Markdown，包含"时间、参会人、主要结论、下一步行动"四个部分。 示例2： 请提供苹果、香蕉和橙子的营养信息 使用以下JSON格式： { "水果": [ { "名称": "水果名", "热量": "每100克卡路里数", "维生素C": "每100克含量（毫克）", "膳食纤维": "每100克含量（克）", "主要益处": "简短描述" } ] } 技巧6：调整语气（Tone） 🔵控制语言风格，根据场景选择适合的语气，比如正式、随意、热情或严肃 场景对比： 正式：商务报告、学术论文 → "经分析，本方案可行性较高。" 随意：社交媒体文案 → "超好用的水杯！宝妈们快冲！" 综合应用 我们根据上面的几个策略写了一个完整的提示词模板： 任务：撰写一封邀请客户参加新品发布会的邮件 背景：客户是长期合作的高端品牌，发布会主题是"科技与可持续未来" 角色：以公司市场总监的身份撰写 格式：邮件格式，包含标题、问候语、活动亮点、报名方式 语气：正式且富有吸引力 例子参考： 标题：诚邀您共赴XX品牌2024科技新品发布会 正文：尊敬的[客户名]，我们诚挚邀请您…… 注意：提示词的本意是为了描述清楚，让AI可以输出符合预期的回答，所以并不一定需要所有的策略都用上 🔴请始终记住一句话：一切策略都是为了最终的效果服务 总结 好提示词 = 清晰目标 + 充分信息 刚开始可以按顺序逐个添加，熟练后灵活组合 2.6 我的提示词方法论 现在，我要给你讲一个我一直在用的提示词方法论：升维提问，逐级降维 大部分AI初学者会遇到这种情况：学了很多AI提示词技巧，但真要自己写提示词时，还是大脑一片空白，不知道从何下手 这个问题的本质还是你没有很好地利用AI，为了让你有更好的理解，我将我日常使用的方法总结了一个方法论：升维提问，逐级降维 🔵什么是"升维提问，逐级降维" 当你面对一个复杂问题，不知道如何具体操作时，可以先向AI提一个更"高维度"的问题，让AI帮你找到解决问题的思路和框架，然后，再根据AI的回答，一步步细化问题，最终找到具体的解决方案。 核心思想：一切皆可AI，当你不知道怎么做的时候，把问题交给AI，让它帮你思考 下面，我们直接通过两个案例让你对这个抽象的方法论有更具象的理解。 🟢案例一：如何总结会议纪要 假设你刚参加完一个重要会议，老板让你整理一份会议纪要。你可能绞尽脑汁也想不出一个清晰的总结方法 这时，你可能会去网上搜索"会议纪要提示词模板"，然后找到一个类似这样的模板： 请将如下会议纪要按照如下三个框架进行整理： 决策事项 待办事项 风险预警 会议纪要内容:[会议纪要] 我想这个时候你可能会产生一些疑惑和自我怀疑： 为什么是这三个框架？ 这三个框架是怎么来的？为什么别人能写出来我不能？ 如果换一个会议，我还应该用这三个框架吗？ 这时候我们的升维提问方法论就派上用场了 第一步：升维提问（向AI寻求思路） 你可以直接问AI： 我刚参加完一个会议，需要整理一份会议纪要。我不确定该从哪些方面入手，你能给我一些建议吗？ AI可能会给出这样的回答（这里是学习案例，具体可以自行用DeepSeek、豆包等进行测试）： 整理会议纪要，通常可以从以下几个方面入手： 会议基本信息：会议主题、时间、地点、参会人员等 会议核心议题：本次会议讨论的主要问题是什么？ 决策事项：会议上达成了哪些共识或决定？ 待办事项：会议后需要跟进的任务有哪些？谁负责？截止时间？ 风险预警：会议中是否提到了潜在的风险或问题？ 其他重要信息：会议中是否有其他值得记录的内容？ 你可以根据会议的具体情况，选择合适的方面进行整理。 第二步：降维细化（根据AI的建议，结合实际情况，构建自己的提示词） 经过升维提问，我们已经有了一个更全面的框架，接下来可以根据会议的实际内容，选择合适的维度，构建你的提示词 比如，这次会议主要讨论了项目的进展和风险，那么你可以这样写： 请根据以下会议记录，整理出一份会议纪要，重点关注： 1. 决策事项：本次会议达成了哪些关于项目推进的决定？ 2. 待办事项：为了落实这些决定，需要做哪些事情？谁负责？截止时间？ 3. 风险预警：会议中提到了哪些项目风险？ 会议记录：[你的会议记录] 第三步：持续优化（根据AI的反馈，不断调整提示词） 将提示词输入AI后，如果AI给出的结果不够理想，你可以根据实际情况，继续调整提示词，或者向AI提问，直到得到满意的结果 第四步：总结出一套关于会议纪要的通用提示词框架 如果你觉得第二步中AI给你的框架很好用，你想做成一个通用的会议纪要提示词框架，这时候你可以直接人肉总结出一套适合自己的提示词框架，例如： 请根据以下会议记录，整理出一份会议纪要，请按照如下框架总结： 1. 会议基本信息：会议主题、时间、地点、参会人员等 2. 会议核心议题：本次会议讨论的主要问题是什么？ 3. 决策事项：本次会议达成了哪些关于项目推进的决定？ 4. 待办事项：为了落实这些决定，需要做哪些事情？谁负责？截止时间？ 5. 风险预警：会议中提到了哪些项目风险？ 6. 会议中是否有其他值得记录的内容？ 我的会议文字记录如下：[你的会议记录] 当然你也可以让AI帮你总结，但我不建议，AI已经给了框架，我们可以自己抽象，这样对这件事情的理解更深刻 🟢案例二：如何制定一份健身计划 你想要开始健身，但你是个健身小白，完全不知道该如何制定一份适合自己的健身计划，直接搜索"健身计划模板"可能得到的结果五花八门，让你更困惑 这时候，我们继续使用"升维提问，逐级降维"的方法论 第一步：升维提问（向AI寻求思路） 不要直接问"给我一份健身计划"，而是这样问AI： 我是一个健身新手，想制定一份适合自己的健身计划。我不确定该考虑哪些因素，你能给我一些建议吗？ AI可能会给出这样的回答（这里是学习案例，具体可以自行用AI进行测试）： 制定健身计划，你需要考虑以下几个方面： 健身目标：你是想增肌、减脂、塑形，还是提高心肺功能？ 身体状况：你目前的体能水平如何？有没有旧伤或疾病？ 时间安排：你每周能抽出多少时间来健身？ 运动偏好：你喜欢什么样的运动方式？有氧、力量、还是其他？ 饮食习惯：你的饮食习惯如何？是否需要配合健身计划进行调整？ 了解这些信息后，才能帮你制定更个性化的健身计划。 第二步：降维细化（根据AI的建议，结合实际情况，构建自己的提示词） 现在，你对制定健身计划需要考虑的因素有了更清晰的认识。接下来，结合你自己的情况，逐步细化问题： 明确你的目标：比如，你想减脂，同时稍微增加一点肌肉 评估你的身体状况：比如，你没有运动基础，没有旧伤 确定你的时间：比如，你每周可以抽出3-4天，每次1小时左右 选择你喜欢的运动：比如，你喜欢跑步，也想尝试一些力量训练 根据这些信息，你可以构建你的提示词： 我是一个健身新手，没有运动基础，也没有旧伤。我的目标是减脂，同时稍微增加一点肌肉。我每周可以抽出3-4天，每次1小时左右来健身。我喜欢跑步，也想尝试一些力量训练。请你帮我制定一份初步的健身计划，包括热身、训练内容、训练强度、以及饮食建议。 第三步：持续优化（根据AI的反馈，不断调整提示词） AI可能会给你一个初步的计划，但你可能觉得强度太大，或者有些动作不适合你。没关系，你可以继续和AI沟通： 这个计划很好，但是对我来说强度有点大，能不能帮我降低一些强度？另外，我不喜欢深蹲，有没有其他动作可以替代？ AI会根据你的反馈，调整计划，直到你满意为止。 总结一个升维提问的模版 从上面两个案例中，我们可以总结出一个非常简单但实用的升维提问的模版： 我要做一件XX事情，但是我没有头绪，你能帮我整理下做这个事情的框架么？ 写在最后 通过这两个例子，我们可以更清楚地看到，"升维提问，逐级降维"是一个非常实用的方法： 遇到问题，不要慌：不管是总结会议纪要，还是制定健身计划，当你不知道如何下手时，先冷静下来 升维提问，寻求思路：向AI提一个更"高维度"的问题，让AI帮你打开思路，找到解决问题的框架 降维细化，构建提示词：根据AI的回答，结合你的实际情况，逐步细化问题，构建你的专属提示词 持续优化，获得满意结果：根据AI的反馈，不断调整提示词，直到得到满意的结果 总结通用提示词框架：根据上述四步，总结出一个在这个场景下适合自己的提示词框架，以后直接调用 这就是我最想给你讲清楚的内容，因为这是我一直在使用的提示词方法论，我希望你慢慢可以忘掉那些提示词模版，通过和AI沟通来针对问题进行一步步的拆解，最后达到满意的效果 2.7 开始的第一步是模仿 前面我们学习了一系列的提示词理论基础，但是当我们真正需要用提示词满足我们日常生活和工作需求的时候，应该如何开始呢？ 这可能是很多初学者最关心的问题，有的朋友可能会说："学了那么多理论，我终于可以开始写自己的提示词了！" 慢着，先别急，让我告诉你一个更聪明的学习路径，站在巨人的肩膀上：学习优秀提示词 还记得我们小时候是怎么学写作文的吗？ 不是一上来就自己写 而是先读范文，模仿优秀作品的结构和表达方式 学习提示词也是一样的道理： 先看看高手是怎么写的 分析他们的提示词结构 理解他们为什么要这样设计 然后再结合自己的需求进行调整 这就像是： 初学烹饪要先跟着菜谱学 学画画要先临摹名作 学编程要先读优秀代码 在实践中养成好习惯，知道了好的提示词是什么样子，接下来就是大量的实践，记住：每一次和AI对话都是练习的机会！ 在日常对话中，时刻提醒自己： 我的需求表达清楚了吗？ 有没有给出必要的上下文？ 是否明确了输出的格式要求？ 是否需要设定合适的角色定位？ 就像练习书法要一笔一画认真对待，和AI对话也要字字句句用心设计，你可能会说，随着大模型的能力提升，一些提示词的技巧会不会过时？ 会过时，但是核心永远不会变：用少量的语言描述清楚自己的需求 🔴优质提示词资源推荐 对于初学者来说，以下提示词库是非常好的学习资源： 通往AGI之路的提示词库：AI 提示词-WayToAGI 小七姐的提示词图书馆：‍⁠⁠​​‍‬​​‬‍​‬​‌​‬​⁠‍​​​‬‌​​​​​‌​‍​​​‬​‬​‍‌提示词图书馆 - 飞书云文档 向阳乔木的提示词：‌⁠‌‍​​​‍⁠‬​​​‍‬⁠‌​​‬​⁠‍​​​​​‬​​⁠‍​​​​⁠⁠​​‌⁠​实战案例 - 文本生成提示词 - 飞书云文档 🔵记住：优秀的提示词工程师不是一开始就能写出完美提示词的，而是通过： 学习优秀案例 持续练习 不断改进 就像学习任何技能一样，提示词工程也需要循序渐进。从模仿开始，在实践中提升，最终形成自己的"提示词风格"。 2.8 用AI来写提示词 很多人觉得写提示词很难，总想着要学各种框架、背各种模板，其实没那么复杂，让AI帮你写提示词，才是最高效的方式 我常用的就两招： 方法一：直接口喷（我的主力方法） 不用想太多，把你的需求直接说出来就行。 公式：我要做XXX，帮我写一个提示词 示例： 我要做一个小红书文案助手，能根据产品信息生成种草文案， 风格要活泼可爱，多用emoji，帮我写一个提示词 我要做一个客服机器人，处理用户的退换货问题， 语气要专业但不冷淡，帮我写一个提示词 我要做一个周报生成器，把我的工作记录整理成周报， 格式要简洁清晰，帮我写一个提示词 要点： 说清楚你要做什么 说清楚你想要什么风格/效果 让AI先出第一版，不满意再调 方法二：让AI模仿 手上有一个不错的提示词，想写个类似的？直接让AI照葫芦画瓢 公式：模仿这个提示词的结构和风格，帮我写一个XXX的系统提示词 示例： 模仿下面这个提示词的结构和风格，帮我写一个"短视频脚本生成助手"的提示词： [粘贴你觉得写得好的提示词] 适用场景： 看到别人分享的好提示词，想改成自己的场景 自己之前写过一个效果不错的，想快速复制到新场景 学习优秀提示词的结构，但懒得自己拆解 总结一下： 核心心法：别追求一次写完美，先让AI出个60分的版本，再根据实际效果迭代 提示词工程部分到这里就结束了，接下来，我们进入第三部分：什么是Agent（智能体） 如果说大模型是AI的"大脑"，提示词是与"大脑"沟通的语言，那么智能体就是让AI真正动起来、帮你干活的"执行者" 第三部分：什么是Agent（智能体） 现在的智能体工具越来越多，今天是Claude Code，明天是Codex，后天又冒出来一个WorkBuddy、OpenClaw、hermes 各种产品、各种名词层出不穷，看得人眼花缭乱 很多小白都会有两个疑问： 为什么智能体工具这么多？它们到底有什么区别？ 到底哪个最好用？我们应该学哪一个？ 其实，你之所以会被这些工具搞得晕头转向，很大程度上是因为脑子里还没有建立起一套认识智能体的框架 所以，这一节先帮你建立一套认知框架，让你以后遇到新的智能体产品，也能快速理解它是什么、能做什么，以及是否值得学习 3.1 先搞清楚：什么是智能体？ AI Agent（智能体）最重要的特点，是能够围绕我们的目标，自主规划步骤、调用工具并执行任务 比如，你想制作一份市场调研Excel报告，使用普通AI对话，AI会帮你把资料收集完整理好，但是你要自己填入Excel中 而使用具备相应工具和权限的智能体，你可以直接提出目标： 「帮我调研一下国内宠物猫高端烘焙粮市场，整理主要品牌、市场规模和竞争情况，最后生成一份Excel表格。」 智能体就可以尝试自己搜索资料、分析数据、生成文件，并将Excel表格交给你 🔴最大的区别就是：以前最后一步还要你做，现在Agent可以在授权范围内帮你完成最后操作 当然，现在很多以前只能聊天的AI已经同时具备了智能体能力，两者的界限正在变得模糊 3.2 为什么智能体工具这么多？ 天下产品一大抄，先给大家举一个例子：飞书、钉钉、企业微信，这三款产品有什么区别？ 如果不考虑细节，它们其实属于同一种产品形态：企业协同办公软件，都可以聊天、开会、管理文档、协作办公，只不过它们由不同的公司开发，在功能、生态和使用体验上有所区别 智能体产品也是类似的道理 当一种新的产品形态得到市场认可后，其他厂商往往也会迅速跟进。 例如： 2025年，Claude Code、Codex CLI等工具的出现，让越来越多人开始通过自然语言，直接让AI读取代码、修改文件、执行命令。 随后，这类智能体能力也逐渐从命令行扩展到桌面软件、网页应用等更加容易使用的界面。 到了2026年，OpenClaw的走红，又让通过微信、Telegram等聊天工具远程指挥智能体执行任务的方式受到更多关注。 腾讯推出QClaw等产品，都是这一趋势的具体体现。 所以你会发现： 🔴很多AI工具看起来名字不同，但解决的问题、交互方式和底层工作逻辑，其实存在大量相似之处 当然，这不代表它们完全一样。 不同厂商会在模型、工具、数据生态、执行能力、安全性等方面形成差异。 对普通用户而言，这种竞争也有好处：我们有了更多选择，产品的使用门槛也可能不断降低。 3.3 建立认识智能体的框架 这是本节最重要的部分 以后看到任何一款智能体工具，我建议你从三个维度理解它：谁开发的、通过什么方式使用、主要能完成什么任务 🔵第一个维度：它是哪家公司的产品？ 这个非常容易理解，目前全球有不少公司在开发AI模型和智能体产品 这里需要特别提醒：模型研发公司和智能体产品的开发公司，不一定是同一家 一家厂商可以开发自己的大模型，也可以把其他厂商的大模型接入自己的智能体产品 因此，了解厂商主要是帮助我们认识产品生态，而不是判断哪个产品必然更强 🔵第二个维度：它属于哪种产品形态？ 这个维度是最容易让新手混乱的地方，我们可以从交互方式出发，把常见产品整理成以下几类： 注意，这些分类并不互斥，同一个智能体产品，可能同时支持桌面软件、命令行、网页和手机等多种使用方式 比如Codex既有桌面应用，也有CLI；WorkBuddy也在向桌面、即时通讯、小程序等多种入口拓展 下面我们分别解释： 1）对话式AI应用 这是大家最熟悉的形式，比如ChatGPT、豆包、腾讯元宝，打开网页或App，在聊天框里输入需求，就可以使用AI 现在部分产品已经集成了搜索、文件处理、任务执行等智能体能力，所以不能再简单地认为，聊天软件只能聊天 2. 桌面图形界面 这种形式需要在电脑上安装软件，打开之后，你会看到聊天框、任务列表、文件管理等界面 比如腾讯WorkBuddy、 Codex ，它们可以在获得相应权限后，读取文件、运行工具、执行任务 对于普通用户，这通常是比较容易上手的一种形式 3. 命令行工具（CLI） 比如Claude Code、Codex CLI，你需要通过终端与智能体交互，虽然看起来更像程序员使用的工具，但并不意味着你必须会编程才能使用 因为你依然可以通过自然语言告诉AI你想做什么 只不过这种工具通常更适合需要深入操作开发环境、使用命令和处理项目文件的场景 如果你只是想制作表格、整理资料，完全没必要为了使用智能体而专门学习命令行 4. 即时通讯入口 2026年，OpenClaw让更多人认识了这种使用方式，你可以通过支持的聊天软件，向智能体发送任务 比如，你人在外面，却希望智能体帮你处理电脑上的某些文件，只要提前配置好环境，并授予相应权限，就可以通过聊天消息让智能体执行 🔵第三个维度：它主要能完成什么任务？ 这个维度直接决定了一款智能体是否适合你，我们可以按照任务类型进一步区分。 通用办公型智能体 例如WorkBuddy、豆包工作等，主要用于文件整理、文档生成、数据分析、制作PPT等任务 编程型智能体 例如Codex、Claude Code等，主要面向软件开发，能够帮助用户理解代码、修复Bug、修改项目文件、执行测试 但现在编程智能体也能处理许多非编程任务，也可以应用于工作任务 行业垂直型智能体 例如Accio Work，它更加关注电商和商业运营等具体场景，可以结合行业工具和数据，协助进行市场研究、选品、供应商寻找等任务 垂直型智能体的价值不一定来自更强的模型，而可能来自它对行业流程的支持，以及能够连接的专业数据和工具 到这里，我们的认知框架就建立起来了，以后遇到一个新产品，先问自己： 它是哪家公司开发的？ 我通过什么方式使用它？ 它主要可以帮我完成什么任务？ 通过这三个问题，我们基本就能知道一款新智能体处于什么位置 3.4 这些智能体的底层逻辑是什么？ 前面我们按照产品形态进行了分类，但你可能会有一个问题：为什么有些智能体会使用终端，有些使用桌面软件，有些又可以通过聊天工具使用，但它们都能执行任务？ 你可以简单粗暴地认为这些智能体工具都是同一套结构：执行架构 + AI大脑 我们就拿workbuddy举例，本质是一套执行架构：能读文件、能跑命令、能调工具，但它自己不会想，你得给它接一个大模型当大脑，它才能干活 Claude Code、codex、OpenClaw、豆包工作全是这个逻辑，区别只在两件事：执行架构的能力边界不同（能调用哪些工具），接的大脑不同（用哪个模型思考） 总结来说：工具决定能做什么，大脑决定做得多好 3.5 哪个智能体工具最好用？ 这是新手最喜欢问的问题，但是，脱离具体需求讨论哪个工具最好用，往往没有意义 因为每个人对好用的理解不同，有人重视使用门槛，有人重视成本，有人重视速度，也有人最在意任务完成质量 我的建议很简单： 先确定自己的实际任务，再选择工具。 比如： 主要处理办公文件、表格和PPT，可以先体验WorkBuddy这类工具 主要开发网站、编写代码，可以重点了解Codex、Claude Code 需要通过聊天软件远程执行任务，可以了解OpenClaw、QClaw等产品 如果你从事跨境电商，可以优先关注能够接入专业行业数据与平台的工具 选择之后，不要急着购买会员，可以先准备几个真实任务，比较不同产品的执行效果 重点看： 它能否真正完成任务，而不只是给出建议？ 完成结果是否准确，需要你修改多少？ 整个过程花费多少时间和使用额度？ 是否支持你需要的软件、文件和平台？ 需要授予哪些权限，是否存在数据安全风险？ 真正的好用，不是AI看起来有多聪明，而是它能否稳定、经济地完成你需要的工作 3.6 普通人应该怎么学习智能体？ 讲完了这么多，最后回到一个问题：我们到底应该学什么？ 我的建议是，不要把主要精力放在记忆各个工具的操作界面上，因为产品一直在更新，今天的按钮位置，明天可能就变了。 真正需要学习的，是不同工具背后相通的工作方式，对于零基础用户，我建议按照下面的路线学习 🔵第一阶段：学会与AI表达需求。 能够说明自己想做什么、提供必要背景，并通过对话不断调整结果，这一点，我们在前面的提示词章节已经学习过了。 🔵第二阶段：使用图形界面的智能体完成真实任务。 比如通过WorkBuddy，让AI帮你整理文件、生成Excel、制作报告，不要一开始就追求复杂的自动化系统，先让它完成一件你原本需要亲自动手做的事情。 🔵第三阶段：理解智能体的执行过程。 重点观察它如何规划任务、调用工具、读取文件、处理错误，在这个过程中，你会逐渐理解模型、工具、权限、上下文等概念之间的关系 🔵第四阶段：根据实际需求继续深入。 如果你想进一步开发软件，可以学习Codex、Claude Code等编程智能体，如果你希望智能体具有更多专业能力，可以了解Skills、MCP和工具连接等机制 如果你需要跨平台、远程或定时执行任务，可以再研究OpenClaw等产品的相关能力，但这些都不是每个人必须掌握的知识 没有需求，就没有必要为了学习而强行折腾 第四部分：智能体快速上手 最后这一部分，我们一起用WorkBuddy完成你的第一个任务，让你真正理解前面所讲的内容 4.1 为什么选择WorkBuddy 前面讲过，所有智能体软件都是相似的，这一节我们就用门槛最低的方式，让你先体验一下什么是智能体，Workbuddy会用，那你完全可以无缝迁移到codex等其他智能体 并且WorkBuddy还可以使用免费额度，绝对是最适合小白上手的智能体，所以我们从它开始 官网：https://www.codebuddy.cn/work/ 4.2 WorkBuddy入门 下载安装到电脑之后，界面长这个样子： 关于模式选择 这里有三种模式选择，这里完全不需要纠结，按需选择就行，对结果影响不大： 当你要开始一个任务，你只需要注意这3点： ① 选择工作空间，点击选择工作空间，点击打开本地文件夹，选择一个合适的地方创建一个文件夹就行，之后不管是写的所有的代码，还是所有的产出物，都会放在这个文件夹下面，不会给你乱放： ② 设置权限，关于权限设置，这里推荐使用“允许完全访问”，如果你使用默认权限，它以后每执行一个步骤可能都会让你去批准、点击一下才会继续执行，这样很麻烦 ③ 选择模型，这是最重要的一步，模型的选择直接决定了最后的执行效果，不同的模型有不同的价格倍率，倍率越高，运行花费就越大，作为新手小白，我们完全可以先从免费的模型开始使用，当你发现某个任务效果不行、达不到预期时，再逐步更换更强的模型 怎么判断哪个模型更强？一个简单粗暴但有效的规律：价格越高，效果通常越好，当然不是绝对的，但对于刚入门的人来说，这是最直观的判断标准， 随着你使用次数的增加，你会逐渐建立起对不同模型的"手感"：就知道什么模型最适合当前的任务了 这里说一说我自己的习惯： 日常大量使用我会用DeepSeek V4.1 flash，性价比高，能力也足够；如果要设计网页，我会用Kimi K3 如果你实在拿不准，你也可以用 Auto 自动调度，让系统按任务难度分配： 设置好工作空间，选择好权限，配置好模型，现在直接在输入框输入需求使用了，如果不清楚自己的需求，就通过一轮一轮和他聊天，聊出需求 🔵一个使用示例： 我想要了解一下宠物猫高端烘焙粮这个赛道，让它把数据给我形成 Excel 表格，直接输入需求： 我想要经营宠物猫高端烘焙粮电商，请帮我调研 2025-2026 年的市场数据，我想了解猫经济与犬经济的市场规模对比，以及烘焙粮这个细分赛道的增长率，还要有传统平台（天猫/京东）与内容电商（抖音/小红书）在宠物类目的转化率（CVR）和获客成本（CAC）基准，并给出核心买家的年龄、婚姻状况、地域分布及消费动，最后形成 Excel 表格，下载到本地 效果： 最后回到一个经常会被问到的问题： 哪个智能体最好用？ 没有脱离场景的标准答案，最终还是要根据自己的需求，通过实际任务进行判断 至于我们应该学习什么，我想用一句话来总结：不要把学习智能体，变成学习一个又一个软件的操作教程 你真正需要掌握的，是如何提出目标、利用工具、理解执行过程、检查最终结果 当你建立起这套认知框架之后，以后不管出现什么新的智能体产品，都可以先看懂它，再决定是否值得使用 结语 到这里，AI通识教程的四大部分就全部讲完了： 大模型通识：理解了AI的本质、工作原理、优势和局限 提示词工程：掌握了与AI有效沟通的技巧和方法论 什么是Agent：了解智能体的概念、产品形态以及使用心法 上手Agent：用WorkBuddy完成了第一个任务 这套教程不追求让你成为AI专家，而是帮你建立对AI的正确认知，让AI真正成为你的工作助手 记住几个核心观点： AI是工具，不是魔法：要理性看待它的能力边界，知道它能做什么、不能做什么 提示词的本质是把需求讲清楚：不是背框架，而是学会与AI有效沟通 智能体当下并不智能：但已经可以解决很多实际问题，关键是找到适合的应用场景 最后我想说：AI是学不会的，是用会的 不要陷入无限学习的循环，而是赶紧去用、去试错、去解决你手头的实际问题，你在使用中遇到的每一个困惑、每一次调整，都会让你对AI的理解更深一层 从今天开始，把AI变成你的日常工具 不管是写周报、整理资料、学习新知识，还是策划方案、分析数据，先问问AI能不能帮你 最好的学习，就是在真实场景中反复使用，希望这套教程能帮你开启AI时代的正确姿势 如果觉得有收获，欢迎分享给更多需要的人

曝光 1406 · 评论 7 · 点赞 24 · 书签 28 · 曝光/时 580.5924886602726