AI 入门系列 · 第二篇

从搬砖到思考：六个工具链的真实改变

半年前，一个朋友找我帮忙看调研报告，他花了两天才搞定。搜资料、翻网页、整理信息——光这些就耗了一天半，真正动笔写的时间还不到半天。我听完这个描述，决定演示一下自己的方式。

我打开 Gemini，花十分钟写了一段提示词，把调研范围、关注维度、输出格式都交代清楚，让它的 Deep Research 功能跑一遍。五分钟后，它自动浏览了上百个网页，回来给了我一份带引用来源的初稿。我再花半小时做人工校对、补充行业判断，完成。总耗时：四十五分钟。

他看完我的版本，说了一句特别准确的话：“不是你比我强，是你找了一个不睡觉的助手。”

这句话触发了我后来一个更深的思考。做完这一轮之后，我发现自己和他之间的差别，已经不是”工作效率”的问题，而是”工作本质”变了。他在做的是搜资料、整理、动笔写——一个接一个的执行动作。我在做的是什么——告诉机器我要什么，然后在一堆候选方案里挑选、判断、改进。一个人在”执行”，一个人在”思考”。这种变化看起来很小，实际上改变了工作的整个形态。

等我把六个工具串成一套完整的组合拳之后，这种感受变得更深刻了。

Gemini 先帮我从互联网里捞出初稿，用的是那段精准的提示词——范围、维度、格式框清楚。我给它的指令长这样：”请为我调研 2025-2026 年国内 AI Agent 领域的发展现状。重点关注：主要玩家和产品、核心技术路线差异、商业化落地进展、面临的主要挑战。每个论点需要附带来源链接，用中文撰写。”出来的研报会自动浏览几十甚至上百个网页，交叉比对不同来源，过滤低质量内容。上次做竞品调研，它还接入了我的 Gmail，直接从半年前的邮件里翻出来一条我自己都忘了的关键线索。

这个环节最大的价值是把”找资料”的时间从一天半压缩到十分钟。但真正的瓶颈暴露出来了。问题不在”找不到信息”，在”不知道该找什么”。当搜资料变快后，真正的工作难度跳到了”怎么精准定义调研范围、怎么框出有价值的问题”。人的时间省出来了，但人的思考要求反而更高了。

NotebookLM 解决了这个。把资料扔进去，最多 50 个来源、总共 50 万字。真正让我觉得离谱的是它的 Audio Overview——它把资料自动变成一档”两个 AI 主持人的播客”，两个人对着核心观点讨论、互相提问、偶尔还开玩笑。

那份 100 页的白皮书，生成了一期 15 分钟的播客。第二天通勤路上戴耳机就听完了。听完之后核心论点和主要争议已经有清晰的框架，回去翻几个关键章节确认细节就行。我现在的用法是：Gemini 在前面”从互联网大海里捞鱼”，NotebookLM 在后面”把捞回来的鱼做成菜”。一个往里收，一个帮我吃掉。

到了执行环节，事情变得更有趣。有一次我需要把大约 200 个 Excel 表格合并成一个，按日期排序，去掉重复行。手动不可能，找程序员他说排到下周。我打开 Claude Code，输了一句：”帮我写一个 Python 脚本，把这个文件夹里所有 Excel 表格合并成一个，按日期列排序，去掉重复行。”两分钟。它自己写完代码、跑了一遍发现某个文件编码有问题、自己加了异常处理重新跑，然后告诉我：搞定了，合并后 15,672 行。

这件事验证了我一直以来的一个判断：在 AI 时代，“会不会编程”已经不重要了，”能不能描述清楚需求”才重要。以前编程能力决定了你能做什么，现在描述能力决定了你能做什么。编程变得廉价了。那什么变得稀缺了——是能清晰地把需求讲出来的能力。

Cowork 处理文件。上周我给它这样一个任务：”帮我把下载文件夹里这个月所有的 PDF 发票整理到一个新文件夹里，按金额从大到小排序，生成一份 Excel 汇总表，包含日期、金额和供应商。”我去倒了杯水，回来它已经搞定了。

还有一个被我长期忽略的环节——知识沉淀。我用 Obsidian 记笔记，几年下来上千篇。Claudian 是个开源插件，把 Claude 嵌入 Obsidian 侧边栏，能读取整个笔记库。我让它翻过我三年的日记体笔记，帮我总结认知变化的脉络。这种事我自己做不到，因为我根本记不住三年前写了什么。但 AI 可以，它的记忆力是无限的。三年的笔记，它看一遍，能给我一份完整的认知演进图谱。

回到我朋友那个调研。完整流程是这样的：Gemini 十分钟捞信息出初稿，NotebookLM 生成播客通勤路上消化，需要配图就用 Gemini 内置的 Nano Banana 两分钟生成，数据分析用 Claude Code 写脚本跑，PDF 资料整理交给 Cowork 自动分类归档，最后在 Obsidian 里沉淀思考。从头到尾两小时。

其中一个半小时是我自己在思考——看初稿、判断逻辑框架有没有问题、补充自己的行业经验、决定哪些信息可信度高。每个环节都有 AI，但判断权始终在我。Gemini 搜资料，我判断哪些可信；NotebookLM 帮消化，我决定框架对不对；Claude Code 写脚本，我验证输出的准确性。AI 把我从搬砖里解放出来了，但决策这件事没有也不应该外包。

这就是工作本质改变的地方。有了这套用法之前，我的时间分配是：70% 在执行（搜资料、写代码、整理文件），30% 在思考和判断。现在反过来了。效率提升只是表面，本质上是工作类型的改变。

回过头看这套用法，我的角色已经不是流水线上的工人了。AI 像是一条智能流水线，我像是这条流水线的质量检查员和方向盘——决定往哪走、判断产出合不合格，但不亲手拧螺丝。

这种变化是解放还是压力，我现在还没想特别清楚。一方面，省下了搬砖的时间是真的爽。另一方面，“想不清楚就没办法往前走”的压力也是真的。以前我可以先干起来，在做的过程中慢慢摸清楚方向。现在必须先想清楚，才能让工具往前跑。

从竞争的角度看，这个变化的杀伤力很大。我用两小时搞定的调研，朋友要花一天半。这种效率差距以前需要十年经验才能产生，现在只需要学会用几个工具、学会怎么把它们串起来。这听起来很民主——”能力被民主化了”。但从另一个角度看很残酷：不会用工具的人，整个工作方式都会被淘汰掉。而且这个淘汰不只是”会不会编程”的问题，而是一个综合维度。你得知道什么时候用 Gemini，什么时候用 NotebookLM，什么时候该拆分任务让 Claude Code 来处理。会的人和不会的人之间，正在出现一条看不见但越来越深的鸿沟。

我最近在想一个问题：当工具越来越接管执行层，人的工作是不是在变得越来越单纯。从”十八般武艺”慢慢压缩到”想清楚”和”判断对不对”。有没有可能，再过几年，大部分专业人士的核心竞争力就只有两件事：能不能把意图讲清楚，能不能评判输出的质量。

我现在的用法还是人和工具的混合模式——AI 负责干完，我负责想清楚和判断。但也许再过两年，工具在”想”这个环节上也有突破。那时候人的角色又会变一次。

在 AI 重塑一切的时代，重新理解人和工具的关系。

扫码关注 SooKool 公众号

© SooKool · 公众号原创内容