在正式开始这个系列之前，我想先承认一件有点尴尬的事情：我之前其实也陷入过一种非常典型的“盲目使用 AI”的状态。

看到一个新的 AI 工具，就忍不住打开试一试；刷到一个所谓“万能提示词”，就先收藏起来；听说某个平台可以搭 Agent，又赶紧注册账号体验一下。短时间内，我确实接触了很多工具，也用 AI 写过文章、整理过资料、生成过方案、辅助过学习，甚至有时候还会觉得自己已经走在了 AI 应用的前面。

但是过了一段时间再回头看，我发现问题并没有那么简单。

我好像用了很多 AI，却没有真正沉淀下多少属于自己的 AI 能力。很多对话用完就过去了，很多提示词收藏之后再也没有打开过，很多工具体验了一圈，最后也没有进入自己的日常工作流。那些看起来很热闹的尝试，并没有形成一种可以持续复用、持续迭代、持续增长的能力。

也就是说，我过去更多是在“消费 AI”，而不是在“学习 AI”。

这也是我想写这个系列的原因。它不是一个站在高处向别人输出标准答案的教程，而更像是一份学习记录。我希望借这个系列，把自己从碎片化使用 AI，逐渐转向系统化学习 AI 的过程记录下来。如果这个过程中的一些方法、工具、提示词、Skill 模板或者工作流经验，刚好也能帮助到正在学习 AI 的朋友，那自然是更好的事情。

所以，这个系列的第一篇，我不想先介绍某个具体工具，也不想一上来就抛出一堆提示词模板。相比这些立刻可用的东西，我更想先讨论一个底层思维：如何用复利思维学习 AI。

一、什么是复利思维？

复利效应其实并不复杂。简单来说，它指的是那些微小、持续、可叠加的正向行动，会随着时间不断自我迭代，最终形成滚雪球式的增长。

复利不是一次性爆发，而是“利滚利”。如果用一个简单的公式来表达，它大概可以写成：

最终结果 = 初始积累 × (1 + 微小进步)ⁿ

这里真正重要的，不只是“微小进步”，而是后面的那个 n，也就是时间和重复次数。一次微小进步本身可能并不起眼，但如果这个进步能够被保存下来，并且成为下一次行动的基础，那么它就会慢慢积累成非常大的差距。

复利思维和单利思维最大的区别，也正在这里。

单利思维关注的是一次努力带来一次收益。例如，今天花两个小时学会一个技巧，这个技巧只解决了今天的问题，那么它的价值大概率就是一次性的。复利思维则不同，它更关注这一次努力能不能成为下一次进步的基础。如果今天学到的技巧被整理成了模板，被放进了自己的知识库，并且在未来的工作中被反复调用和优化，那么它就开始产生复利。

放到 AI 学习中，这个区别会变得非常明显。

如果我今天让 AI 帮我写了一篇文章，文章写完之后对话也就结束了，那么这只是一次性使用。但是，如果我在这个过程中总结出了一套更好的写作提示词，记录下 AI 哪里写得好、哪里容易跑偏，并把这些经验整理成一个可以复用的写作流程，那么这次使用就不再只是一次使用，而会变成下一次更高质量使用的基础。

这就是我理解的 AI 学习中的复利：不是每一次都从零开始，而是每一次都比上一次多留下一点东西。

二、为什么 AI 时代更需要复利思维？

过去我们学习一个新领域，通常需要经历一个相对漫长的过程。我们要先找资料、读书、看课程、做笔记，然后慢慢建立知识框架，再通过实践逐渐形成经验。这种学习方式当然是有效的，但它也有一个明显的问题：每进入一个新领域，我们几乎都要重新经历一遍从零开始的过程。

AI 出现之后，这件事开始发生变化。

当我们想进入一个新领域时，AI 可以帮助我们快速拆解知识结构，解释陌生概念，生成学习路线，提供案例说明，甚至可以根据我们的理解水平不断调整解释方式。更进一步，AI 还可以帮助我们把某个领域中的常见任务整理成流程，让我们更快搭建出第一版属于自己的工作流。

这意味着，在 AI 时代，学习的重点不再只是“掌握某个知识点”，而是变成了另一种更重要的能力：快速进入一个新领域，并借助 AI 建立起属于自己的工作流。

这个能力一旦形成，就会在不同领域之间迁移。

比如你学会了如何用 AI 辅助阅读一本书，那么类似的方法就可以迁移到阅读论文、研究行业报告、学习一门课程。你学会了如何用 AI 拆解一个复杂项目，那么类似的方法也可以迁移到写方案、做产品规划、搭建内容栏目。你学会了如何用 AI 复盘一次输出，那么这种方法也可以用于写作、编程、演讲、销售甚至日常工作总结。

这就是 AI 学习的复利价值。

你今天不是只学了一个工具，而是在训练一种可迁移的能力。你今天不是只解决了一个问题，而是在积累一种未来可以反复调用的方法。随着你在某个领域中不断使用 AI，你的理解能力会提升，你的输出质量会提升，而更高质量的输出又会反过来帮助你获得更好的反馈和更深的理解。于是，“能力提升”和“产出提升”之间会形成一个循环。

这个循环一旦建立起来，速度就会越来越快。

很多经典的认知学习理论，其实也在强调类似的事情。《刻意练习》中反复提到，真正有效的练习并不是简单重复，而是有目标、有反馈、有修正、有持续改进的训练。AI 恰好可以在这个过程中扮演一个非常重要的角色：它可以帮助我们拆解目标，也可以帮助我们获得反馈，还可以帮助我们复盘和优化下一次行动。

当然，前提是我们不能把 AI 只当成一个“答案生成器”。如果每一次使用 AI，都只是为了快速拿到一个结果，那么 AI 很容易让我们变得更懒。只有当我们把每一次使用都看成一次练习、一次沉淀、一次迭代，AI 才会真正成为能力的放大器。

三、学习 AI 的复利路径：Prompt → Skill → Agent 工作流

如果要用复利思维学习 AI，我现在更倾向于采用一条由浅入深的路径：

先学习 Prompt，再沉淀 Skill，最后理解和搭建 Agent 工作流。

这条路径看起来很简单，但它的价值在于，每一个阶段都会成为下一个阶段的基础。Prompt 学得越好，越容易理解 Skill；Skill 沉淀得越多，越容易理解 Agent 工作流；而当我们真正开始搭建工作流时，又会反过来发现自己还需要更好的 Prompt 和更稳定的 Skill。

这不是线性的学习，而是一个不断叠加的循环。

1. Prompt：学会把模糊需求变成清晰任务

很多人第一次使用 AI 时，最常见的方式就是直接提问，比如“帮我写一篇文章”“帮我总结一下这个内容”“帮我做一个计划”。这种方式当然也能得到结果，但结果通常不够稳定，因为我们给 AI 的任务本身并不清楚。

Prompt 的价值，不只是让 AI 输出更好，更重要的是训练我们把一个模糊需求拆解成一个清晰任务。

一个好的 Prompt，通常会包含任务背景、角色设定、目标读者、输出格式、约束条件、评价标准以及必要的示例。它要求我们先想清楚自己到底要什么，再把这个需求用结构化的方式表达出来。

比如，如果只是说“帮我写一篇关于 AI 学习的文章”，AI 当然可以写，但它大概率会写出一篇比较泛的内容。可是如果我们进一步说明：这是一篇系列开篇文章，目标读者是想系统学习 AI 的普通职场人和创作者，文章要先解释复利思维，再讲 AI 时代为什么复利重要，最后引出 Prompt、Skill 和 Agent 工作流的学习路径，语气要真诚、谦虚、有记录感，那么 AI 的输出就会更接近我们真正想要的方向。

这就是 Prompt 的第一层复利。

当我们不断练习写 Prompt 时，我们训练的不只是“如何指挥 AI”，更是在训练自己如何定义问题、拆解任务和表达标准。这个能力一旦形成，不管以后使用什么 AI 工具，它都会继续发挥作用。

2. Skill：把重复有效的方法沉淀下来

不过，Prompt 也有一个很明显的问题：如果每次都要重新写一遍，就会非常低效。

当我们发现某个 Prompt 经常被重复使用，或者某个任务流程已经相对稳定时，就应该考虑把它沉淀成 Skill。这里的 Skill，可以理解为一种可复用的方法封装。它不只是保存一句提示词，而是把完成某类任务所需要的背景、流程、标准、示例和注意事项都整理下来，让 AI 在以后执行类似任务时，不需要我们从头解释。

比如，假设我经常要写科技类公众号文章，那么我就可以把自己的写作偏好整理成一个写作 Skill。这个 Skill 里可以包含文章开头的方式、段落的节奏、标题的风格、常见的结构、参考样稿的特点，以及哪些表达应该避免。这样下一次写文章时，我就不需要反复告诉 AI“请写得像我之前那种风格”，而是可以直接调用这套已经沉淀下来的写作方法。

Skill 的价值在于，它把一次性的 Prompt 变成了长期可复用的能力。

如果说 Prompt 是一次沟通，那么 Skill 就是一套工作习惯。如果说 Prompt 解决的是“这一次怎么做”，那么 Skill 解决的就是“以后遇到同类任务都怎么做”。

这就是第二层复利。

因为从这一阶段开始，我们不再只是积累一些零散的提示词，而是在逐渐搭建自己的方法库。这个方法库会记录我们的偏好、标准和经验，也会随着使用不断被修改、补充和优化。时间越久，它就越像一个属于自己的外置大脑。

3. Agent 工作流：把能力组合成系统

当 Prompt 和 Skill 积累到一定程度之后，我们就可以进一步理解 Agent 工作流。

很多人一听到 Agent，就会觉得它很复杂，好像一定要涉及代码、插件、API、自动化编排和各种高级概念。实际上，如果从复利思维来看，Agent 工作流并没有那么神秘。它本质上就是把多个任务步骤、多个工具能力和多个判断节点组合起来，让 AI 能够更稳定地完成一个复杂任务。

一个简单的写作工作流，可能包括选题分析、资料收集、大纲生成、初稿撰写、风格调整、事实检查、标题优化和发布排版。一个学习工作流，可能包括知识拆解、概念解释、案例生成、测试提问、错题反馈和学习计划更新。一个研究工作流，可能包括问题定义、资料筛选、观点整理、证据评估和报告输出。

这些工作流并不是凭空出现的。它们往往都是由一个个 Prompt、一个个 Skill 和一个个工具节点组合起来的。

所以，我现在越来越觉得，学习 Agent 不能一开始就追着平台跑，也不能只看那些炫酷的自动化案例。更稳妥的方式，是先把 Prompt 练扎实，再把高频任务沉淀成 Skill，最后再去思考如何把这些 Skill 组合成一个完整的工作流。

这样学习 Agent 时，我们看到的就不再是一堆陌生概念，而是一套可以逐步拆解、逐步复用、逐步搭建的系统。

这也是第三层复利。

我们从一个提示词开始，慢慢沉淀出一个方法，再把多个方法组合成一个系统。到了这个阶段，AI 就不再只是一个聊天窗口，而开始变成一个可以持续优化的个人工作流引擎。

四、现成 AI 工具这么多，为什么还要自己学习？

说到这里，可能会有人问：既然现在已经有这么多现成的 AI 工具，为什么我们还要自己学习 Prompt、Skill 和 Agent 工作流？

这个问题非常现实。

现在的 AI 工具确实太多了。写作有写作工具，做图有绘图工具，做 PPT 有自动生成工具，做客服有智能客服平台，做知识库有 RAG 工具，搭 Agent 也有 Coze、Dify、LangGraph、CrewAI 等各种平台。对于很多标准化任务来说，直接使用这些工具当然是高效的，而且也是值得鼓励的。

但是，如果我们只会使用工具，而完全不理解工具背后的结构，就很容易遇到另一个问题：一旦任务稍微变得定制化，工具就不够用了。

很多现成 AI 工具，本质上都是对 Prompt、知识库、插件、工作流和模型能力的封装。它们把复杂能力包装成一个更友好的界面，让用户可以更快上手。这当然是好事，但封装也意味着我们很难看清它内部真正的运作方式。

对于通用任务来说，这种封装非常方便。可是对于真正个性化、专业化、差异化的任务来说，我们往往需要更深的定制能力。

比如，我不是只想让 AI 帮我写一篇文章，而是希望它长期理解我的写作风格、选题偏好、表达方式和读者定位；我不是只想让 AI 总结一篇资料，而是希望它按照我的行业框架提取重点，并且能够和我之前积累的知识连接起来；我不是只想让 AI 帮我完成一个任务，而是希望它能够融入我的日常工作流程，成为一个稳定、可调整、可迭代的助手。

这些需求，往往不是一个现成工具能完全解决的。

这也是为什么我们仍然需要学习 Prompt、Skill 和 Agent 工作流。不是因为现成工具不好，而是因为只有理解了这些工具背后的基本结构，我们才有能力判断它们适合做什么、不适合做什么，也才有能力在现成工具无法满足需求时，自己搭建或改造一套更贴近个人场景的流程。

五、差异化会变得越来越重要

AI 越普及，通用能力就越容易被抹平。

如果所有人都可以用 AI 写一篇结构完整的文章，那么“能写一篇文章”本身就不再是明显优势。如果所有人都可以用 AI 总结一份报告，那么“能总结报告”也会逐渐变成基础能力。如果所有人都可以用 AI 生成一个 PPT，那么真正重要的就不再是“会不会生成”，而是“生成出来的东西是否有判断、有风格、有业务理解、有差异化”。

这也是 AI 时代非常值得认真思考的一点。

当工具能力变得越来越强，真正稀缺的反而是人的判断力、领域经验、审美标准和问题定义能力。AI 可以帮助我们更快产出，但它很难自动知道我们真正想要什么，也很难自动拥有我们在具体行业、具体岗位、具体项目中积累下来的经验。

所以，真正有价值的不是简单地“会用 AI”，而是把 AI 和自己的专业经验结合起来。

一个做教育的人学习 AI，重点不应该只是让 AI 写教案，而是思考如何把教学目标、学生反馈、知识拆解和练习设计变成一个可复用的教学工作流。一个做销售的人学习 AI，重点也不应该只是让 AI 写话术，而是思考如何把客户画像、沟通记录、异议处理和成交复盘变成一个可持续优化的销售系统。一个做内容的人学习 AI，也不应该只停留在让 AI 代写文章，而应该把选题、资料、结构、风格、修改和发布都纳入自己的工作流。

这才是差异化。

不是别人用了 AI，我也用了 AI；而是别人把 AI 当成一次性工具，而我慢慢把 AI 变成了自己的长期能力系统。

六、优秀 Prompt 和 Skill，其实也是高手经验的压缩包

在学习 AI 的过程中，我越来越觉得，优秀的 Prompt 和 Skill 不只是技巧，它们往往也是某个领域高手经验的压缩包。

一个优秀的写作 Prompt，背后可能藏着作者对读者心理、文章结构、叙事节奏和观点推进的理解。一个优秀的编程 Skill，背后可能藏着工程师对代码风格、测试流程、错误处理和项目结构的经验。一个优秀的研究 Skill，背后可能藏着研究者对资料筛选、问题定义、证据强度和论证逻辑的判断。

所以，当我们学习一个 Prompt 或 Skill 时，不应该只停留在“复制下来直接用”。更值得做的，是去分析它为什么这样设计。

为什么它要先定义角色？为什么它要补充背景？为什么它要限制输出格式？为什么它要给出评价标准？为什么它要让 AI 先提问再回答？为什么它要要求 AI 自检？为什么它要把一个大任务拆成几个小步骤？

这些问题，表面上是在研究提示词，实际上是在研究高手如何思考任务。

这也是 AI 学习很有意思的地方。我们不仅可以向 AI 学习，也可以通过 AI，向那些已经把经验结构化、流程化、模板化的人学习。优秀的 Prompt 和 Skill 就像一份份被压缩过的经验包，我们拆得越细，越能看到它背后的思维方式。

而当我们理解了这些思维方式之后，就不只是“拿来用”，而是可以慢慢改造成自己的版本。

这同样是一种复利。

七、这个系列后面会怎么写？

因为这篇文章是这个系列的第一篇，所以我也想简单说明一下后面大概会怎么展开。

接下来，我会按照“Prompt → Skill → Agent 工作流”这条路径，持续记录自己学习和实践 AI 的过程。这个过程不会假装已经有了最终答案，也不会只做工具清单式的推荐。更准确地说，它会是一份边学、边用、边复盘、边整理的记录。

第一阶段，我会先从 Prompt 开始，记录如何把一个模糊的问题变成清晰任务，如何写出更稳定的提示词，如何让 AI 更好理解我们的真实需求，以及如何把一个普通 Prompt 逐步优化成可复用的 Prompt 模板。

第二阶段，我会继续学习和整理 Skill 的使用方法，尝试把一些高频任务沉淀成可复用的 Skill。比如写作 Skill、学习 Skill、资料整理 Skill、研究分析 Skill 等等。这里我更关注的不是“看起来很高级”，而是它能不能真正进入日常使用，能不能在反复使用中变得越来越稳定。

第三阶段，我会再进入 Agent 工作流，尝试理解如何把 Prompt、Skill、知识库和工具调用组合起来，搭建一些真正能解决实际问题的小型工作流。这个阶段可能会涉及一些平台和工具，但重点仍然不是追工具，而是理解背后的流程设计方法。

在这个过程中，我也会分享一些自己看到的优秀 AI 工具、Prompt 模板、Skill 案例和工作流设计。只是这些内容不会只是简单地“推荐给大家使用”，我更希望做的是把它们拆开来看：它们为什么好用，它们背后用了什么结构，它们适合什么场景，又有哪些地方可以改造成更适合我们自己的版本。

如果说这个系列有一个目标，那它不是让我们短时间内掌握所有 AI 工具，而是帮助我们逐渐建立一套可以长期积累的 AI 学习方式。

八、最后：从盲目使用，到系统积累

回到最开始的问题。

我之所以想写“使用复利思维学习 AI”，并不是因为我已经完全学明白了 AI，而是因为我发现自己确实需要这样一套方法。

过去，我很容易被新工具、新概念、新玩法吸引。看到别人说某个工具很强，就赶紧去试；看到一个新的提示词模板，就先收藏；看到一个 Agent 案例，就觉得自己也应该马上搭一个。这样的学习方式短期内会很兴奋，但长期看很容易变成碎片化消耗。

真正值得积累的，不应该只是“我又体验了一个工具”，而应该是每一次使用之后，我有没有多留下一点东西。

有没有留下一个更好的 Prompt？

有没有沉淀一个可复用的模板？

有没有整理出一个更清晰的流程？

有没有把一次经验升级成一个 Skill？

有没有让一个 Skill 慢慢变成自己工作流中的一部分？

这些东西刚开始看起来都很小，甚至有点慢。别人可能已经用 AI 生成了十篇文章，而你还在整理一个写作 Prompt；别人可能已经体验了十个工具，而你还在打磨一个固定流程。但是，如果这些小东西能够不断积累，它们迟早会变成自己的 AI 能力底座。

这就是我理解的复利思维。

它不是追求突然变强，而是每一次都比上一次多积累一点；它不是追求立刻掌握所有工具，而是慢慢建立一套属于自己的学习系统；它不是把 AI 当成一次性答案机器，而是把 AI 当成一个可以长期协作、长期迭代、长期放大个人能力的伙伴。

AI 变化太快，没有人能一次性学完，也没有人能保证自己永远走在最前面。更现实的方式，可能就是大家一起边用边学，边学边记录，边记录边复盘。

这篇文章就先作为这个系列的开始。

接下来，我会继续把自己学习 Prompt、Skill 和 Agent 工作流的过程记录下来，也会分享一些实际用过的方法、踩过的坑和觉得值得参考的案例。希望这个过程不只是我自己的学习记录，也能成为和大家一起讨论、一起实践、一起提升的起点。