学了很多AI工具,为什么还是用不起来?

我们刚开始用AI，很容易把注意力放在提示词上。回答不好，就再加一句“你是专家”；内容不够深入，就再补一句“请深度思考”。

这些要求可能有帮助，但有些问题，继续改提示词也解决不了。

比如，你想知道一门课程值不值得学，于是把课程名字和目录发给AI，让它帮忙分析。

它很快就写出了一份评价，告诉你课程覆盖哪些方向、适合什么人。看到这里，我们可能会觉得，它已经很了解这门课了。

可再往下想一想：老师到底讲得深不深？案例有没有把过程说清楚？方法有没有适用条件？这些东西，只看目录是看不出来的。

所以，结果不满意的时候，我们可以先分清楚：是它已经拿到了材料，却没明白你的要求；还是它明白你想做什么，但手里没有足够的信息？

如果是前一种，就把要求补清楚。如果是后一种，就需要回头找材料了。这个区别弄清楚，才不会在同一句提示词上来回折腾。

至于要求怎么写，我觉得不必先背复杂的模板。你可以试着交代五件事：想拿到什么成果，准备拿它做什么，手里有哪些材料，有什么具体要求，最后怎样判断做得好不好。

比如整理课程，我们就可以这样说：

你看，这里面没有什么特别厉害的词。我们只是把自己心里那份“好笔记”的样子，多告诉了它一点。

说到这里，你可能会想，那我多给它一些资料，是不是就能做得更好？

有时可以。不过，资料之间的关系，也需要交代。

假设你要写一份产品介绍，手里有几份说明。其中一份价格已经更新，一份是没通过的方案，还有一份是你很喜欢的同行文案。

你知道新价格才有效，也知道同行的文案只是拿来参考语气的。但这些判断如果没有说出来，AI就可能把不同文件里的内容混在一起。

到最后，文章写得挺顺，价格却是旧的，产品特点还掺进了别人家的。

这里就涉及一个经常能看到的词，叫“上下文”。你可以把它理解成：AI这次做事时，实际能看到的任务说明、资料和对话记录。

而所谓“上下文工程”，放到日常使用里，一个很实际的做法，就是把当前需要的信息选出来，再说明它们各自有什么用。Anthropic的相关文章也讨论了这件事。

我们自己准备资料的时候，其实就可以做一点这样的整理：这份用来确认事实，那份参考表达；价格以最新版本为准，旧方案只用于了解背景；没有提供的数据，先空着，等确认以后再补。

不需要写得很复杂。你已经知道的背景，顺手多交代几句，往往就能减少后面的误解。

参考个人文风也是一样。你把以前的文章给AI，可以告诉它：参考我解释问题的方式、说话的语气，但不要把旧文章里的故事直接搬到新文章里。

如果资料很长，还可以先请它列一下读到了哪些部分，找出几条关键内容，并标出对应位置。这样你就有机会先看一眼，它有没有漏掉重要材料，而不用等整篇写完才发现方向不对。

用AI整理资料，有一种情况需要留意：一段话读起来很顺，结构也完整，我们就容易顺着它继续往下想。

但它的依据，可能还没有那么充分。

AI把错误或没有根据的内容说出来，通常被叫作“幻觉”。难发现的地方就在这里：这些内容不一定写得很差，有时还会带着具体数字和看起来很像样的引用。

比如，我们看到一个案例，说某个AI项目一个月收入不错。能不能据此认为，这个项目很赚钱，普通人也可以照着做？

还差一些信息。

收入里有没有扣掉获客和交付的成本？做成这件事用了多少时间？需要什么经验和资源？这样的收入，是偶尔一次，还是能够持续？

这些条件没有弄清楚，我们可以先记住这个案例，继续了解，但还不能把它当成一个已经验证好的机会。

同样的道理，用AI整理课程或文章时，我建议把三种内容分开：原材料明确讲了什么，整理过程中推出来什么，后来又查到了什么更新。

原材料里的观点，要能找到位置；自己的推断，可以保留，但要说明；新补充的信息，也需要有它自己的出处。这样以后回过头看，你才知道一个结论是怎么来的。

读旧教程时，时间也是其中一个条件。某个工具当时做不到的事情，现在未必仍然做不到；当时很热门的榜单，也未必能说明今天的需求。

目标怎么明确、结果怎么检查，这些方法可以继续理解。涉及版本、价格、权限和具体能力的部分，就在用之前重新核实一下。

还有一点，AI给出的链接也值得打开看看。我们要确认的，是里面的内容确实支持这个结论。有出处可查，才方便我们继续判断，而不只是觉得“它说得好像挺对”。

很多教程会说，复杂任务要拆开做。可真到自己动手的时候，我们可能还是不知道该怎么拆。

可以从一个很简单的角度想：这件事做到哪里，我需要看一眼，确认前面没有弄错？

比如整理一节视频课，我们需要先取得音频或字幕，校对关键内容，再提取观点和原始位置。遇到可能过时的信息，查过以后，才适合写进最后的笔记。

这里每一步，其实都在处理不同的问题。

人名、数字听错了，需要回去核对音频；观点理解反了，要看前后文；旧工具的操作失效了，要查新的说明。等这些都确认了，文字仍然不好懂，才需要调整解释的方式。

如果没有分清这些，只告诉AI“这份总结不好，再写一遍”，它可能把文字改得更漂亮，却把前面的错误一起留下来了。

这也能帮助我们理解“工作流”和“智能体”。这两个名字看着有些陌生，放到同一件事里，就容易理解一些。

按照Anthropic的一种区分方式，工作流沿着预先安排的步骤执行；智能体则让模型根据情况，决定接下来怎样处理、使用什么工具。不同产品的命名可能不完全一样。

还是拿课程整理来说。如果每次都有字幕，按固定顺序读取、总结、保存，可以做成工作流。如果要先判断有没有字幕，没有的话换什么办法，读到一半发现缺了材料又该怎么办，就需要更多临时判断。

我们选择的时候，可以先看自己手里的事情需要哪一种。步骤已经很清楚，就先把固定流程做好；确实经常需要根据情况调整，再考虑增加自主处理的能力。

不用一开始就把系统做得很复杂。但会影响后续结果的地方，要留出检查的机会。有些判断暂时还说不清规则，也可以先由自己确认，再让AI继续往下做。

我想专门留一点篇幅，说说这件事。

接触AI以后，我们很容易注意到自己不会的东西。这个工具没听过，那个功能没用过，好像又要从头开始学。

但当AI真的交给你一份结果，你还需要判断它能不能用。这个时候，你原来做过的工作、处理过的问题，就会参与进来。

做过课程的人，知道初学者容易在哪里听不懂；做过销售的人，知道客户会在意哪些条件；做过项目的人，看一眼计划，就可能发现负责人没定，或者时间安排不现实。

这些都是经验，只是我们平时用得太自然了，未必意识到它们也需要告诉AI。

比如，你看到一份会议纪要，觉得不对。再仔细看，发现会上还在讨论的方案，被写成已经确定了；大家没有明确负责人，它却自己填了一个人。

当你能把“不对”说到这个程度，就可以把它整理成以后使用的要求：讨论事项和决定事项分开，负责人或时间没有明确，就标注待确认。

文章也是一样。你觉得没有干货，可以再想想：是只有结论，没有原因？是方法讲了，却没说什么时候适用？还是例子太空，读者不知道怎么用到自己的事情上？

这样一点点说清楚，你平时凭经验作出的判断，就有了AI可以参考的标准。

等一套做法用顺了，可以留下一份满意的成品、一份处理要求，再加上几个曾经出错的例子。以后换一份材料试试，就能看出哪些要求还管用，哪里需要再补充。

刚开始，一份普通文档就够了。多用过几次，确认效果比较稳定，再考虑做成助手或自动流程。这样你也更清楚，自己究竟在把哪一部分经验保存下来。

AI生成得很快，我们很容易被这个速度吸引。几分钟就写完了，几秒钟就整理好了，看着确实省事。

可自己真正用的时候，可能还有准备材料、核对内容、修改错误这些工作。

举个假设的例子。原来整理一份记录需要60分钟，现在准备材料花了15分钟，AI生成用了2分钟，检查和修改又花了50分钟。整件事做完，是67分钟。

这一次，虽然生成很快，但还没有省下时间。

看到这个结果，也不用马上认定这条路走不通。我们可以继续看看，时间具体花在了哪里。

如果主要是在第一次整理规则，后面能够重复使用，那就值得再做几次，看看有没有改善。如果每一次都要纠正同样的错误，就需要回到前面的步骤调整，或者先让AI负责其中更适合它的部分。

记录时，可以简单留三项：从准备到完成花了多久，哪些地方需要返工，最后的质量是否合适。以后比较相似任务，就会比只凭感觉清楚一些。

如果你想把这项能力做成产品或服务，还要去了解使用它的人。

假设有人每周都要整理培训录音，他最需要的可能是准确的任务清单，方便核对谁负责什么。你做出一篇很漂亮的摘要，却没有负责人和原始位置，他还是得重新听一遍。

这样的情况下，我们就需要再靠近他的工作一点，了解他原来怎么做，最费事的是哪一步，用了你的结果以后还有哪些事情没解决。

使用频率也可以放在这个背景下看。一个功能每天都能用，但解决的问题很小；另一个服务偶尔才需要，却能帮人处理一件很重要的事。它们各自有没有价值，需要看具体情境。

所以，如果你想尝试用AI服务别人，可以先找一个真实的使用者，把一件事完整地做下来。听听他的反馈，看看他下一次是否还愿意用，再决定要不要投入更多。

这一步会让你更了解，自己的能力具体能帮到谁，也知道接下来值得把时间花在哪里。

说了这么多，你可能会觉得，用好AI原来还有这么多事情要考虑。

这些不需要在开始之前全部掌握。你可以先选一件熟悉的小事，用起来以后，遇到哪一部分，再回头看哪一部分。

比如，这周就选一节课，整理成自己看得懂的笔记。整理完，试着用自己的话解释其中三个方法，再挑一个用到实际任务里。

到这里，我们就有机会看清，自己究竟学到了哪一步。

看答案的时候觉得明白，合上以后却讲不出来，那就再回去看看。原来的例子会了，换个情境又不知道怎么办，就带着这个新问题继续学。

也可以请AI对照教材帮你找理解上的偏差，再回到材料里确认。它说你理解得很好，当然让人开心，但有没有掌握，还是要看自己能不能解释、能不能用。

学工具也一样。换一份资料，原来的方法还成立吗？某一步失败了，知道从哪里检查吗？换一个软件以后，哪些要求依然要保留？

明确目标、寻找证据、拆分任务、检查结果，这些做法都可以带到下一次尝试里。具体按钮和版本操作变了，我们再补那一部分就好。

我希望大家在学AI的时候，能慢慢看见自己已经会了什么。以前只知道结果不好，现在能指出哪里不好；以前不知道从哪里开始，现在能先准备一份材料、交代清楚一个任务，这些都是很具体的进步。

没有人能把AI学完。我们可以先把眼前这一点学到够用，做的过程中发现还有哪里不会，再接着学。

这一次，你能用它帮自己做好一件事，也说得清哪里还需要调整，就已经有了下一次继续往前走的基础。