学 AI ,不只是会更多 AI 工具

我最近越来越觉得，我们可能把“学习 AI”这件事想复杂了。

这一两年，我也一直在学 AI。

从大模型、知识库、工作流，到 Codex、Claude Code、Hermes、OpenClaw、Qoder、TRAE、WorkBuddy 等各种产品和 Agent，再到 Prompt、Skill、MCP、API、Context、AIGC、Vibe Coding……

新的模型、新的概念、新的工具几乎每天都在出现。

学得越多，有时候反而越容易产生一种焦虑：

是不是还有什么工具没学？

是不是 Agent 不会搭，就已经落后了？

但最近在实际使用 AI、做一些企业 AI 赋能，也开始更多接触企业真实需求之后，我越来越觉得：

真正拉开差距的，可能根本不是你知道多少 AI 工具，而是你能不能看见一个真实的问题，然后判断 AI 能不能解决、应该怎么解决。

⸻

一、“会用 AI”和“用 AI 解决问题”，其实是两件事

会利用 ChatGPT、Claude、DeepSeek、GLM、Kimi 等大模型各自的能力边界，完成长文档整理、方案设计、业务推演、内容创作；

会 AI 绘画、视频生成，会搭建 Agent、自动化流程……

这些当然都是能力。

但它们更多还是一种工具能力。

如果今天我会 20 个 AI 工具，但你问我：

“那你到底用 AI 改变了什么？”

我可能还是需要拿出一个具体结果来回答。

比如：

以前一个重复工作需要 2 小时，现在是不是变成了 20 分钟？

散落在几十份 PPT、方案里的经验，能不能被重新找到和复用？

一个过去高度依赖资深员工经验的工作，能不能把其中一部分经验、判断标准和方法沉淀下来？

所以我现在越来越觉得：

工具数量不是能力的证明，真正解决过的问题才是。

⸻

二、学 AI 的顺序，应该反过来

以前很容易按照这样的路径学习：

学模型 → 学提示词 → 学 Skill → 学 Workflow → 学 Agent → 最后再想这些东西能干什么。

但我现在更认可另一种顺序：

真实问题 → 判断 AI 是否适合 → 找到 AI 介入点 → 选择工具 → 做出来 → 看结果 → 再迭代。

所以我现在关注的重点，也开始发生变化。

比起继续追着研究每一个新的 AI 工具，我更关心：

企业里到底有哪些真实问题值得 AI 化？

AI 应该介入哪一个环节？

哪些已经验证有效的方法和经验，可以进一步沉淀成可复用的能力？

也就是说：

工具退到后面，问题和业务走到前面。

⸻

三、真正难的，可能不是怎么用 Agent，而是“这里为什么需要 Agent”

现在 Agent 很火，Workflow 很火，Skill 也很火。

于是很容易形成一种思维：

我学会了 Agent → 我要找个地方用 Agent。

但真正合理的顺序，应该反过来：

这里有一个问题 → AI 能不能解决 → 普通对话够不够 → 一个固定 Workflow 够不够 → 最后才判断是否真的需要 Agent。

甚至很多问题，根本不需要 Agent。

有些问题，一次对话就能解决。

有些问题，一个固定 Workflow 就足够。

有些问题，甚至根本不应该交给 AI。

所以我越来越觉得：

能够判断“不需要 AI”“不需要 Agent”，本身也是一种 AI 能力。

因为真正的 AI 能力，不只是知道 AI 能做什么，也要知道它不该做什么，以及做到什么程度最合适。

⸻

四、我也开始重新理解，“AI 能力”到底是什么

如果现在让我来理解，我会把 AI 能力分成三层。

第一层：工具能力——知道用什么，也知道怎么用

知道不同模型、工具和提示词怎么使用。

知道什么模型擅长长文本，什么模型适合复杂推理，什么模型更擅长编程；也知道什么工具更适合图片、视频、搜索、知识库或者自动化。

这是基础。

第二层：问题能力——会拆解问题，也会解决问题

能够理解一个真实业务问题，把任务拆开。

判断 AI 应不应该介入。

如果介入，应该放在哪一个环节。

然后再选择合适的模型和工具，把问题真正解决掉。

到了这一层，重点已经开始从“会使用工具”，变成“会解决问题”。

第三层：资产能力——会复盘，也会沉淀

不满足于：

“这一次我用 AI 做出来了。”

而是继续往后想：

这一次为什么能做出来？

哪些步骤可以复用？

哪些判断标准可以留下？

哪些知识和经验值得沉淀？

然后把这些东西逐渐变成：

知识、提示词、Skill、Workflow，甚至 Agent。

让下一次遇到类似问题时，不需要再从零开始。

这也是我最近一直在思考的一个方向：

能力资产化。

我越来越觉得：

会用 AI，是个人技能。

用 AI 解决问题，是业务能力。

把解决问题的方法沉淀下来，才开始变成真正可以被复用、被复制、被持续迭代的能力资产。

一次解决问题，只产生一次价值。

把解决问题的方法留下来，价值才有可能不断累积。

⸻

所以现在，我已经越来越不太关心一个人：

“到底会多少 AI 工具？”

我反而更关心另外几个问题：

你真正解决过什么问题？

为什么这里要用 AI？

AI 到底参与了哪一步？

最后的结果有没有真的变好？

这套方法能不能留下来，下次继续用？

甚至，它能不能继续被别人使用、优化、迭代？

也许未来真正稀缺的，并不是最懂 AI 工具的人。

而是那些：

理解真实问题，知道什么时候该让 AI 进来，能够把问题真正解决，并且把解决问题的方法留下来的人。

工具只是入口。

解决问题，才真正产生价值。

而把解决问题的方法沉淀下来，才开始形成真正可复用的 AI 能力。