鼎汇出海 · AI 认知与方法

把一个人变成一支队伍

AI 三层沉淀法实战拆解——从认知层到应用层，讲透"不跟风、真提效"的那条路不卖课，卖认知和方法

鼎汇出海研究院 研究员 · 深圳市鼎汇出海跨境电商研究院

◆ 研究员视角 · 我是怎么拆这道题的

① 先区分"模型"和"Harness"。模型是发动机，Harness 是把模型组织起来干活的整车。评价一套 AI 能力，既要看排量（模型上限），更要看整车（调度、上下文、工具链、记忆）。只比参数，是外行看热闹。

② 把提效写成公式。真实提效 = 生成速度 × 一次通过率。只谈速度、不谈一次通过率，是行业里最常见的虚假提效——写得快、改十遍，等于没提效。

③ 沉淀必须有结构。提示词模板（第一层）→ 背景包与知识库（第二层）→ 技能流程（第三层）。判断一个人是不是真在用 AI，不看他装了几个工具，看他第三层里有没有东西。

④ 成本要算全口径。订阅费只是显性成本，隐性成本是学习时间与返工。当工具的半衰期短于你的学习周期时，频繁换工具是负收益——这是我用两年时间买来的教训。

⑤ 证伪点照旧。如果一家企业按三层法做了 90 天，交付物的一次通过率没有提升，问题大概率不在方法，而在业务本身没有被结构化——那要先补的是管理课，不是 AI 课。

◆ 核心要点速读（30 秒版）

• 工具半衰期短于学习周期——追新是消费，不是学习。
• 模型是发动机，Harness 是整车：排量决定上限，整车决定你实际跑多快。
• 真实提效 = 生成速度 × 一次通过率；只看前者是虚假提效。
• 三层沉淀法：提示词模板 → 背景包/知识库 → 技能流程；不沉淀＝租用效率。
• 落到跨境六环节：选品、供应链、物流、客服、营销、合规，逐个接管。
• 最后一层是组织：从个人提效到组织进化，攒下你自己的 AI 资产包。

① 认知层

先换脑子

工具半衰期，短于你的学习周期

你刚学会一个工具，它可能已经"过时"了。

这两年我被问得最多的一个问题是："现在到底该用哪个 AI？"每次听到这个问题，我都会反问一句：你是想问"用哪个"，还是想问"怎么用"？

这差别很大。问"用哪个"的人，通常在追工具；问"怎么用"的人，才开始碰能力。而绝大多数人，长期卡在第一层。

一个扎心的现象

我身边有大量这样的朋友：2024 年开始用 AI，热情很高，付费订阅一个接一个；到了 2026 年，工具换了一茬又一茬，账号买了一堆——但他的工作方式，几乎没变。写方案还是熬夜写，做报表还是手工做，回复客户还是逐条回。唯一的变化，是聊天窗口从一个换成了另一个。

这不是 AI 没用，是他把 AI 当成了"新鲜事"，而不是"新流程"。新鲜事会过时，新流程会积累。

我自己走过的路

说点自己的经历，免得显得站着说话。我从 2024 年开始付费使用 AI 工具，早期用 ChatGPT，也长期用 Gemini，前后两年多；现在我的主力是 WorkBuddy（腾讯云）。这两年多的最大体会不是"哪个模型更强"，而是一句反直觉的话：

你学到的"某个工具的操作"几乎必然被淘汰；你沉淀下来的"做一件事的方法"，才会一直有利息。

举个具体的例子。我每天要处理的材料很多——政策变动、企业咨询、行业调研、研究院的选题。两年前我是"打开对话框现想怎么写提示词"；现在我是"调用我自己的一套模板和背景包"。工作量的差别，不在模型变强了多少，在我这边沉淀下来了。

认知层要破的三个误区

• 误区一：追新 = 学习。
  看到新模型就订阅、截图转发、放进收藏夹——这是消费，不是学习。真正的学习一定会改变你的行为。
• 误区二：会用 = 用得好。
  能让它写首诗，和能让它在你的业务里稳定产出交付物，中间隔着一条专业能力鸿沟。
• 误区三：工具够多 = 能力够强。
  装了十个 App 的人，通常一个都没用透。能力来自深度，不是数量。

如果你现在处于"收藏夹里躺着一堆 AI 工具"的状态，我建议你先停一停，不要再加新的了。先把已经在手里的一个，用出成果来。工具做减法，能力做加法。

本页结论：别追工具，追"可复用的方法"。半衰期短的永远是工具，不是方法。

② 洗脑层

破除幻觉

每天跟风新模型 = 在流沙上盖房

认知换了，还得把几个幻觉打掉，不然方法建不起来。我挑三个最常见的幻觉说。

幻觉一：以为换模型就能解决所有问题

这是行业里最流行的误解。实际上，模型是发动机，Harness（可以理解成"把模型组织起来跑活的整套系统"）才是整车。排量决定上限，整车决定你实际能跑多快、多稳、多远。

最有说服力的证据来自 OpenAI 的 Codex：模型本身一点没变，只改了 Harness，ARC-AGI-3 的成绩就从 13.3% 拉到了 38.3%，输出 token 还降了约 6 倍。请注意这两个数字的含金量——同一个发动机，换了套整车，性能翻了近三倍，油耗降到六分之一。

这意味着什么？意味着你天天盯着"哪个模型排量大"，可能盯错了地方。真正拉开差距的，是你怎么把模型组织进工作流。

幻觉二：以为"生成得快"就是"提效了"

这里给一个我这几年一直在用的公式，建议你背下来：

真实提效 = 生成速度 × 一次通过率。

很多人的体验是"AI 写得挺快，但改了八遍还是不能用"。这就是一次通过率太低把速度优势全吃掉了。10 分钟生成 × 20% 通过率，和 20 分钟生成 × 90% 通过率，后者完胜——而且后者的人员消耗少得多。

那一次通过率怎么提？答案不在模型，在你给它多少上下文。一个不了解你公司、不了解你行业、不知道你上次改了什么的 AI，凭什么一次做对？所以第三层"背景包"才是核心。这个后面详细讲。

幻觉三：以为追新的时间不要钱

我给你算一笔时间账。学一个新工具，从看教程、注册、试错、到勉强能用，保守估计要 3–5 小时。一个月跟风 4 个新模型，就是 12–20 小时。一年下来，150–240 小时——相当于你整整一个多月的工作时间，全部花在"换工具"上。

而这批时间如果用来沉淀模板、喂背景包、搭流程，产出的是可以复利两年的资产。跟风的机会成本，是最贵的一笔账，因为从来没人把它计入报表。

• 看到"又出了个神器"就转——这是消费，不是能力。
• 模型是发动机，Harness 才是整车。
• 真实提效 = 生成速度 × 一次通过率，不是你装了多少 App。
• 别让你的学习预算，被"新鲜感"吃掉。

本页结论：少装工具，多建流程。把追新的时间，拿一半去沉淀。

③ 专业层

三个真正该懂的工具

Codex · WorkBuddy · IMA

破除幻觉之后，才轮到讲工具。市场上工具成百上千，我不想给你一张越长越好的清单——那种清单你收藏了也不会看。我只讲三个，因为它们代表了三种完全不同的能力位。

Codex（OpenAI）：发动机位——把"活儿"自动跑起来

Codex 最值得记的不是"它是 OpenAI 的产品"，而是前面那个实验数据：模型不变、只换 Harness，ARC-AGI-3 从 13.3% 到 38.3%，输出 token 降 6 倍。它证明了一件事：同一份智能，组织方式不同，战斗力能差一个量级。

从公开数据看，Codex 的周活规模已经相当可观，而且一个容易被忽略的信号是——接近一半的使用场景已经不是写代码。也就是说，它正在从"程序员工具"演化为"通用任务执行引擎"。对我们做跨境的，这个信号很重要：它的价值是把重复活儿自动化跑起来，而不是替你写程序。

WorkBuddy（腾讯云）：整车位——全场景办公工作台

如果说 Codex 侧重"把任务跑起来"，WorkBuddy 的定位是"全场景 AI 办公工作台"——覆盖十类岗位的工作方式。它有第三方数据显示的月访问与增速都很亮眼（2026 年中的公开数据位居桌面端前列），但比起数字，我更看重它的一个提法："企业 AI 资产"。

这两个字"资产"，是整篇文章的灵魂。它不是在卖你一次对话能力，是在说：你用它的过程，应该沉淀成你们公司可复用的东西。这也是我现在的主力的原因——它符合我"提效必须沉淀"的判断。作为全场景工作台，它能把"写方案、做表、搜信息、跑流程"这些散活收进一套系统里，而不是散在十几个窗口。

IMA：记忆位——你的第二大脑

IMA 解决的是一次通过率的根问题：AI 不了解你。它的作用是把你的行业背景、客户资料、过往案例、公司口径、历史决策，变成一个"随时可调用的第二大脑"。

没有这一层，你每天的工作都是从头开始——每次都重新介绍"我是谁、我的公司做什么、我的客户在意什么"。有了这一层，AI 才有"记忆"，才有上下文，才有一次通过率可言。

那么，市场上这么多模型，到底怎么选？

这才是大多数人真正的困惑。我给一套自己用的"选型四问"，不需要懂技术，照着问就行：

第一问

它能不能"接地"——接入我的资料？

不能挂你的知识库、不能用你的业务数据，再强也是通用打工仔。选能挂载自有上下文的，优先级最高。

第二问

它能不能"跑流程"——而不是只聊天？

只会聊天的工具是一次性消耗；能固化成流程的才是资产。看它有没有"技能/工作流"这一层。

第三问

它的数据与合规边界清不清晰？

企业用——尤其中小做出海的——客户资料、报价、合同都可能进去。边界不清的，再好用也别碰核心业务。

第四问

它的成本能不能算清楚？

按次、按月、按 token——你要能预估高峰期账单。算不清成本的工具，规模化之后会反噬。

四问过完，通常就剩两三个候选。我的收尾建议是：选定一个主力、一个备用，然后至少用满一个季度再说。频繁切换，等于自己把自己的沉淀清零。

本页结论：发动机 / 整车 / 记忆，三者缺一不可；选工具用"四问"，别看热度。

④ 高效工作层

三层沉淀法

把一个人，变成一支队伍

三层沉淀：① 提示词模板 ② 背景包知识库 ③ 技能流程

这一层是整篇文章的核心，也是我把标题定为"把一个人变成一支队伍"的原因。一个人之所以只能是一个人，是因为他一次只能做一件事；一支队伍之所以是队伍，是因为流程可以被重复执行。

第一层：提示词模板——把"每次现想"变成"一键调用"

大多数人用 AI 的方式是"临时起意"：遇到事，打开对话框，想一句指令发出去。问题是：你每次的起手式都不一样，产出质量必然不稳定。

模板化的做法是：把你最高水平的那一次，固化下来。比如我写政策研判，每次的结构是固定的——背景事实、受影响对象、时间窗口、应对建议、风险提示。把这个结构写成模板，下次直接调用，产出的稳定度立刻上一个台阶。

建议这样开始：挑你每周至少重复三次的那件工作，把它做成第一个模板。别贪多，先做透一个。

第二层：背景包知识库——决定一次通过率的关键

前面说过，真实提效 = 生成速度 × 一次通过率。一次通过率的根，就在背景包。

什么叫背景包？就是把 AI 不了解你的那部分，一次性喂给它：公司做什么、产业链位置、客户画像、过往案例、内部口径、行业术语、你个人的写作偏好。这些资料一旦形成知识库，AI 就不再是一个通用打工仔，而是"懂你这行的人"。

背景包怎么搭

从三份文档开始，别追求一步到位

① 公司口径文档：一句话介绍、主营品类、核心优势、禁忌表述；

② 产品与案例库：主力 SKU 参数、典型客户案例、常见异议应答；

③ 行业知识包：你所在领域的基础规则、常见误区、政策要点。

先让这三份跑起来，再持续补充。背景包是养出来的，不是写出来的。

第三层：技能流程——把"人盯流程"变成"流程自己跑"

这层是分水岭。模板解决"一次做得好"，流程解决"每次都这么好、且不用你盯着"。

举个例子。过去我要监控政策变动，得安排人定期搜、整理、报给我。现在这件事可以固化成一个技能流程：定期检索 → 按我定义的关注维度筛选 → 生成结构化简报 → 异常项高亮推送。我不在场，它也照跑。这就是"多出来的人手"。

不沉淀 = 租用效率；沉淀了 = 拥有资产。租用的东西，每次都要重新付钱；拥有的东西，每次用都在复利。

这三层的顺序不能颠倒：先用模板把质量稳住，再用背景包把通过率提上去，最后才用流程把它们自动化。很多人一上来就想做自动化，最后得到一个"稳定地产出垃圾"的系统——速度快了，质量没变。

本页结论：个体提效是有天花板的，只有沉淀成资产，才能"一个人变成一支队伍"。

⑤ 应用层

落到跨境全链路

六大环节，用三层沉淀法接管

讲完方法，落到我们最熟悉的地方——跨境电商的全链路。下面这六个环节，每一个我都会说明三件事：现在的痛点 → AI 怎么接管 → 沉淀成什么资产。

环节一：选品

痛点：靠感觉、靠跟卖、靠同行情报，复盘难、经验留不下来。接管路径：把类目历史数据、历年爆款特征、退货率与合规要点做成背景包；用固定模板让 AI 输出结构化选品建议（含风险提示），而不是一句"这个能卖"。沉淀物：一套可复用的"选品评估模板 + 品类背景包"。

环节二：供应链

痛点：供应商比价靠 Excel，交期靠催，异常发现总是滞后。接管路径：把历史报价、交付表现、异常记录喂进知识库；用技能流程定期比对价格波动、自动预警交期异常。沉淀物：一个"自动跑的供应商监控流程"。

环节三：物流

痛点：报关要素、申报草稿、异常处理，重复劳动密集且容易出错。接管路径：把 HS 编码规则、申报要素模板、常见退单原因建成模板库；AI 自动生成申报草稿，人工只做终审。沉淀物：公司的"单证模板库 + 退单知识库"。

环节四：客服

痛点：多语种、多时区，老客服的经验带不走。接管路径：把历史工单、标准应答、订单数据做成背景包；AI 调用订单史生成个性化回复，人工处理复杂升级。沉淀物：持续增值的"应答知识库"——这是典型的人力放大器。

环节五：营销

痛点：多平台文案风格不一，投放素材产能跟不上。接管路径：背景包装品牌调性与禁用词；模板化产出多平台版本，人工做策略取舍。沉淀物：品牌口径手册 + 文案生成模板。

环节六：合规（我最看重的一环）

痛点：政策变动快，靠人盯容易漏；出事才知道。接管路径：技能流程盯政策源，变动时自动比对你的品类，生成"影响清单 + 待办建议"推送给你。沉淀物：一套"政策雷达流程"——这才是AI真正值得干的事：把不确定性变成提前量。

本页结论：每个环节都能做到"一个人 + 三层资产 = 一支队伍"。关键不是用哪个模型，是你沉淀了什么。

⑥ 课程层

认知与方法（非卖课）

我们要交付的，是"AI 资产包"

八模块大纲 —— 这是内容本身，不是广告

常有朋友问我：你们研究院讲的这些，能不能系统学？我的回答是：我们不卖课，我们交付的是方法可以带走的资产。下面这份大纲，本身就是一次完整的认知输出，你照着做，也能上手。

我们定的原则很克制：一对一、不开大课、不发证书，结业标准只有一个——你带着一份属于自己的"AI 资产包"离开。它可能是几十个模板、一整套知识库、几个能自动跑的流程。这些东西在你公司里会持续产生价值，而不是听完就忘。

我们不卖课，我们卖的是认知和方法——让你带着能用的东西离开。

想系统学、想来线下取经的，研究院大门开着。

⑦ 路径层

从零开始

30 天，从"完全不会"到"AI 接管一个岗位"

前面六层讲完了道理，这一页我给一条能直接照着走的路。

很多人不是不想用 AI，是不知道第一天该干什么。所以我把它压成了一张 30 天日程表——不讲工具，只讲每个阶段结束的时候，你手上应该多出什么东西。

三条提醒，比表格更重要

• 第一，不要贪多。
  一个月只做一件事，做完再开第二件。同时开五条线的人，通常一条都跑不通——这不是意志力问题，是注意力本来就是稀缺资源。
• 第二，不要追新。
  这 30 天里哪怕出了三个新模型、五个新工具，都不许换。你的目标是沉淀，不是尝鲜。等 30 天结束再评估工具，那时候你才有判断力。
• 第三，一定要量化。
  记录下"这件事以前花多长时间、现在花多长时间、一次通过率多少"。没有数字，你分不清自己是在提效，还是在自我感动。

我自己走过这条路。回头看，真正的分水岭不在第几天学会某个功能，而在我第一次把重复了三年的动作写成流程的那一刻——从那天起，这件事就不再消耗我了。

30 天之后，你不该再问"我该用哪个工具"，而该问"下一个交给它的，是哪件事"。

本页结论：路径比工具重要。走完 30 天，你手里有的是资产；追 30 天新模型，你手里有的是收藏夹。

⑧ 组织层

最后一公里

从"我用 AI"到"我们公司会用 AI"

写到最后一层。前面六层讲的都是个体，但一家公司真正的竞争力，藏在能不能把个人的能力变成组织的能力。

我看到的普遍现象是：公司里有一个"AI 高手"，但其他人和他之间隔着一道墙。他做得很溜，团队其他人完全不会，最后这位高手反而成了瓶颈——所有活都堆到他那儿。

破局点在三件事：

• 把模板变成部门的公共资源
  ——不是存在他电脑里，是全公司能调；
• 把知识库变成组织的共同上下文
  ——新人第一天就能调用老人积累的判断；
• 把流程变成默认工作方式
  ——不是"要不要用"，是"系统本来就这么跑"。

做到这三点，AI 才从"某个人的效率工具"变成"这家公司的生产能力"。这一步跨过去，你的竞争对手就算买了同样的模型、同样的账号，也追不上——因为他缺的不是工具，是沉淀。

我越来越确信一件事：未来几年真正拉开企业差距的，不是谁先用了 AI，而是谁先把 AI 变成了资产。先用的那批人，很多还在换工具；沉淀下来的那批，已经开始收利息了。

最后给一句我的判断。未来两三年，企业之间的差距会被一件事放大：同样买了 AI，有的公司把它变成了流程，有的公司只是多了一笔订阅费。区别不在预算，在有没有人认真地把"怎么做"沉淀下来、再复制出去。这件事不需要大投入，需要的是有人先开始，并且开始之后不换方向。

本页结论：个体提效是起点，组织进化才是终局。

◆ 最后：AI 这道门，我们帮你推开

这两年我们被问得最多的一句话是："我也想用 AI，但我到底从哪儿开始？"

我的回答一直是同一句：先别问该用哪个模型，先问你要把哪一件事交给它。这件事想明白了，后面的路自然清楚；想不明白，换十个工具也是原地打转。

深圳市鼎汇出海跨境电商研究院，已经把这条路铺成了能走的路，一共四步：

第一步 · 进门：工具怎么选、账号怎么搭、第一个成果怎么拿到——半天之内，让你手上先有一件真东西。

第二步 · 上手：把你的业务写成提示词模板，把你的资料做成背景包和知识库——让 AI 懂你的行业，而不是只懂通用知识。

第三步 · 接管：把重复发生的活固化成技能流程，让 AI 按你的规矩干活——从"你问它答"，变成"它替你做"。

第四步 · 沉淀：从个人提效走到组织进化，攒下属于你自己的"AI 资产包"——这才是别人拿不走的东西。

我们教的不是某一个工具怎么用——工具半年一换；我们教的是你怎么进入 AI 的世界，并且进去之后，不再出来。

深圳市鼎汇出海跨境电商研究院 · AI 实战入口想系统进入 AI 的世界，欢迎来研究院线下交流取经

鼎汇出海研究院 研究员

深圳市鼎汇出海跨境电商研究院

想深度交流 AI 落地与出海打法，欢迎来研究院线下取经。