ARTICLE · 1305274

会用AI不等于会与AI协作,培训人需要升级这五种能力

发布时间：2026-11-04 11:14:49 最近访问：2026-11-04 11:14:49

可点击图片了解活动详情

“五力飞轮”模型从“目标力、架构力、设计力、闭环力、进化力”五个维度，构建一条与AI高效协作的路径，帮助培训人在数字时代掌握主动权、实现持续进化。

文｜吴承远 B站、小红书原培训文化负责人

编辑｜张志月

本文共4053字，预计阅读时间4分钟

2022年，我从互联网公司离职，加入一家国产GPU公司，期间完整经历了ChatGPT发布、百模大战、AI图像生成爆发、DeepSeek引发全民关注等一系列浪潮，也愈发深刻地意识到“传统培训正在走向终结”。于是2025年起，我开始用AI辅助编写代码，开发了一系列HR小工具，直至搭建起公司内部的知识库系统。

未曾料到，变革来得如此之快。2026年，从各类AI编码助手到智能协作工具的迅猛发展，令许多人尚未应变便已遭受冲击。公司的培训业务大幅缩减，不少机构遭遇人员裁撤。培训人该何去何从？无论组织形态如何转变，有一点可以确定：培训人需要更深入了解AI、驾驭AI、用好AI。若能比组织更早完成认知升级，便能主导转变；若能比同行更熟练地运用AI，便更有可能占据一席之地。基于此，我将自身摸索出的经验提炼为“三不”原则与“五力飞轮”模型，供同行参考。

坚守“三不”原则，

轻装上阵

在探讨“应该怎么学AI”之前，有必要先厘清“不应该”。自媒体放大了焦虑、消磨了沉下心钻研的耐心，也助长了泛泛而谈的浮躁。在知识获取日益便捷的今天，真正掌握一门技能反而变得更难。

不迷信工具，亦不被工具所缚

网络上常鼓吹某款模型性能“逆天”、某款工具即将“替代一切”，人为制造焦虑，似乎不使用特定产品就意味着落后。客观而言，在顶尖技术领域，国外模型确有优势；但在日常应用中，国内外模型并无显著差异，现有工具对培训人的学习与成长来说完全够用。况且，AI的模型、应用和功能正以月为单位飞速迭代，即便国外模型暂时领先，国内也能在两三个月内迅速追赶。因此，切勿迷信某一款工具“最为先进”，因为一切都在高速变化之中。

另一方面，AI的实际效能取决于使用者的驾驭水平，同一工具在不同人手中差异显著。不同企业对AI工具的开放程度各异，部分允许员工自由尝试、部分因保密要求暂时限制AI应用范围。这并不构成障碍，充分挖掘现有工具的应用潜力以赋能业务场景，方为务实之策。不能因工具不是最新，就丧失学习与向上之心。

不囿于“缺乏技术背景”的思维定式

非技术出身、没有编程基础，不应成为学习AI的障碍。如今学习资源的获取已不再是难题：线上平台提供了丰富且免费的课程，可以向身边同事虚心请教、少走弯路，AI本身更提供了随时答疑的便捷通道。这是一个正在发展的领域，不存在所谓成熟且系统的课程；即便存在，也经过包装。同时，千万不要被过往的职业或学历标签困住，要大胆走出舒适区。我并非技术出身，却在解决具体问题的过程中逐步掌握了服务器部署、网络安全维护等技能。身边具有文科背景的朋友，也通过“氛围编程（Vibe Coding）”不断取得成果。

学习AI的要义，在于人与AI如何协同创造新前沿。

不贪多求全，只学概念不动手

行业中存在一些颇为“时髦”的学习方式：新鲜名词第一时间挂在嘴边，这个月讨论“Harness Engineering（驭缰工程）”，下个月就在社群研究“Loop Engineering（循环工程）”，概念一问都懂、应用时全不会。如此，倒不如践行“慢就是快”——不过度追逐概念，从实践和动手出发，逐步掌握能理解的部分。虽然所学内容可能已经过时，但每一步都踏踏实实。不求面面俱到，但需步步扎实，慢慢学习与成长，直至成为参天大树。

五力飞轮，

在实践中学习提升

学习是一个循序渐进的过程，这是自然规律。但在短视频浪潮下，“三分钟学会一项技能”成为最大的误导。我主张“以事修人”：通过人与AI的协作解决一个个具体问题，逐步加深对AI的理解，螺旋式提升能力。这一过程可归纳为五大环节，构成一个循环上升的“飞轮”。

“五力飞轮”模型

目标力：锚定方向

找到真正感兴趣的领域，思考AI和人分别能做什么以及二者怎样结合，并将宏大愿景拆解为一个个可实现的小目标。学AI不是为公司，而是为自己，兴趣才是最持久的内驱力。这看似简单，实则最难。

架构力：划定边界

针对每个目标，提前划定范围和大方向。由于人和AI对目标的理解存在差异，AI常会将简单问题复杂化、复杂问题模糊化，最终让项目变成不可控的“黑盒”。因此，一定要让AI对目标进行拆分，确保项目在知识领域和工作量上均处于可控范围，并由人做出判断与取舍。

设计力：制定标准

我们需清醒认识到，适合讨论方案的AI和真正执行任务的AI，并非“同一个”。每一轮对话，都是新模型基于上下文来模仿之前的AI语气生成内容。这就会导致执行环节产生大量“幻觉”。避免幻觉的关键是，让AI“慢下来”——不急于动手，而是花更多时间打磨“怎么做”，形成一份设计与执行文档。所有讨论精简并沉淀在文档中，所有行动依据文档展开。以文档作为中间体，才能最大程度确保讨论意图在执行中不走样。

闭环力：直面错误

当任务开始执行，AI可能发生方向性偏差、细节性疏漏、显性失误及隐性缺陷等多类错误，形态多样、难以穷举。许多人一见AI出错便产生“不如自己手动做”的想法，在此强烈建议“耐心，让AI完成后续修改”。只有将足够的时间花在“指导AI修改”这个动作上，才能真正摸清它的功能边界——优势与短板所在、易错环节以及如何下指令。

进化力：复盘改进

经过一轮完整实践后，人对AI的操控、理解会抵达新的高度，进化自然而成。同时，人还需总结思考：应如何更好地指挥AI？有没有更合适的工具平台（只有具备一定基础经验才能驾驭更高级的平台）？AI则需把所有过程总结成文档，或内化为Skills（技能模块），实现能力升级。

以上是对“五力”的概念阐释，接下来我将通过一个实际项目，展示“五力飞轮”如何在真实场景中驱动个人进化。

e-Swift项目，

验证模型价值

招聘是HR工作中最刚需的板块，自2025年初起，我便开始思考如何用AI改进招聘工作，并着手开发e-Swift自动化招聘候选人系统。该项目经历了三个阶段的迭代，完整走通了“五力飞轮”。目前，e-Swift已接入猎聘、Boss直聘、LinkedIn等主流招聘平台，成为 HR搜索候选人的有效工具，显著提升了工作效率。例如在简历初筛方面，可实现30分钟处理200份简历，大幅减少了人工搜寻的重复劳动。

想法萌芽，攻克爬虫技术

将“AI+招聘”落地，需要用到爬虫技术作为外部信息获取手段，而我在该领域的背景和认知为零。尽管爬虫技术已存在二十余年，我仍以它为核心展开第一阶尝试，目标定为“用爬虫技术获取公开的招聘职位信息”。之所以定此目标，是因为它无需复杂的用户登录，在网页端即可获取，且保密程度不高。

开发平台选用AI推荐的代码工具（Cursor），随后经过与AI的讨论，我确定了“爬取数据”与“数据库存储”两个核心模块，果断放弃了“图表分析、竞对分析、Mapping（人才地图绘制）”等延伸功能。

执行中，我先创建需求文档（prd.md），让AI补充设计细节；再结合B站的爬虫教程，完成核心代码设计，并让AI进行校验。另外，由于不同网站的设计和接口各异，没有一套代码能通用，所以每个官网都需花大量时间逐一诊断。正是在这一过程中，我意识到虽然传统控制台法获取的网站信息精简，但更适合开发工作。经过大量尝试，我发现模拟真人登录浏览器的技术方案（Selenium）效果更好。

第一阶段耗时近一个月，期间挫败感不断涌现，但积累的经验促使我思考如何更高效地开发，也尝试了Claude Code、Kimi Claw、Openclaw等一系列工具，最终找到Coze这一最优解。

搭建原型，跑通核心链路

爬取的待招岗位信息，对Mapping和竞对分析仅有次要作用。因此，第二阶段的目标升级为“做一个能根据岗位JD，自动从招聘网站获取候选人信息的工具”。整套流程复杂庞大，需要先做产品原型——针对某单一招聘平台，自动化爬取一次岗位信息。

确定方向后，我梳理出“登录、搜索、获取详情、评估候选人”四个核心组件。前三个涉及技术实现，经与AI讨论，最终采取Playwright技术；第四个涉及评价维度和大语言模型提示词，这对我而言属于全新的领域，根据上一阶段积累的经验，我采取“人指挥AI—AI复述操作—内化为Skill”的方法，完成核心技术模块的开发。

然而，运行DEMO时发现，该Skill的稳定性只有七成，主要原因是步骤多、流程长，AI在其中发挥不稳定。作为产品的原型够用，但无法直接交付给他人使用。这说明，复杂项目必须系统化、工程化，步骤分细、组件拆小、各司其职；对AI的操控能力也需升级，从同时操控一个AI，到让一群AI各司其职。

工程化交付，构建多Agent架构

将原型变为可稳定使用的产品，需要“用户界面、服务器和稳定运行能力”。为此，第三阶段目标再次升级：稳定的后端，将之前的Skills升级为多Agent架构，每个AI Agent负责一个子模块，各司其职，避免单点错误影响整个链条；可见的前端，采用HTML页面；可访问界面，部署云服务器。这不仅是技术挑战，更是对AI操控能力的考验。

一个庞大的软件项目包含数百个程序文件，如何保证AI在开发如此大规模的系统时避免大量不可控错误？我采取“分级文档”策略，先与AI协作撰写架构文档，确定整体软件设计方案与大模块分工；再基于架构文档讨论分支模块，确保不偏离大方向；最后设计案例，供分支模块测试所用。三个层级的文档叠加，让AI逐一检查问题，最大化降低出错概率。当然，最终检验必须由人进行端到端的多轮测试。过程中发现的问题，再交由AI拆解分析，定位到具体架构、模块或子Agent。