你有没有发现，很多人虽然天天使用AI，但工作方式还是：

“帮我写一篇文章。”

“帮我做一份PPT。”

“帮我分析一下Excel。”

AI输出结果，不满意就继续提问、继续修改。

但有没有想过：

为什么每次都要自己一步步指挥AI？能不能让它按照固定流程完成工作，做完还能自己检查？

这就是AI Agent（AI智能体）值得普通人学习的地方。

今天不讲复杂技术，就用大家熟悉的“制作PPT”举例，讲清楚怎么让AI从“会聊天”变成“会工作”。

同一份PPT，两种工作方式的区别。

01｜AI Agent和普通AI有什么区别？

假设老板让你做一份季度工作总结PPT。

普通AI的工作方式：

你让AI写大纲，它给你大纲。

你让AI整理数据，它给你分析。

你让AI优化文案，它给你修改建议。

最后还得自己把这些内容整理到PPT里。

整个过程中，你负责推动工作，AI负责回答问题。

AI Agent的工作方式：

你告诉它：

“我要做一份季度工作总结PPT，给部门负责人汇报。资料都在这个文件夹里，请先整理数据，提炼重点，制作PPT，最后检查内容和排版。”

如果Agent具备相应工具和文件访问权限，它就可以：

1. 读取工作资料。

2. 整理数据、提炼成果。

3. 规划PPT结构。

4. 调用工具生成PPT。

5. 检查结果并交付。

中途遇到问题，还可以根据情况调整步骤，或者向你询问。

区别就在于：普通AI主要回答问题，Agent则可以围绕目标，使用工具，执行一系列任务。

但要让它真正成为稳定的工作助手，仅仅会执行还不够。

我们还得教它遵守规则、复用经验、检查结果。

02｜让Agent真正工作，需要搞懂这5个概念

最近我看到一套关于Claude Code的Agent工作体系，觉得特别适合用来理解这些问题。

它包含五个概念：CLAUDE.md、Skills、Hooks、Subagents、Plugins。

听起来很专业，其实可以用管理一个团队来理解。

第一层：工作规则，告诉AI什么能做、什么不能做

想象你刚招了一位新员工。

如果只说“帮我做PPT”，他肯定不知道你喜欢什么风格、给谁汇报、哪些数据能用。

AI也是一样。

所以我们需要给它一份固定的工作说明书。

比如：

• PPT用于企业汇报，重点体现结果。

• 每页只讲一个核心观点。

• 采用简约商务风格。

• 所有数据必须有来源，不能编造。

• 遇到不确定的信息要先询问。

在Claude Code中，可以用CLAUDE.md保存项目规则；Codex也有类似用途的AGENTS.md。

你可以把它理解成AI的员工守则。

以后AI读取这些规则，就不用每次从头解释。

第二层：Skills，把工作经验变成可复用的技能

知道规则，还不代表知道怎么做。

假设你已经做过几十份PPT，总结出一套成熟流程：

明确汇报目标 → 读取资料 → 整理大纲 → 制作页面 → 检查结果。

与其每次重新告诉AI，不如把这套流程保存下来。

这就是Skill（技能）的核心思路。

你可以把它理解成一本岗位操作手册。

比如：

• PPT制作Skill：按照固定步骤制作演示文稿。

• Excel分析Skill：整理数据、计算指标、生成图表。

• 小红书写作Skill：分析人群、确定选题、撰写正文。

Skill除了工作指令，也可以包含模板、参考资料和辅助脚本。

当Agent能够正确使用这些Skill时，就不需要每次重新摸索。

第三层：Hooks，让AI在关键步骤自动检查

AI做完工作，不代表结果一定正确。

比如PPT很漂亮，但数据算错了。

所以要建立检查机制：

• 数据是否有来源？

• 内容有没有遗漏？

• 排版是否存在问题？

• 文件能否正常打开？

在Claude Code中，Hooks（钩子）可以在特定操作发生时自动触发检查程序。

例如修改代码后自动运行测试。

不过，告诉AI“完成后请检查”并不等于配置Hooks。前者是任务要求，后者是自动触发机制。

小白不用急着学习Hooks配置，先学会给AI设置明确的验收标准。

第四层：Subagents，复杂任务可以分工完成

如果只是制作一份简单PPT，一个Agent可能就够了。

但如果要完成大型商业方案，就涉及市场研究、数据分析、内容策划、设计和审核。

这时候可以考虑让不同Agent负责不同任务。

比如：

• 研究Agent负责收集资料。

• 策划Agent负责整理方案。

• 制作Agent负责生成PPT。

• 审核Agent负责检查质量。

这些专门执行某类任务的Agent，就叫Subagents（子智能体）。

你可以把它理解成一个团队的岗位分工。

当然，任务简单时没必要配置一堆Agent，反而增加复杂度。

第五层：MCP和Plugins，让AI连接工具、复用能力

员工再聪明，如果不能使用电脑、办公软件，也无法完成很多工作。

AI同样如此。

MCP可以理解成一种标准化的连接方式，帮助AI访问外部工具和数据。

比如连接知识库、数据库或其他工作系统。

Plugins（插件）则可以把相关能力打包，方便在支持的平台上安装和使用。

简单理解：

• 规则告诉AI要遵守什么。

• Skills告诉AI怎么做。

• Hooks帮助自动检查。

• Subagents负责分工协作。

• MCP连接工具，Plugins方便打包复用。

这五层不是所有项目都必须配置的标准架构。

对于新手，先理解它们解决了什么问题，比记住英文名称更重要。

规则、Skills、Hooks、Subagents和MCP／Plugins，各有各的用处。

03｜新手实操：用Agent制作第一份PPT

看完概念，我们直接来做一次。

不需要会编程，也不用先搭建复杂的智能体。

选择一个支持文件操作和PPT生成能力的Agent工具，比如配置好相应能力的Codex、Claude Code，或其他Agent工作环境。

第一步：告诉AI目标

复制下面这段话：

“你现在是我的PPT制作助手。

>

我要做一份10页左右的季度工作总结PPT，给部门负责人汇报。

>

我会提供工作记录和数据表格。

>

请先阅读资料，帮我整理制作计划和PPT大纲。在我确认之前，不要直接生成最终文件。”

这里有个重要技巧：

先让AI规划，再让AI执行。

不要一上来就让它直接交付。

第二步：告诉AI工作标准

“这份PPT需要符合以下要求：

>

1. 重点突出工作成果和关键数据。

2. 每页只讲一个核心观点。

3. 使用简约商务风格。

4. 所有数据必须来自原始资料。

5. 不确定的内容需要标注。

6. 最终生成可编辑的PPT。”

第三步：确认方案，让AI执行

“现在按照确认的大纲开始制作。依次完成资料整理、数据分析、内容设计和PPT生成。如果遇到重要信息缺失，请先向我确认。”

第四步：让AI检查结果

“请检查这份PPT的数据、逻辑、文字、排版和文件完整性。

>

告诉我哪些地方存在问题，哪些已经修改，哪些需要我人工确认。”

需要注意，不是每个AI工具都能直接生成PPT文件。如果当前工具不支持，可以先生成内容，再使用其他PPT工具完成制作。

第五步：保存这次工作经验

这一步非常关键。

如果这次做得不错，可以继续告诉AI：

“请总结刚才制作PPT的完整流程，包括工作步骤、设计要求、检查标准和遇到的问题。

>

整理成一份以后可以重复使用的《PPT制作工作手册》。”

以后你就可以让AI读取这份手册，或者进一步制作成Skill。

这意味着，下次制作类似PPT时，你不必重新教它一遍。

做完一步，看一眼结果，再进入下一步。

04｜进阶玩法一：让AI去GitHub寻找成熟方案

前面讲的是怎么让AI完成工作。

但更进一步，我们还可以让AI学会寻找和利用已有经验。

很多人遇到需求，第一反应就是让AI从零开始做。

但你想做的功能，别人可能早就做过了。

比如：

“我想自动读取10个Excel文件，合并数据，再生成一份经营分析报告。”

与其直接让AI从零开发，不如先去找现成方案。

这里就可以用到GitHub。

GitHub可以简单理解成全球开发者分享代码和开源项目的平台，上面也有一些可复用的AI Skills。

你可以让具备GitHub访问能力的Agent这样工作：

“我想实现自动合并Excel、分析数据和生成报告。

>

请先不要开发。

>

请搜索GitHub上有没有相关的成熟开源项目或Skills。

>

对比它们的功能、维护情况、使用难度和适用场景。

>

推荐适合我的方案，并告诉我哪些部分可以复用，哪些需要修改。”

然后让AI：

搜索项目 → 阅读说明 → 比较方案 → 选择基础 → 修改适配 → 测试验证。

这就相当于：

以前让AI从零造轮子，现在先让AI找轮子，再根据自己的需要改造。

当然，开源不代表一定安全。正式使用前，还要检查许可证、维护状态、依赖和权限要求。

尤其不要把公司的敏感数据随便上传到公开项目。

05｜进阶玩法二：让AI先识别问题，再寻找成熟解法

这是我觉得特别值得普通人学习的一种提问方法。

很多时候，我们遇到的问题，其实早就有对应的专业概念和成熟解决方案。

只是我们不知道它叫什么。

比如：

“老板老是临时改需求，导致我不断返工，怎么办？”

直接这样问，AI可能给你一些宽泛的建议：

多沟通、做好计划、加强管理……

但如果换一种问法呢？

“我遇到的这个问题，在项目管理领域属于哪一类经典问题？有没有对应的专业概念和成熟解法？请先识别问题，再结合我的实际情况提出建议。”

AI就可以尝试从项目管理知识中找到相关概念。

例如需求蔓延（Scope Creep）、需求变更管理、需求优先级管理。

再进一步比较这些方法，帮你制定具体的需求确认流程。

你看，问题没有变，但寻找答案的思路变了。

我们不是让AI凭空想办法，而是先让它找到这个问题已经积累了哪些知识和解决经验。

这里有一段万能提示词，可以直接收藏：

“我现在遇到的问题是：【描述你的问题】。

>

请先不要急着给建议。

>

第一步，判断它是否属于某个领域已经被研究过的经典问题。

>

第二步，告诉我相关的专业概念和常见原因。

>

第三步，查找成熟解决方法和可靠案例，区分事实与推测。

>

第四步，对比不同方法的优缺点和适用条件。

>

第五步，结合我的情况，给出最容易执行的具体方案。”

这里要强调一点：

不是AI的检索能力一定比推理能力强。

而是对于已经存在成熟解法的问题，先识别问题、查找可靠资料，再进行分析，往往比直接生成建议更有依据。

如果AI无法联网，也要让它说明信息来源和不确定性，而不是编造案例。

遇到反复返工，先找到问题属于哪一类，再判断该用什么方法。

06｜真正的进阶：把每次解决问题的经验保存下来

回到我们最开始的问题。

为什么很多人每天都在使用AI，却感觉工作效率没有持续提升？

一个重要原因是：

每次完成任务，经验就停留在那一次对话里。

下次遇到类似问题，又要重新解释、重新尝试。

所以，我现在越来越想养成一个习惯。

每当AI帮我完成一件有价值的工作，就让它再做一次复盘：

• 这次任务是怎么完成的？

• 用了哪些工具和方法？

• 中间遇到了什么问题？

• 哪些步骤以后可以复用？

• 能不能整理成一份固定的工作手册，甚至做成Skill？

慢慢地，我们就能积累自己的项目规则、工作流程、模板和检查标准。

这也是为什么我觉得，学习AI Agent不只是学习一个新工具。

它更像是在学习一种新的工作方式：

遇到问题 → 找到成熟方法 → 交给AI执行 → 检查结果 → 保存经验 → 下次复用。

不用一开始就配置几十个Skills，也不用马上研究多智能体系统。

先找一件你经常重复的工作，把它完整跑通，再把成功的方法保存下来。

从一个小流程开始，慢慢建立自己的AI工作体系。

以前，我们关心的是怎么让AI帮自己完成一次任务。

以后，更值得思考的是：

半年之后，你能不能拥有一套越来越成熟、越来越可靠、真正适合自己的AI工作系统？

这可能比今天让AI帮你完成了多少任务，更有长期价值。

把这套方法带回去试一次

如果你想从手头的一份工作汇报开始，我把文中的步骤整理成了3页《AI Agent做PPT实操卡》：一张可填写的任务卡、5段可复制的提示词，以及一份交付前验收清单。

在本公众号后台发送“PPT工作卡”，领取PDF和可复制的文字版。先挑一项每周都要做的工作试一轮，再把真正有效的步骤留下来。