选 AI 工具时,我其实只在问自己一个问题

经常有人问：这个事该用哪个 AI？其实没有标准答案。我自己的做法是，先别急着选工具，而是先把事情分个类——你会发现，工具自然就对上号了。

01

第一刀，先分「一次性」还是「经常做」

我把日常的活先砍一刀：这件事，是偶尔做一次，还是会反反复复地做？这一刀分下去，该用的 AI 往往就不一样了。

02

一次性的活，用手边最强的那个直接做

什么叫一次性的活？比如你突然要翻译一份文件，或者手上一堆资料，想把它变成一份培训用的 PPT。这种活不太标准化，也不是每次都做同样的事。

遇到这种情况，别想太多，就去找你能拿到的、单点最强的那个 AI，打开聊天界面直接做，不需要写任何代码。

我自己一般用 Claude。它的好处是，做 Word、Excel、HTML 网页这些，排版都做得不错——一方面它有不少官方的 skill（技能），另一方面模型本身也够强。今天好像又推了 Opus 4.8，我还没怎么用，不知道又进化了多少。GPT 也完全可以平替。免费的话，Claude 的 Sonnet 也挺好用。

举个例子：想做 PPT，把一堆成熟的参考资料压成一个压缩包丢给它，告诉它你要做什么、在什么场合用、做成什么形式，它就能给你做出来。这一类需求，基本都能这么解决。

03

想聊天，就找记忆力强的，而且固定用一个

如果是聊天，或者想把脑子里的事捋一捋，那就找一个记忆能力强的 AI。道理很简单：你越聊，它越懂你，很多背景信息就不用一遍遍重新说了。

所以尽量固定用同一个聊。不同 AI 之间记忆是不互通的——当然你也可以把对话导出来，再导到另一个里，但终归麻烦。

我自己一般用 GPT 聊那些通用的问题，它的记忆功能做得挺好，手机、电脑都能用。有空你可以问它一句「你都了解我什么」，经常会有惊喜；也可以让它基于对你的了解画一张图，或者让它给你指几个新方向、聊聊你最近的困惑。它越懂你，给的建议就越直接、越有针对性。

04

经常要做的活，先看它要不要「智能」

接下来是重点。如果一件事你会经常做，先别急着动手，先问一句：它在「运行的时候」到底要不要智能？这个判断，决定了你该写程序，还是该写技能。

第一种：固定模板、只换数据——写个程序最划算。 比如每天整理日报、发一封格式固定的邮件，模板不变，变的只是里面的数据。这本质上是个「提取数据」的活，逻辑清晰、不需要智能，特别适合编程。最高效的做法就是写一个稳定的程序：用 VS Code 这类工具，或者让 Codex、Claude Code、Kimi Code、字节那几个编程工具帮你写。把输入和你想要的输出（比如一个邮件模板）告诉它就行。取数这一步，可以先让它自己试着取，再跟你手动取的对一下；取错了，再告诉它具体去哪个单元格取。要注意的是，程序本身是没有智能的——它只是把明确的逻辑（一般用 Python）硬写进去。你还可以让它顺手做个小界面：选好文件，下面一个窗口直接返回结果。代价是模板不能老变，挪了个单元格结果可能就不对了；好处是这程序能打包给别人直接用。

第二种：要看懂语义——给程序「接上智能」。 比如要分析一堆客户邮件，从里面筛选、提炼信息，这就需要理解语义了，纯靠编程不够，得往程序里「接」一点智能。接智能有两条路：一是用本地模型，电脑跑得动的话，装个 Qwen 这类合适的本地模型就行（DeepSeek 可能偏大，按机器选），不产生额外费用；二是用云端 API，本地不够用就接 DeepSeek、小米这类相对便宜的 API。这些模型厂商，其实就像给你家供电的供电局、或者拉宽带的运营商——你只要接上它提供的接口就行。注册、申请一个 API key、充点值，就能用上它远端的智能。有了智能，程序负责固定的部分，AI 负责看语义的部分，连提示词都可以让它先帮你写。

第三种：每一步都要智能——干脆写成技能（skill）。 有些活，几乎每一步都离不开智能。比如我每天把录音转成文字、做优化排版、再发到公众号和各个平台，这一整套就是。它为什么适合用技能？因为现在的 AI 把「连接」这件事做得很好，你其实不用写代码，只要告诉它「我有一个 workflow（工作流）」，让它用技能的方式把步骤存下来——第一步做什么，大概分几步——生成一个 skill 文档（存本地或云端都行；我之前写过文章专门讲这个，目前最好的技能编写语言可能还是英文）。

那到底什么时候写程序、什么时候写技能？编程适合那些运行时不太需要智能的活——比如搭个数据库让很多人去查，写代码时要智能，但用户查的时候并不需要模型，顶多加个「分析」按钮才用一点。这种要搭系统的，就老老实实写代码。但像把录音变成排版好、能直接发各平台的内容，每一步都要很强的智能，就别去编程序了。这时候最好的办法，是找个像 Claude 这样够强的 AI，一步步把流程讨论清楚，最后让它（Codex 也不错）总结成一个技能、一条工作流。之后不管在聊天界面，还是在 Claude Code、Codex 里，都能调用你这个技能，一步步把输入转成输出。

另外，Claude、Codex 都有很多连接器：你要发邮件，就连上邮箱；你要做设计方案，就连上 Figma。所以那些重复性的、经常要做的需求，都很适合交给一个 AI。甚至像翻译、写邮件这种也可以写成技能——它们需要的是智能，而不是靠死逻辑去约束，但你又希望它有固定的风格和格式。那就做个技能：专门帮我翻译这类内容，要什么样的效果，一次说清楚。

05

嫌写技能麻烦？先从提示词库开始

觉得写技能太麻烦？那有个更简单的入门方式：建一个提示词库。把你写好的一批提示词存起来——放一个文件夹里，甚至用一张 Excel 表管理都行——记下每个提示词是干嘛的。每次要做某件事，就把对应的提示词复制下来，再贴上你的输入，结果就出来了。

技能相对更「讲究」一些：它是分层结构，要求可以写得更细。当标准很具体的时候——比如公众号排版规范、标点符号怎么处理——一个提示词要做到同样的效果就会变得很复杂。这时候你可以把那些排版工具、检查标点的脚本全都打包进一个技能里。活当然是让 AI 干，但前提是：你得先把自己的需求想清楚。

06

想做更大的东西？直接搭个 demo

如果你想做的不只是这些小工具，而是一个更大的产品，那就用 Claude Code、Codex 这类工具，让它先帮你把想法变成一个 demo，然后不断打磨；或者找一个有经验的人帮你再优化。

现在很多产品经理和技术团队就是这么配合的：以前经理要写一份 PRD（产品需求文档），现在直接把脑子里的想法做成一个能演示、甚至能用的 demo，连 UI 长什么样、怎么交互都做出来。这样能省掉大量纯文字的沟通。

今天讲的其实只是一部分。我越用越发现，AI 真的能介入非常非常多的场景——画图、视频、音频、数字人……几乎每个场景都有很好的工具可以用。

所以，还是从你自己的日常出发：找到那件占用你时间最长的活，用不同的 AI 去试，找到那个合适的工作流，然后再往上走。

别纠结哪个 AI 最强，
先想清楚这件事要不要「智能」，
工具自然就对上了。

— END —

感谢阅读，如果觉得有启发

欢迎关注「薛衡 Henry」