分享几个我最近用 AI 的真实案例

很久没更新了。

最近学校的事情堆得比较多，周末还有培训和训练，状态一直不算好。但最近有件事让我想写点东西——我发现越来越多的人开始来问我关于 AI 的问题，有朋友，有同事，也有一些完全不认识的人。问的内容五花八门：用什么工具好？怎么写提示词？公司想做培训从哪里入手？

我一边回答，一边意识到一件事：大多数人现在用 AI 的方式，其实还停留在“高级版百度搜索”的阶段——遇到问题打开网页，输入问题，得到一个答案，然后关掉窗口，继续过自己的生活。

这没有错，但这只是 AI 能力的最表层。

真正有趣的东西，在更里面一点。

学校前段时间办了一场游泳运动会，跟田径不同，没有田赛项目，相对简单一些，但涉及的工作量一点都不小。

运动员信息的收集与整理、参赛名单的确认与更新、老师的分工职责安排、开会前的培训材料、赛事当天的统筹流程、后勤物料的核对……这些事情叠在一起，如果按老方法来——Excel 表格、微信群通知、手动汇总——光是信息同步这一件事，就要反复消耗大量时间和精力。

我做了一个不一样的选择：用 OpenAI 的 API，直接搭了一套后台数据系统，把整个运动会的信息流都集中管理起来。

这件事跟打开网页版 ChatGPT 聊两句，完全不是一回事。我做的这件事，是让 AI 成为一个持续运转的工具，在你不盯着它的时候，它还在工作。给这篇公众号生成一个这是两种完全不同的逻辑。

说实话，当你第一次把一个真正可用的系统跑起来的时候，那种感觉很奇妙——不是“哇，AI 好厉害”，而是“原来这件事可以这样做”。

事情的起因很简单，我之前给学校做了一些 AI 相关的小项目，被行政部门的同事看到了，觉得很实用，就邀请我给团队做一次系统的培训。

重点放在文书工作量比较大的部门——市场部、招生部。这些部门的日常工作有一个共同特点：大量重复性的文字处理，格式类似但内容不断变化，每一份都需要认真对待，但处理起来又非常耗时。久而久之，很多人会在这种工作里积累一种钝钝的疲惫感。

培训做完之后的反馈出乎我意料地好。他们说，很多以前让人“卡壳”的环节，现在变顺了。不是说工作消失了，而是那种“不知道从哪里下手”或者“写着写着写不下去”的感觉，被 AI 接住了。工作效率提升了，质量也没有下降，焦虑感少了不少。

那段时间，每天都有同事请我喝咖啡。这件事我觉得挺有意思的，说明一件事：对于真实存在的痛点，一个实用的解决方案，比任何道理都管用。

这家公司做的是类似留学申请的交付业务。

这类业务的特点是：流程长、文件多、细节密、容错率低。从资料收集、文书撰写、档案整理，到法规文件的处理，每一个环节都是人力密集型的，稍有疏漏就可能影响整个项目的交付质量。

我们给他们做的事情，不只是培训，还包括环境搭建。

这里要特别说一下“环境搭建”这件事——这是整个过程中最难的部分，也是很多人卡住的地方。很多人以为学会用 AI 就是学几个提示词，其实不是。提示词只是表达，背后的工具选型、接口配置、工作流的设计，才是真正决定能不能跑通的东西。

环境搭建好之后，我们给了他们一套完整的工作方法论——不是泛泛而谈的“你可以用 AI 做 XXX”，而是具体到某个业务场景下，应该怎么拆解任务、怎么给 AI 下指令、怎么检查输出、怎么形成一个可以重复使用的闭环。

反馈也很不错。后来遇到一些搭建之后的小问题，他们也会来找我，我们基本上都解决了。

这个案例相对技术性强一点。

他做的是独立站，不是平台，这意味着他没有平台给他提供现成的数据工具。他需要一套实时监控的后台数据系统，来跟踪网站流量、订单变化、库存状态这些关键数据。

如果找外包团队定制开发，报价是相当高的，而且后期维护还要持续投入。

我帮他做的是：在他的电脑本地部署了 AI，直接生成并运行了一套数据管理程序，成本接近于零，他自己也可以在我给他的框架基础上继续调整和维护。

这件事让我意识到：AI 在某种程度上，正在把一些原来需要专业技能才能完成的事情，变成有想法、有思路的人都可以做的事情。门槛在降低，但降的不是“你需不需要思考”，而是“你需不需要掌握所有的执行技能”。

我自己是体育专业出身。

这不是在卖情怀，只是这件事本身有点值得说一说。

从来没有系统学过编程，没有计算机背景，但现在，我可以借助 AI 真正写出能跑起来的程序，可以搭系统、做工具、帮别人解决真实的工程问题。如果是几年前的我，很难想象这件事会发生在自己身上。

但这件事带给我的感受，不只是“AI 很厉害”——这个结论每个人都知道，说了也没意思。

我更想说的是：AI 真正在重新分配一种东西——实现想法的能力。

以前，“我有个想法”和“这个想法被做出来”之间，隔着一条技能鸿沟。你想做一个系统，你得会编程；你想分析数据，你得会写脚本；你想做一个工具，你得找到愿意帮你的人。

现在，这条鸿沟窄了很多。

不是消失了，但你只需要真正想清楚自己要什么、为什么要、结果应该是什么样的——剩下的执行，AI 可以帮你完成相当大的一部分。

而这恰恰说明：你自己越清楚，AI 给你的就越好用。你对某个领域的理解越深，你越知道自己要的是什么，AI 的输出就越精准。它不是一个会替你思考的存在，而是一个极强的执行者。方向感、判断力、行业经验，这些依然是你来给的。

我平时不会把所有事情都丢给同一个对话框。

在 Claude 的 Project 功能里，我分了好几个不同的项目：有专门用来聊哲学的，有讲书的，有写程序的，有做活动策划方案的。每个 Project 有自己的背景设定和上下文，用起来的感觉完全不同，就像在跟不同的“助手”在工作。

这种用法不复杂，但背后的逻辑很重要：你要把 AI 当成一个需要被管理的协作者，而不是一个随时可以乱问问题的工具。你给它的背景越清晰，你的意图越明确，它的输出就越有用。

另外，现在的 AI 迭代速度非常快。已经有很多模型可以直接接收指令、在你的电脑上自主执行任务——打开文件、浏览网页、操作界面、整理输出，不需要你全程盯着，它就在跑。

就在最近，英伟达（NVIDIA）发布了新一代芯片，很多人觉得这只是硬件升级，但背后指向的方向远不止于此——以后你用的电脑，本体就直接内置了强大的 AI 计算能力，每一台普通的个人电脑，可能就是一台超级计算机。

这件事现在听起来还有点遥远，但它的方向是清晰的。

放在十年前，今天这一切大概会被当成科幻小说。放在二十年前，就更不用说了。有意思的是：如果你现在回头看，其实也“能”想象到世界会变成这样——技术会越来越强，信息会越来越快，机器会越来越聪明。但你很难想象到的，是它以这种具体的方式呈现出来。不是飞行汽车，不是机器人管家，而是一个你随时可以打开的对话框，一套你可以自己搭建的工作流，一个在你电脑里安静运行的程序。

变化本身不陌生，陌生的是它落地的形状。

所以我觉得，不管你是什么行业，都值得认真研究一下 AI 能为你做什么。不是要你变成技术专家，也不是要你追每一个新工具的发布——而是真正去想一想，你现在工作里哪些环节最耗时、最让你头疼、最容易出错，然后去试一试。至少在工作层面，对大多数行业来说，它都能帮上忙，这一点我是有信心的。

当然，如果往更深处走，这里面还有很多哲学层面的问题——技术在改变的，不只是我们的工作方式，还有我们对“能力”、“创造”甚至“人”本身的定义。只是哲学是哲学，技术是技术，那是另一个层面的讨论了。