夜雨聆风AI SKILLS ROADMAP 2026
AI 领域的变化太快了。
ChatGPT、Gemini、Claude 每周都在上新版本，工具一直在换。我自己做博主一年多，每天都在追这些新工具、出教程，但也观察到，对很多想用 AI 把工作做好的朋友来说，这种节奏会让人越来越焦虑。
如果你的目标是把 AI 融入工作、解决实际问题，最好的方式不是追工具，而是掌握底层的 AI 技能。
因为工具、模型会变，但底层逻辑不变。你掌握的是方法，换到任何新工具上都能继续用。
如果你也是这种情况，今天这篇就非常适合你。
咱们从下往上走一遍，最后还有个小测验，看你现在卡在哪一层。
LEVEL 01
基础层：地基
这一层，不管你做什么职业、想用 AI 做什么事，都得有。
三件事，少一件，往上爬都会卡壳。
01
先想清楚你和 AI 的关系，再决定花多少时间
这件事听起来有点虚，但它决定了你接下来所有的选择。
我建议你先给自己定位。简单分一下，大概三种人：
杠杆派：AI 是你的放大器，要全力拥抱。适合做内容、做产品、做生意的人。
协作派：AI 帮你做事，但你的核心价值不能被替代。适合律师、医生、设计师、咨询顾问。
观察派：你的工作 AI 暂时碰不到，但需要知道它在发生什么。适合传统制造业、线下服务业的朋友。
我自己本职做 AI 产品，副业做博主，是典型的杠杆派。每天打开电脑第一件事，就是看 AI 圈出了什么新东西。
但如果你是协作派，你的策略应该是：精挑一两个工具用熟，不用天天追新。
观察派更不用焦虑。你需要的是“关键节点保持感知”，不是上手做。
02
Prompting：把跟 AI 说话的能力打底
AI 用得好不好，真的不是看你用了什么工具，而是看你怎么跟它说话。
但 prompting 不是看两个短视频技巧就能搞定的。“角色扮演”“分步思考”“Few-shot”这些词大家都听过，可真到自己写 prompt 的时候，很多人还是凭感觉。
这件事得系统学。
推荐先刷两门 Google 课程
Design Prompts for Everyday Work Tasks
Start Writing Prompts like a Pro
这两门课最有价值的地方，是把“写 prompt”这件抽象的事，变成了一套有公式的方法。
Google 教的核心框架叫 TCREI：
T Task：任务，你要 AI 做什么，说清楚
C Context：上下文，把背景信息给到
R References：参考，给一两个例子
E Evaluate：评估，结果好不好自己先判断
I Iterate：迭代，不满意就改了再试
举个例子，你想让 AI 帮你写周报。
如果你只说“帮我写一份周报”，出来的东西一定特别官腔，AI 味很重。
但如果你按 TCREI 来写，告诉它：任务是写一份给老板看的周报；上下文是这周做了哪三件事、每件事的产出是什么；参考是上周的周报模板；评估标准是简洁、有数据、有重点、不超过 300 字。
然后看着不满意的地方继续改。出来的东西就完全不一样了。
迭代卡住时，用 RSTI
R：Revisit，回到框架重新审视
S：Separate，把长句子拆成短句
T：Trying，换一种说法或类比任务
I：Introduce，加约束条件
写 prompt 卡住的时候，反复用这四招就够。
如果你想再往进阶走一步，我强烈推荐 Claude 官方最近出的 The Prompting Playbook。这是 Anthropic 工程师 Margot Vanlar 在 Code with Claude 大会上讲的。
这场分享不是“加 please 让 AI 更听话”那种皮毛，而是从一个真实客服 bot prompt 入手，演示怎么在生产环境里把一个出错的 prompt 一点点调好，再迁移到新模型上。
我看完最醒的两个观点：
第一，指令不会增加能力。客服 bot 要算账单 proration，prompt 里再怎么强调“请准确计算”，AI 心算还是会错。正确做法是给它一个计算工具，让模型负责理解需求、调用工具、组装回答，让工具负责实际执行。
第二，好 prompt 要先有 eval。eval 就是测试集。写 5-10 个 test case，覆盖 control case、edge case、capability boundary。改 prompt 前后都跑一遍，不然你根本不知道改得对不对。
03
核心工具栈：挑两套用熟就够
AI 圈每天几十个新发布，追是追不完的。我自己只锁两套组合，每套对应一个场景。
第一套：Gemini + NotebookLM专门用来快速学陌生领域。把论文、视频字幕、博客文章丢进 NotebookLM 做知识源，再用 Gemini 围绕这个知识源问深度问题。
第二套：Claude + Obsidian专门用来沉淀和生产。它解决的核心问题是：知识怎么累积。
你每天看那么多文章、视频、播客，看完之后大部分都忘了。下次要用，要么重新搜，要么从零开始问 AI。你看似学了很多，但知识从来没真正变成你的。
这就是 Karpathy 今年 4 月那篇 LLM Wiki 想解决的问题。
传统 RAG 每次回答都要重新翻资料，知识不会累积。LLM Wiki 的思路是：让 AI 提前把你看过的内容整理成一张相互链接的知识网络，每喂一份新资料进去，整个网络都跟着长大。
我自己日常这么用：Obsidian Web Clipper 把好文章、视频字幕一键存进 Obsidian，然后打开 Claude Code 说一句 ingest，它自动建概念页、人物页、事件页，并互相链接好。
最后打开 Obsidian 知识图谱视图，整个领域的脉络一目了然。
这套 wiki 我用了一年多，存了几百份资料。累积到这个量级，威力就出来了。
本地 Agent 最爽的地方是：它不是给你一个标准答案，而是用你一年累积下来的资料，给你一个属于你的答案。
LEVEL 02
中级层：让 AI 真的动手帮你干活
到这一层，AI 不再只是你的对话伙伴，而是你的执行者。
你给它一个总目标，它自己拆步骤、搜资料、跑工具、交付。这种能动手的 AI，叫 AI Agent。
这一层最值得学什么？
用好 local AI agent。
local AI agent 就是跑在你自己电脑上的 Agent。它跟网页上的通用 Agent 最大的区别是：它认识你。
它能读你的文件夹、改你的文档、跟你的工作流打通。一句话，它是给你定制的 AI 助理。
入门我推荐 Anthropic 自家的 Cowork。它是 Claude 桌面端里的一个入口，能在你电脑上自主执行多步任务，不用你一步一步盯着。
学会用 local agent 之后，你能做的事一下子就打开了：
把一小时的访谈，自动提炼成可调用的 Skill。
把笔记和日历整合成每日 digest。
让它跑一个研究课题，输出几万字报告。
这些以前都得是工程师才能搭的工作流，现在你一句话就能让它跑起来。
但 local agent 的技能不止是“会用”。再往上走一层，是你自己用提示词拆 agent：每个角色做什么、谁交接给谁、谁质检，全是你定。
我之前做过一个 9 个 Agent 的深度研究系统，跑“中美机器翻译技术路线对比”这种学术级课题，几轮对话就能拿到一份 2.5 万字的报告，就是这么搭出来的。
提示词的力量，在这一层会被放大十倍。
LEVEL 03
高级层：从用 AI 到造 AI
这一层最核心的技能就一个：vibe coding。
简单说，就是你不写代码，只跟 AI 描述你想要什么，它就能帮你做出来。
像麻省理工的 rui 同学，就是用 vibe coding 把脑子里的知识和奇思妙想一个个表达出来，做出来的东西被很多人喜欢。
重点不是“会不会写代码”
对普通人来说，vibe coding 与其说是一种工具技能，不如说是一种思维方式：你不再纠结“怎么做”，而是先把“想做什么”想清楚，剩下的交给 AI。
举个具体的工作流。
第一步：看到一个特别喜欢的网站，先截图。
第二步：把截图丢给 AI，配上提示词和参考图，让它写一份设计文档。
第三步：跟它讨论细节，把需求逐步理清楚。
第四步：等沟通到满意，再让它帮你写代码。
全程都不需要懂代码。
你现在看到的这个像素风路线图，还有视频里那些小动画，都是我用这套流程 vibe coding 出来的。是不是感觉实现起来也没那么难？
只要你掌握了这种思维，生活和工作里遇到的各种问题，都可以用 vibe coding 解决。
比如下期我想专门做一个：用 HTML 写 PPT。
听起来有点反直觉，对吧？
但现在的 HTML 配上 vibe coding，能做的事比传统 PPT 多得多：能加动画、能加交互、能直接挂到网上分享，效果完全不一样。
vibe coding 带来的真正改变是：你不再被现成工具的功能边界框住。想做什么，就让 AI 帮你直接做出来。
最后，做个小测验
你现在卡在哪一层？
A. 工具栈太杂，还没用熟
B. 想跨到本地 Agent，但不知道怎么开始
C. 已经在 Level 3，开始折腾自己的 Agent 了
评论区告诉我：你现在卡在哪一层？
是工具栈太杂没精通？还是想跨到本地 Agent 不知道怎么开始？还是已经在 Level 3 折腾自己的 Agent 了？
我看到都会回。
关注达姐
带你第一视角玩转前沿科技
