夜雨聆风
思维导图训练打卡小组｜在组成员
🌟阿阳💡
坐标惠州的品牌策划，本来只是想让 AI 帮忙干活，结果一边踩坑一边搭，攒出了一套AI协作系统，现在把这些经验做成 AI 课程，欢迎加我的微信和我交流。
🤍 我的微信号：lsylsy86
最近我参加了执剑俱乐部的线上思维导图打卡小组，每周要画三张手绘脑图。
一开始，我只是把它当成一种输入练习。看到一篇文章、一场演讲或者一个新概念，就试着用一张图把它讲清楚。
前段时间，我重新整理已经画完的15张脑图，发现其中有5张都和AI有关。
两张来自行业观察：Kimi K2.5与WAIC 2026；两张来自学习整理：AI工程概念与《超级个体时代》；还有一张来自我自己的实践：怎样让AI Agent真正进入长期工作。
它们原本是5个分开的主题。画每一张图时，我只是试着弄明白眼前这个问题。但重新排在一起后，我突然发现，它们刚好连成了一条从行业变化走向个人实践的路径，也都在回答同一个问题：
当AI越来越能干以后，我们到底应该怎样和它一起工作？
AI正在从“回答问题”
走向“接手工作”
以前看AI新闻，我最容易注意到的是参数、榜单和上下文长度。谁又发布了新模型，谁又刷新了排行榜，谁又支持了更长的上下文。
但这次整理Kimi K2.5和WAIC 2026的脑图时，我开始感觉，自己关注行业的角度也变了。Kimi这张脑图，来自我对杨植麟在GTC 2026分享内容的整理。让我记住的并不是某一个参数，而是三个方向：Token效率、长上下文和智能体集群。
我画完以后才发现，这三个方向并不是互不相关：Token效率关乎怎样更有效地学习，长上下文关乎怎样把长任务做下去，智能体集群关乎怎样拆分和协作。
这意味着，大家期待的已经不只是“它能不能答对”，而是“它能不能把一件更长、更复杂的事情做下去”。
01 Kimi K2.5：Token效率、长上下文与智能体集群
WAIC 2026这张脑图，则来自我对网上公开资讯的整理。
整理这张思维导图时，我只是想通过不同报道，看看大家正在关注哪些AI方向。整理这些公开报道时，我把自己关注到的方向归纳成了算力、Agent、具身智能、AI终端和OPC创业。
这些方向并不在同一条技术线上，却让我第一次比较具体地看到，AI正在同时进入基础设施、任务执行、机器人、终端和创业方式。
其中最吸引我的，是OPC这个方向，OPC并不等于一个人包办所有事情。真正发生变化的是，AI降低了执行和跨角色协作的成本，让个体有机会控制更长的价值链。
过去需要一支团队配合完成的研究、原型、内容、客服、数据分析和多平台运营，现在一个人借助AI，可能先把其中更多环节跑起来。
但这也意味着，人的工作重点会发生变化。比起亲手完成每一个动作，找到真实需求、定义产品、判断结果、建立信任、管理现金流，以及把交付方式变成可以复用的系统，可能会变得更重要。
如果说以前的AI像一个特别会回答问题的人，那么现在的AI更像一个可以进入个人业务、帮助一个人完成更多环节的协作者。
而这样的协作者真正进入工作，靠的显然不只是一句问得很好的话。
02 WAIC 2026：AI进入基础设施、任务与创业方式
我以前以为
学会写提示词就算会用AI了
AI刚火的时候，大家都在研究Prompt。
怎么设定角色，怎么补充背景，怎么让AI一步一步思考，怎么让它按照指定格式输出。
那个阶段很容易让人觉得：只要提示词写得够好，AI就能给出好答案。
但真正用久以后，我遇到的问题越来越不像“不会提问”。有时候不是我没说清楚，而是AI不知道我是谁。有时候不是它能力不够，而是它看不到项目资料。有时候这次已经纠正了，下次开新对话它又会犯同样的错。还有时候，它能给出一份不错的建议，却不知道接下来该读哪个文件、遵守什么规则、把结果放到哪里。
我再去看提示词工程、上下文工程、Harness工程、Workflow、Loop循环工程这些词，才发现它们并不只是需要记住的新术语，而是AI协作问题一步步往前走的结果。
按我现在的理解，提示词更接近“怎么问”，上下文工程关注“给AI看什么”，Harness则开始涉及工具、权限、规则和验证环境。
再往后，Workflow试着把稳定动作连接成可以重复运行的流程；Loop循环工程关心的，则是怎样让AI围绕目标持续推进，在规划、执行、检查和修正之间循环，直到完成目标，或者遇到必须交还给人的判断。
这些概念也不是后一个淘汰前一个，而是一层层嵌套。Loop要真正跑起来，仍然需要清楚的提示词、正确的上下文，以及能够约束和验证执行的环境。
重点已经从“怎么把一句话写好”，变成了“怎么让AI在一个稳定的环境里持续把事情往前推进”。
03 AI工程演变：从Prompt走向持续执行
一个人变快以后
怎样真正影响团队
腾讯研究院那篇《超级个体时代》，又让我把这件事从个人使用推到了组织里。
最开始画这张脑图时，我想回答的并不是“企业应该采购什么AI工具”，而是另一个更贴近自己的问题：一个人怎样成长为超级个体，又怎样把这种变化传递给团队？
报告里对超级个体的描述，不只是“会用AI、效率很高”。它还提到了AI First的工作动线、能力边界的量级跃迁、主动探索，以及一个很容易被忽略的特征：影响力溢出。
如果一个人借助AI变得很快，但他的工作方式只有自己能用，其他人看不见、学不会，也无法复用，那么这种变化仍然停留在个人效率上。
按照报告的这个标准，超级个体不只是自己完成得更多，还会让新的方法被团队看见，让经验逐渐变成流程、规范和基础设施，再从一个人扩散到一个小组。
这件事对我很有触动。
我自己使用AI以后，确实可以更快地整理资料、分析问题和生成内容。但作为部门负责人，我越来越清楚：一个人生成得快，不代表内部确认也快；一个人整理资料快，不代表其他人都找得到；一个人会用AI，也不代表团队流程自然发生变化。
报告里有一个公式我很喜欢：
组织竞争力= 人才密度 × AI杠杆 / 组织摩擦
我对它最直接的理解是：超级个体主要放大分子，团队和组织还要处理分母。
如果资料依然分散，权限依然模糊，沟通依然层层等待，AI带来的速度很快就会被原来的组织摩擦吃掉。反过来，如果一个人的新工作方式能够被看见、复制和连接，它才有机会从个人能力变成团队能力。
所以，个人变快只是开始。真正难的是，怎样让这种变化向外溢出。
04 超级个体：个人能力如何向团队外溢
个人方法要向外溢出
先要变成一套可调用的系统
那么，一个人借助AI形成的新方法，怎样才能不只停留在自己的电脑和对话框里？
我现在的答案，不是多分享几个提示词，而是先把自己的工作方式沉淀下来：哪些资料会被反复使用，哪些规则不能违反，不同任务应该从哪里开始，做完以后又怎样把经验留下来。
这也是我第一次画《用好AI Agent的关键到底是什么》这张脑图时的想法。
那时候，我把操作指南、格式要求、思维模型和不同任务的输出规范都放进图里。我想解决的是：怎样给AI更完整的资料和规则，让它工作得更靠谱。
这个方向没有错。但文件越来越多以后，新的问题出现了：它先读哪一份？遇到不同任务时，应该去哪里找规则？哪些是不能违反的边界？哪些只是某一类任务才需要的细节？
如果没有入口，再完整的资料也只是一堆散落的文件。
所以后来，我又重新整理了这张脑图。最新版不再从某一份专项文件开始，而是从全局MEMORY开始。
全局MEMORY不负责装下所有内容，它只负责三件事。
第一，写清楚铁律。什么能做，什么不能做；哪些事情必须先确认，哪些错误不能再犯。比如“没有我明确确认，不要自己生成新文件”，就是AI真的踩过坑以后留下来的规则。
第二，写清楚任务路由。遇到哪类任务，先读哪份专项说明。整理知识库、处理固定输出或进入不同项目时，就分别找到对应的操作规范和项目资料。
第三，写清楚路径索引。重要文件在哪里，项目资料放在哪个目录，让AI不用每次从头搜索。
于是，一次任务真正开始时，顺序就变成了：先从全局MEMORY确认边界，再根据任务路由找到专项文档，通过路径索引定位材料，然后才开始执行。
执行过程中遇到的新问题，也不是只在当次对话里纠正。值得长期保留的教训，会被重新写回总入口或对应的专项文件。
使用、踩坑、回写，再到下一次不重复犯错。
到这里我才明白，让AI越来越好用的关键，不是文件数量，而是这些文件之间有没有入口、分工和回写关系。
而现在保留下来的这张初版脑图，也没有因为后来出现了新版就失去价值。它记录了我当时怎样理解这个问题。重新看见它，我才更清楚自己后来为什么要改。
05 AI Agent工作体系：从专项资料走向统一入口
会提问只是起点
真正难的是长期共事
重新整理这5张脑图后，我反而没那么着急追新的AI工具和概念了。
画每一张图时，我接触的只是一个局部：一次演讲、一篇报告、一个新词，或者一段还没有走完的实践。
思维导图没有直接给我一套标准答案。它更像是在不同时间里，帮我把零散的信息暂时摊开。等到这些图越积越多，我才有机会重新看见它们之间的联系，也看见自己原来的理解有哪些地方还不完整。
AI的新词当然还会继续出现，模型也会越来越强。但它们背后的变化其实很清楚：AI正在从回答问题走向执行任务。
当AI开始真正参与任务时，我才发现，除了目标，还要给它资料、工具和边界，并告诉它去哪里找规则、怎样检查结果。
所以，“会提问”当然仍然重要，但它只解决了某一次沟通的开始。
如果想让AI长期参与真实工作，还需要让它有资料可用、有规则可循、有路径可找，也能把一次次纠正留下来。
我现在搭建的知识库和AI Agent工作体系都还没有完成。它们不是一套标准答案，更像是我和AI长期共事时留下来的协作记录。
每踩一次坑，就补一条规则；每出现一种新任务，就补一条路由；每整理出一份重要资料，就把路径接回总入口。
最后，AI真正积累下来的不只是“关于我的信息”，而是“应该怎样和我一起工作”。
这也是我喜欢思维导图打卡的原因。
它不只是要求我每周完成三张图，而是迫使我把输入变成自己的理解。画完不是结束，过一段时间重新整理、重新连接，才会发现哪些认识留下来了，哪些还需要修改。
这些还在迭代的方法，也逐渐成了我整理课程的起点。我按照自己实际走过的顺序，把这条实践路径拆成了三个课程：
如果你还停留在聊天阶段，可以从《AI时代的工作方式·龙虾实战班》开始，先理解Agent怎样从回答问题走向执行任务。
如果你已经开始用AI，但它经常缺少资料和背景，可以从《搭建你的第一个专属AI知识库》开始，把散落的内容整理成可以长期调用的知识系统。
如果你已经有了工具和资料，但AI每次工作仍然像临时加入，我接下来会整理一门新课《用好AI Agent的关键到底是什么》，从全局MEMORY这个总入口出发，讲清楚怎样设置边界、任务路由和路径索引，再把它连接到不同的专项文档。
简单说就是：先让AI能干活，再让它有资料可用，最后让它知道每次应该从哪里开始。
本次分享的在组成员来自
思维导图训练打卡小组 · 第二期和一群同好结伴打卡，坚持成长！
下一期期待你来加入！
小组发起人：晶芭比
咨询加微信：Jing-Barbie
