学用AI,应该从多用AI开始

很多人第一次用 Agent，会希望它直接完成一个完整任务：“帮我做一个分析项目”“帮我写一篇报告”。

这种期待在人与人协作中都很难成立，更不用说 AI。即使是最强的模型，也往往会在“自由发挥”中跑偏，最后用户不满意，然后得出结论：“AI 不行”。

但 AI 更像一个实习生——有些模型像本科生，有些像研究生，有些甚至接近博士水平。在某些训练充分的场景里，好的模型确实可以一次性给出不错的结果，但这通常建立在任务本身足够清晰的前提下。

如果用户希望结果带有自己的风格或判断，那么“具体需求”就不可避免。

更准确地说，这里真正重要的不是方法，而是“问题本身是否被定义清楚”。在学术语境里，这更接近 idea，而不是 implementation。AI 可以解决方法，但前提是你要说清楚你到底想解决什么。

明确的需求 + 连续的小闭环，会让 AI 更接近真实工作流。一个系统从来不是一次形成的，而是在不断迭代中完成的。AI 在小任务中的表现，往往远比在开放大任务中稳定。

部分人使用 AI 的方式就像每次重头来过：反复介绍项目背景、数据来源、分析逻辑。而 AI 始终停留在“初入职场”的状态。

但用得好的人，会主动经营上下文：维护项目日志、整理规则、沉淀流程。更不用说现在很多桌面级 AI Agents 已经支持 Memory 机制，像Qoder甚至会为每个项目构建 wiki 知识库。

当这些基础设施建立起来之后，AI 面对的就不再是一片空白，而是一个持续生长的工作环境。

有经验的人不会无限信任 AI，而是非常清楚什么时候该停。

写代码时会说：“不要改接口”“不要动其他模块”“只改这个文件”。做分析时会限定范围：“只看这一部分数据”“不要引入额外假设”“结论必须能被数据直接支持”。

这些约束不是在限制 AI，而是在缩小问题空间。边界越清晰，结果越稳定。

同样是用 AI 做 PPT，有的人做出来内容完整、有逻辑、有“人味”；有的人则只是信息堆叠、平铺直叙。差别并不在工具，而在使用者是否在过程中持续“校准”AI。

这也是为什么，学生们在使用AI时要相当谨慎，能力培养不过关，上限也会受限。

过去人们使用软件，更多是在适应开发者预设的功能边界；而 AI 提供的是一种更开放的可能性——同样的工具，在不同人手里可以变成完全不同的工作流。

但这种“个性化”，本质上是需要试错的。

你会逐渐知道：哪些任务适合交给 AI，哪些必须自己把关；如何拆解问题；如何设计反馈；如何识别 AI 的错误模式。

这个过程，其实也是在慢慢“蒸馏自己”。

最终理想状态不是“会用 AI”，而是拥有一个符合自己思维方式的数字分身，让 AI 替你执行那些已经被你结构化过的思考。

关于工具选择（个人体验）