夜雨聆风
假设明天，你最常用的 AI 工具突然换了。
界面变了，功能入口变了，过去收藏的 Prompt 也不再像以前那么重要。
你还会不会用 AI？
这个问题，能帮我们分清两件经常被混在一起的事：会操作一个工具，和拥有可迁移的 AI 能力。
前者依赖具体产品。后者跟着人走。
工具越稳定，我们越容易把熟练操作误以为能力；工具变化越快，能留下来的东西反而越清楚。
面对一个任务，你能不能把问题定义清楚？能不能从大量信息里留下可信的部分？能不能把混乱想法组织成结构？能不能组合不同工具完成任务？结果出来以后，能不能继续判断、修改和复盘？
这才是普通人在 AI 时代需要长期培养的能力。
如果一定要写成一个公式，我会这样写：
AI能力 = 把模糊任务稳定转化为可用结果的能力。
而这件事，可以继续拆成五种能力。
01 提问力：先把模糊问题，变成可执行问题
很多人把提问力理解成：Prompt 要写得长。
其实，长不等于清楚。
“怎么提高工作效率？”只有一个大方向，没有具体任务。AI 能做的，通常只是给你一组通用建议。
如果把问题换成：
我每天会被临时消息打断 5 到 8 次，希望减少工作切换成本。请给出 3 种可以在一周内试行的方法，并分别说明适用场景、执行步骤和可能遇到的阻力。
答案会立刻接近行动。
为什么？
因为你已经替 AI 补齐了四个关键变量：要解决什么问题、问题发生在什么背景、有哪些约束、最后需要什么结果。
我现在给 AI 任务时，会尽量使用一个简单公式：
角色 + 目标 + 背景/约束 + 输出要求
比如：
你是一名内容策略顾问。我准备写一篇面向普通职场人的 AI 效率文章，读者知道 ChatGPT，但缺少实操经验。请先拆出 5 个高频效率问题，每个问题给出一个可执行方法和一个具体使用场景。
提问力的本质，不是把要求写复杂，而是把任务说具体。
02 信息筛选力：AI 给得多，不等于都值得留下
AI 的优势，是快。
但速度越快，筛选越重要。
一段答案写得很顺，可能同时混合了官方信息、行业报道、个人经验和模型自己的推断。它们被放在同一个语气里，看起来一样可信，实际证据等级完全不同。
所以我看到一个 AI 答案，不会先问“写得好不好”，而会先检查四件事：
第一，核心事实有没有来源？
第二，信息是什么时间发布的，现在是否仍然有效？
第三，不同可靠来源之间是否一致？
第四，这条结论背后有没有事实或数据支撑？
如果是重要决策，还需要继续区分信息层级：
- •
官方资料、权威机构和原始数据，用来确认事实； - •
学术论文和高质量行业报告，用来支撑关键判断； - •
个人博客和社区讨论，用来发现线索和真实体验。
社区内容不是不能看。它更适合告诉你“可能有这个问题”，不适合单独证明“事实一定如此”。
提问力决定从哪里开始，信息筛选力决定最后留下什么。
03 结构化表达力：如果脑中是一团线，AI只会把线拉得更长
AI 很会生成内容。
但它不会自动替你决定，什么是主线，什么是证据，什么只是补充。
如果你的想法没有结构，直接让 AI 写全文，得到的内容可能很长、很完整，却不知道重点在哪里。
我现在写文章、做方案或整理项目时，通常不会从“请帮我写一篇”开始。
我会先确定五件事：
1. 这次要回答的问题是什么？2. 最终结论是什么？3. 哪些信息能支撑这个结论？4. 哪些例子负责解释，而不是装饰？5. 读者看完以后要做什么？
然后再给 AI 一句话：
先不要写正文。请把这个主题整理成一份逻辑清楚的结构大纲，每一部分只解决一个问题，并说明需要什么证据或案例。
骨架先立住，AI 后面的补充、改写和压缩才容易控制。
结构化表达力，其实是在告诉 AI：哪些内容应该站在一起，哪些内容必须分开。
04 工具协同力：不要寻找万能工具，要设计完整任务
AI 工具越来越多以后，我反而不再追求“一个工具全部完成”。
因为不同工具擅长的事情，本来就不同。
有的擅长搜索和研究，有的擅长生成与推理，有的适合表格和数据，有的负责视觉表达，还有的负责发布与归档。
需要设计的，不是工具清单，而是一条完整的任务路径：
输入什么 → 经过哪些处理 → 最终交付什么
举个例子，做一篇公众号文章，可以拆成这样：
- •
先用搜索工具查找资料和原始来源； - •
再用生成工具搭结构、写正文和调整表达； - •
遇到数据时，用表格工具整理口径与关系； - •
需要解释抽象概念时，再调用图片工具； - •
最后进入自己的排版和发布系统。
每个环节只保留一两个最顺手的主工具，反而比同时开五六个窗口更稳定。
工具协同力考验的，不是你认识多少产品，而是能不能让不同能力在同一个任务里接力。
05 判断与复盘力：AI 输出完成，人的工作才真正开始
这是五种能力里最重要、也最容易被忽略的一项。
AI 做出一份结果，不代表它已经可以交付。
你还需要判断：
- •
准确吗？ - •
符合这次目标吗？ - •
关键结论有依据吗？ - •
哪些地方还需要人工修改？ - •
这次有哪些方法值得留下？
前四个问题，决定这一次能不能用。
最后一个问题，决定下一次能不能更快。
每次任务结束后，只做一个很轻的复盘：什么有效，什么失败，为什么返工，下次怎样调整。
时间一长，那些有效的 Prompt、结构、模板和检查清单，会慢慢沉淀成你自己的工作资产。
AI 给你一次输出，复盘让你拥有下一次能力。
这5种能力，不是5门孤立的课
现在把它们重新连起来看。
提问力，决定任务从哪里开始。
信息筛选力，决定哪些内容可以进入下一步。
结构化表达力，决定信息怎样被组织。
工具协同力，决定任务怎样被完成。
判断与复盘力，决定结果能不能交付，以及下一次能不能做得更好。
它们不是并列的五个技巧，而是一条不断循环的能力链。
问得越来越准，信息筛得越来越快，表达越来越清楚，工具组合越来越稳定，再通过复盘继续修正。
这才是 AI 学习真正应该发生的方向。
如果现在开始，先用30天练一轮
不需要先设计复杂的半年学习计划。
先拿 30 天，把这五种能力放进每天的工作。
第一周：练提问与搜索。
遇到问题时，不急着让 AI 直接回答。先花一分钟写清楚目标、背景、约束和输出要求，再去搜索可靠来源。
第二周：练筛选与整理。
每天挑一条重要信息，记录来源、发布日期、核心观点和适用边界。慢慢建立自己的信息判断标准。
第三周：练表达与产出。
选一个真实任务：写一篇文章、做一份方案、完成一个视频脚本，或者整理一份客户常见问题。从结构到成品，完整跑一次。
第四周：练判断与复盘。
回看前三周：哪些提问方式有效，哪些工具值得保留，哪些步骤最容易返工。把有效做法整理成自己的模板和检查清单。
30 天之后，你不一定记住了最多的工具，但会比以前更清楚：面对一个新任务，应该从哪里开始，怎样推进，什么结果才算能用。
每天只做三个最小动作
如果每天没有很多时间，就做三件事：
1. 向 AI 提出一个具体问题；
2. 整理一条有价值的信息，记下来源和结论；
3. 输出一个小结果，哪怕只有 100 字、一张表或一个提示词模板。
输入、判断、输出。
每天走一小步，比单纯刷 AI 资讯更接近真正的能力。
写在最后。
AI 时代真正稀缺的，不会是知道多少工具名字。
工具会继续变化，生成会越来越容易。但提出好问题、识别可靠信息、组织复杂想法、组合工具完成任务、根据结果持续调整，这些能力不会因为某个产品更新而失效。
如果最近不知道该学什么，先少追几个新工具。
把这五种能力，放进一个真实任务里练起来。
我持续沉淀经过真实业务验证的课程、提示词、Skill、流程和工具，帮助你把 AI 用到内容、获客、转化和经营效率里。
如果你不想只停留在“会用一个工具”，而是想逐渐建立能跟着自己走的 AI 能力，lingce000，获取入口
