本文作者通過親身實踐，深入探討了AI的潛能與局限，分享了如何將AI融入到不同的工作場景中，實現效率的飛躍與質量的提升。從客服系統的智能優化到漫畫翻譯的自動化，作者不僅展示了AI的實際應用案例，還深入討論了企業如何培養AI文化，以及如何通過提示詞工程來提升AI的工作效率。

從去年年初開始用ChatGPT，并且探索了各種AI提效項目，自己也逐漸從小白到了用AI還湊合的人，在生財里帶了3期ChatGPT提效航海、在公司里把AI各個業務的賦能都摸索了一遍、又和各種AI圈友討論交流，這個月決定動筆來總結一下過去的實踐思考，于是便整理了這篇文章，希望它能夠對你用好AI有一定的幫助~

為此我想跟大家聊4個事情：對AI合理的預期?如何用好AI工具?AI賦能案例?提示詞工程。

在我從小白到熟練掌握AI的過程中，其實也經歷了一段時間的“AI無用論”，我總覺得ChatGPT看起來好像什么都搞不定，那AI的價值到底是啥呢？它看起來也代替不了人啊。

AI代替人，我也經常聽很多小伙伴跟我提到過，感覺好像AI被吹噓的很厲害，但是其實用起來效果一般般。

但其實可能真相是：AI不取代人，AI只解決具體的問題。

我想我現在對AI的定義是伙伴，一個可以幫助我更快成長、生活更便捷的伙伴。

一、對AI合理的預期

我想了半天應該如何描述對AI的預期，最后我覺得“合理”是一個相對中性也好理解的事情。

AI能夠完整替代人嗎？

會有一些重復機械化工作的崗位逐步被AI完整替代，大家津津樂道的AI客服其實很多時候都是給客服提質用的；一般情況下的裁員是人+AI干活足夠了，不需要不會用AI干活的人了。

AI一點用都沒有嗎？

也不是，用好AI能夠快速讓你在一個你不熟悉的業務里達到70分的水平，能夠省去大量的學習成本。

如果你能夠把自身的業務很好的融入AI，那最起碼在AI的加持下你能夠完成之前1倍的產出不在話下。

不迷信AI覺得AI無所不能，不忽略AI覺得它一點用沒有。

1. 對AI合理的預期，才能夠真正的用好AI

帶著這樣的預期我們需要去觀察評估，如今的AI發展到了哪一步，這個階段AI可以在哪些事情上做到更好。

那么最值得我們去深度觀察的事情有兩件：模型能力、算力成本。

深度關注這兩個事情就可以了，其它的事情都是圍繞這兩點來拓展的。

2. 模型能力決定著AI能夠做到哪一步

用了GPT4o、Claude 3.5-sonnet、Gemini 1.5pro后你能夠知道AI的理解思考能力已經很強了，但在缺乏專業數據的時候它依然有很多內容回答不上來，AI并不是無所不能的神。

用了midjourney、comfy ui 你能夠知道AI能夠繪制各種精制的圖案，但對于圖片內的文字依然沒什么好辦法，這么看cavan、稿定設計的海報未來一段時間內AI繪畫工具都搞不定。

面壁智能V2.6版本支持端側模型部署，這代表著端側模型又跑出來一個小的里程碑事件，再過一段時間，各種能在硬件上大規模本地化部署高質量的端側模型就該變成可能了。

3. 算力成本則代表著AI應用的廣度

這里解釋一下這個點，為什么算力成本是AI應用的廣度；AI產品和之前互聯網產品較大差異的一點是，它的邊際成本并不隨著用戶量的增長而遞減。

傳統的互聯網產品如果用戶在10萬人和100萬人雖然服務器成本上會有一些差距，但其實并沒有那么大，只要維護好服務器帶寬就好了，成本并不是10倍的增加。

但是如果是AI產品，它需要消耗token用于和用戶的對話交互，那從10萬人到100萬人的時候，AI產品的成本是10倍遞增的，并不會像服務器成本那樣，沒有較大的變化，它是一個正相關的增長曲線。

那這樣就會出現一個問題，如果一個企業每天服務用戶的token費用為20萬，但營收為10萬，那這個公司的業務虧損倒閉也是一個指日可待的事情。

如果公司想賺錢，那要么去找到算力成本更低的模型，要么就想辦法轉嫁到消費者身上了，公司其實沒啥選擇。

如果算力成本能夠低到和帶寬成本一樣的水平，那各種場景下其實都會充斥著AI產品，很多有意思的產品形態會逐步展示出來。

目前在國內模型能力和算力成本壓縮的比較好的模型以deepseek為首，100萬token只需要2塊錢，如果你要自己做點AI產品試一試，deepseek的模型能力和成本都是最佳的選擇。

當我們把這兩點結合我們會發現，目前的AI現狀是：

文生文的模型能力已經很成熟了，且算力成本已經可以通過本地化部署或者deepseek來壓得很低，大量的產品都已經積極+AI，取得了不錯的結果。

AI 搜索、AI辦公、企業提效，AI在一點點改變人們日常的生活。

而文生圖、文生視頻受制于模型能力、算力成本還在珊珊起步的階段。

所以你看AI不是萬能的神，也不是無用的泡沫，它是一個珊珊起步的孩童。

我們應該對AI多一點耐心，多一點寬容，多一點放松。

很多時候我們對AI的錯誤認知往往來自于過于冗余的信息，天天關注AI反而會迷失在信息的海洋里。

AI并非萬能的神，而是人類手中的利器，用好它才能創造奇跡。

二、如何用好AI工具

最有效、最簡單用好AI的方式就是：多用AI，這比聽100個課程、看100個公眾號文章都要強。

我發現很多人跟我討論AI的時候頭頭是道，但是一聊Prompt就是懵逼狀態，哎，認真多干點踐行的事情吧，空口無憑創建的認知都是空中樓閣。

多用AI并不需要你去掌握多么資深的提示詞技巧，當你遇到什么問題或者有什么想法先去找AI聊一聊，看看能不能獲得不同維度的思路和解題方法。

有思考跟AI聊一聊，看看你琢磨的對不對？

有問題問問AI，看看他能不能給到你想要的答案？

想買電腦打《黑神話悟空》了，先問問AI什么配置才能玩得動？

轉變自己的思考方式，不要認為必須寫好Prompt才能去用AI，隨時隨地隨心所欲的和AI對話。

漸漸地讓AI成為你生活中不可或缺的一部分，這才是真正用好AI的辦法。

不是每一個人都需要成為AI專家，但每一個人其實都需要去使用AI。

AI可以做專業的事情，也可以做很平凡的事情，我們需要找到最合適自己的場景，哪怕是一個給你說加油陪你嘮嗑的AI，它對你的生活有幫助那它就是非常有價值的事情。

紙上得來終覺淺，絕知此事要躬行，AI的掌握離不開實踐的積累。

三、AI賦能案例

AI是用來解決問題的，AI不是用來解決人的。

所以我給這個模塊最終定下的標題是：AI賦能，而不是AI替代人。

AI在我眼中賦能有兩個大的維度效果，一個是提效，一個是提質。

提效：沒有AI的時候我自己一天只能干20事情，現在有了AI我能干40件了，我的效率被AI提升了。

提質：沒有AI的時候我賣貨只能賣熟悉的商品，現在有了AI我什么產品都能賣了，我的能力被AI提升了。

AI賦能的核心就是工作流；我借助下面的6個人案例來跟大家講講AI的具體應用：

1. 提質案例：寫公眾號文章
2. 提質+提效案例：AI寫營銷內容
3. 提質案例：客服系統
4. 暫時無用案例：教育批改作業
5. 提質案例：AI摳圖
6. 提效案例：漫畫翻譯案例

1. 案例

案例01 ：寫公眾號文章

那我以我寫的這篇萬字總結為例，首先寫公眾號我要梳理選題，確定我要寫哪些內容，接下來是去寫大綱，梳理清楚自己整體的思路；接下來是寫初稿，然后成稿雕花，在之后就是排版布局。

那在這個流程里AI能夠對我有哪些賦能呢？

首先在“確定選題環節”我能夠去跟AI聊一聊我的選題思路，能夠幫我更好的明確我要寫什么東西，從而不至于跑題太久；這塊的方案我目前做的比較簡單，就是告訴AI我的背景是什么，我的目的是什么，然后帶著我的思路一點點和它聊，最后碰撞出來一個結果。

同樣的梳理大綱后我會在梳理完一個初稿后去找AI聊，你覺得我的大綱思路怎么樣，你有沒有什么好的建議？

當我完成初稿后，我們就要開終稿雕花環節，這個地方是無數個細節構成的。

我會去把整個稿件喂給AI，讓它從邏輯上來幫我做一些校核，看看有哪些地方我寫的邏輯性不好，哪些地方有可以提升的點，讓它給到一些建議。

最后的排版布局就是我自己的審美來解決的了，目前階段AI的幫助不大。

大家可以看到我在寫這篇文章的時候并沒有說有了AI我寫的更快，反而我寫的更慢了；但整體的質量會比之前更讓我覺得滿意，因為有一個人在反復跟我聊這篇文章到底怎么樣。

案例02：AI寫營銷內容

我以電商營銷內容為例，首先我們來看一下私域營銷文案的產出邏輯是什么樣子的：

如何選擇產品和用戶群，這個問題是個策略問題，這個環節其實涉及不到啥AI了（理論上也可以AI化，但這個是數據建模及模型訓練的問題，不在本次討論范圍之內）

閱讀產品詳情頁這塊可以直接投喂給AI，但這樣對AI模型的要求其實是比較高的，同時token消耗的量也是相對大一些的，而且識別質量還不一定是高的。

所以這塊一般是OCR工具+AI整理文案，這樣大家都做自己擅長的事情，通過一個簡單的工作流來完成這一步驟，效果會比純用AI強，而且成本還低，當OCR工具整理完詳情頁內容后，我們給AI一個簡單的Prompt讓它把詳情頁內容總結一下。

為什么還要做總結呢？因為各種詳情頁的內容識別一般都不具備啥可讀性，各種信息亂七八糟的，以京東詳情頁為例，OCR識別出來的效果是這樣的：

直接扔給AI數據源亂七八糟的，這種會導致最后的結果產出也是不好的。

那我們用一個AI工具整理好久變成這樣的。

撰寫文案其實我們遇到一個卡點就是，我搞AI的其實不咋會寫營銷文案，我寫C端各種頁面的文案沒啥問題，但是私域賣貨的文案，這個事情真沒有寫過啊。

那這個時候怎么辦呢？首先去找公司內部寫文案的同學取經，看看她寫文案的邏輯是什么樣子的，能不能抽象出一些方法論出來，比如說到底長文案短文案哪個效果更好，用戶更再議的點是什么。

同時去小紅書、公眾號等各個渠道搜索大家整理好的文案寫作公式和案例，把這些案例整理后然后投喂給AI。

最后把這些內容封裝到Prompt里邊，我們會投喂給AI三個信息：

1. 詳情頁產品信息
2. 用戶群信息
3. 商品折扣信息

讓它根據這些信息來產出商品的5個賣點，同時再根據用戶信息去判斷到底哪一個賣點是最核心最有價值的。

最后圍繞這一個賣點產出開頭一句話話術、產品賣點話術、促銷信息話術。

以這個品為案例，我們最后看看產出效果，這個人群類型和活動名稱我暫時就置空。

按照配置好的工作流產出的內容是這樣的：

我圍繞這個AI寫內容做了很多輪測試，基本上能夠跟公司的文案同學80%的水平吧，至于為什么達不到100%或者更多，因為每個品類都需要去投喂更多的資料。

比如說服飾類和食品類用戶關注的點其實是不一樣的，但用同一套AI邏輯，那整體效果還是會差一些。

案例03：客服系統（知識庫+質檢）

客服其實是這一波AI效果還不錯的場景，但并不是大家想的AI替代客服，從此就不用人了，而是說AI能夠幫助客服解決更多的問題，同時AI也能更好的幫助策略團隊進行質檢提升客服團隊的服務質量。

在這里需要詳細解釋一下為什么說AI不是替代客服，而是幫助客服。

服務最重要的事情是 人和人的交互，而不是放一個機器在那想辦法匹配上用戶的回答。

各種客服系統前置的交互是為了解決一些基礎高頻常用問題，比如說退換貨是幾天需不需要自己出運費。

但一旦涉及到更復雜的信息，比如說人需要推薦服務、需要售后服務，這時候AI就很難搞定了，或者說用AI搞定這些成本極高，不如客服團隊+知識庫的邏輯來搞定這些事情了。

客服典型的兩個場景：知識庫、質檢。

我們先從知識庫說起，那么正常客服回答用戶的流程是這樣的。

那對人來說最大的問題在哪？

在于解決方案很多時候人自己給不到足夠精準的內容。

為什么？因為活動規則及商品信息太多了，所以人本身無法靠記憶搞定這些事情。

比如說用戶說請你給我推薦一款冬天的羽絨服，當你的商品庫里有幾百個商品的時候，你沒法做出推薦，因為你壓根不知道這些商品有什么區別，用戶也沒空等你研究商品有什么區別。

小紅書、抖音的內容電商在一定程度上其實解決了選擇問題，畢竟測評了才知道產品到底好不好。

那這個時候能通過培訓解決嗎？

要看業務形態，比如電商的商品回答基本上沒戲；但活動規則和售后如果內容不多的話可以，如果每個商品的售后都不一樣，那就完全沒戲了。

主要是看你的內容的復雜度來決定的。

這塊在實現方案的時候重點還不是怎么做RAG，因為無論你怎么去搞RAG，最大的一個問題其實是你前置的文檔規則和商品信息可能是不全的。

我在做這塊的時候花的最大的時間是一點點去直接面對客服團隊，把所有規則從新梳理了一遍，梳理完了發現和我們公司剛開始預存的文檔根本就對不上，這種情況你怎么搞RAG，最終的結果也是沒用的。

如果只是做資料庫，那把資料整理好用RAG也可以解決，這其實是一個完全輔助人的助手；能夠代替人的AI客服該怎么做呢？

最核心的點在于：意圖識別+工作流匹配。

通過識別用戶的意圖來引導用戶進入對應的工作流，在一個工作流里引導用戶解決該問題。

這個事情麻煩在哪里？要把每一個工作流都梳理清楚，然后去用模型做意圖識別的匹配，引導用戶進入工作流；意味著你要做好這個事情，要去拉著業務團隊一點點把工作流拆清楚拆細。

稍微簡單一點的做法是人做意圖識別，AI直接把對應工作流的內容扔給客服，做一個比資料庫更加有用的助手。

說完給客服賦能我們來聊一聊AI質檢，這個又是怎么回事。

為了讓服務團隊能有一個高質量的服務，策略團隊會對服務的整個過程進行檢測，來不斷提升服務的標準。

那么這里邊有一個問題是，服務的量其實是特別大的，策略團隊不可能把所有的內容都看一遍，那只有抽檢這一種辦法，比如10份 100份 1000份抽檢出1分來進行查看，然后追加用戶評價來做參考。

AI的出現能夠很好的解決全量檢測的問題，只需要把標準投喂輸入給AI就能夠完整的檢測一個客服人員和用戶的所有對話數，能夠更加全面的去看客服的服務水平。

這個時候會發現一個問題，雖然減輕了策略人員抽檢的量，但整體的問題量肯定是會成幾何倍上升，很可能會出現策略團隊天天忙著處理質檢問題忙不過來的場景。

以及質檢一般都是多輪質檢，但每一輪質檢都是重新調用一次源文件，這個token的消耗是巨額的，對于大公司量大來說自己部署開源模型或者7B小模型是個不錯的選擇。

小公司的話現在盡可能用deepseek這種有多輪對話緩存的內容，這樣的話成本其實是直線下降的。

比如說我一共有20輪對話，那成本其實可以做到之前的十分之一左右，會有非常顯著的下降。

案例04：教育批改作業

這個場景的案例比較有意思，它并不是一個成功應用AI提效的案例，相反我覺得這是一個現階段不需要AI去提效的案例，我來跟大家聊一聊這個場景。

這個場景的流程是這樣的，它是一個英語教學的場景：

那這個流程我們一看就大概能夠知道，這個里邊能夠花費時間去做的事情是批改和點評這個事情。

乍一看其實有可能用AI提效的，畢竟AI批改和點評這個事情還是可以快速完成的。

但這個項目我去具體深挖批改流程的時候發現一個問題，學生提交作業是通過圖片提交的，且每個題目的作答方式還是不一樣的，并不是都按照選擇或者寫內容，有的地方是畫個圈來選擇正確答案。

那這里邊如果我們用OCR這個問題是解決不了的，因為很多模塊的內容會失真，同時閱讀場景學生寫的英文內容不一定能夠識別對，畢竟老師還能看出來，但機器實在搞不定。

那能用AI直接解決嗎？理論上是可以的，但是涉及到用什么模型呢？

高質量的多模態識別并且能夠準確閱卷那我們能用的可能只有Gemini 1.5pro這個模型了。

能做到100%的準確度嗎？

肯定做不到，甚至說能做到70%的準確度都算很厲害的程度了。

也就是AI批改完老師還得再把這個環節去確認一下批改的有沒有問題。

老師批改這份作業+點評要花多久呢？10分鐘。

AI搞定完老師質檢要花多久呢？其實差不多時間。

那最后花費那么多人力成本提效提個啥呢？提升不了啥。

這個場景下如果內容都是在系統上作答，那其實就好搞很多了，但可惜不是，都需要ocr的介入，這種情況下還是依賴人更靠譜一點。

但也許隨著AI能力的進步，多模態識別和判斷精度上來了，準確率能夠做到99%了，那這個事情其實就可以用AI完成全流程了。

或者說它整個把系統上了自動化，也可以用AI來提效，但這種做法吧，真不一定成本比收益大。

所以說到底考察的還是：模型能力和算力成本。

項目一算賬，算到最后還是老老實實人工搞吧。

案例05：AI摳圖

以京東的大閘蟹為例來跟大家講講這個項目，現在我們的目標是：獲得大閘蟹產品的摳圖，后續方便各個渠道拼接圖片合成資源。

大閘蟹的輪播圖一共五張，在不考慮AI的情況下我們如果想獲取摳圖做好的流程方式是這樣的：

人為選擇符合標準的圖——摳圖軟件摳圖到后臺。

這個方法吧太耗人工了，而且當你的商品圖數量越來越多的時候，依賴人工也是個解決不了的事情，如果都是新圖還可以通過招聘小團隊或者外包的方式來解決，如果有幾十萬個舊圖的商品要解決呢？

光搭建這個招聘和解決系統都是一個非常麻煩的事情。

那純用AI能解決這個問題嗎？ChatGPT也不會摳圖。

那這個場景下的問題如何用AI產品+摳圖工具產品解決呢？

AI產品選圖+工具摳圖。

我們可以給AI制定一個圖片標準，比如說必須有完整的商品圖才算合格、比如說不能有過多文字遮擋，依賴這些標準AI產品可以把整個輪播圖都鑒定一圈，合適的再去摳圖環節，然后完了再質檢一下摳圖質量。

如果最終有合格的，這個圖片就可以入庫了，如果沒有那就標記這個產品需要新的解決方案。

那我們總結一下這個場景的工作流如下：

那我們拿螃蟹這個產品繼續測試一下，結果如下：

基于這個工作流其實還可以不同sku選擇不同的檢測方式，這樣可以更大提升精準程度，不過這個屬于提高精度的事情了，大家能夠通過這個案例理解工作流的重要性就可以了。

案例06：漫畫翻譯案例 comic-translate

最近刷到github上的漫畫翻譯案例：https://github.com/ogkalu2/comic-translate，感覺也是一個很棒的AI工作流運用場景，來跟大家分享一下如何利用AI翻譯。

比如這頁漫畫如果我們想把它翻譯成英文，那其實在之前最快捷的方式就是用人工肝了，一個人翻譯漫畫的內容、一個人來通過PS修改。

那AI來了賦能這塊的翻譯呢？單用ChatGPT肯定是沒戲的，它給你講講這個漫畫是什么還行，換內容肯定沒戲。

這個方案里最難的其實是找到內容區域然后把文字精準替換，直接上ocr的話識別出來的是這個樣子，根本用不了。

但其實如果ocr定位到一個塊的時候識別效果還是很不錯的。

那其實能夠把各個模塊定位出來，能夠一塊一塊提取文字替換就可以了。

于是comic-translate先做了倆模型用來定位文字位置，再用ocr識別，再用大模型翻譯，最后用工具替換文案。

它們先用了兩個模型來標記氣泡和文本：

接下來其實按照text_comic來識別文本內容就可以了，每一個快單獨ocr然后做好標記。

之后把塊里的文字抹掉，LLM翻譯一下文本內容，更新上最新的內容即可，最終完成高質量翻譯。

這六個案例講完了，希望對大家了解AI賦能有更多的幫助，接下來我跟大家聊一聊我對企業提效的一些思考。

企業對AI提效還需要額外注意一個事情，叫算賬。

在企業里提效≠有用，為什么這么說呢？

我花200萬的資源成本去給一個20萬的服務團隊做提效，最終獲得25萬的產出，那我這個roi的意義的是什么呢？

看起來是很不錯的數據，一算ROI全是負的虧損的內容

AI企業提效算賬是頭等大事，免得看起來做了個高大尚的事情，結果卻是一地雞毛。

AI正在重塑我們的工作方式，那些曾經看似不可能的任務，如今正借助AI的力量成為現實。

2. 企業AI氛圍

我覺得對于企業而言，AI賦能不只有對業務線來說的場景，還有一個更大的場景是企業內部使用AI的氛圍。

為什么這么說？

原因主要是：不可能所有的工作流都有專門的AI產品團隊去配合拆解，很多工作流如果讓AI產品團隊配合來做roi是往死里虧得，那這些場景就得由團隊內部的人用AI來解決，所以這個時候就要看公司整體使用的AI氛圍怎么樣了。

整個公司有好的組織文化，有很高的組織效率，大家都用AI做的熱火朝天，老板不以AI解決人為核心而是解決問題為核心，那這個公司人均產出的內容其實會遠高于競品公司的。

但這個地方最難的一個點其實是：企業文化價值觀，或者說老板對于AI的認知。

要是你的老板天天看視頻號和抖音各種AI震驚的消息，他覺得AI可以替代所有人了，那么這種情況下公司的企業文化和氛圍反正會變成大家都想辦法把自己的內容做成有壁壘的事情，效率什么扔一邊去，反正首先保住工作是第一位的，用AI？自己干掉自己嗎。。。

這種情況下最多小團隊的leader能夠維護好自己的團隊，讓大家覺得AI幫助很大，愿意為了自己之后的利益從而用好AI，去解決更多的問題。

不過這種情況也是可遇不可得的，我目前觀察公司里能夠有這種AI使用氛圍的其實也只有極少數的團隊，且這些團隊leader都是對AI有很深的認知和實踐，才有這種團隊氛圍。

我目前的感受就是在未來AI越來越強的時代，企業組織效率之間的差距將進一步被拉大，天壤之別毫不過分，畢竟在AI的加持下一個人真的可以做到過去幾倍的產出是沒有問題的，但這個事情的實現又是極難的。

小團隊來說如何塑造這種AI的氛圍？

團隊leader愿意認真的去實踐研究，多用用AI，不是每天從哪扯皮干各種忽悠的事情。

認真的踐行，大家都會看在眼里跟著做的，假大空最后終究是一無是處。

3. 小團隊常用工具/產品mvp驗證工具：dify、coze

那繼續基于AI場景來聊一聊落地方案。

很多時候我們如果沒有充足的經驗不要拿研發區做試錯，最好是用dify或者coze這種產品搞定了mvp再去用研發批量化，用研發試錯成本太高了而且到底能不能實現在AI時代真的得打個問號。

coze和dify都是低代碼平臺，可以讓你根據工作流來封裝對應的產品，也能夠發布給別人去用。

那如何選擇是coze還是dify呢？

如果你對模型要求比較高，比如你要用國外的模型或者deepseek、零一萬物最新的模型，那你直接用dify就好了，在dify上它支持幾十個模型的API接入，想用哪個版本用哪個。

如果你覺得什么樣模型都能解決問題，你還需要知識庫和各種插件來協同作業，那你用coze是個比較好的選擇，coze在這個方便上做的比較簡潔容易上手。

比如說我的客服售后意圖識別模塊的demo完全是由coze來實現的，coze通過知識庫做問題匹配然后通過llm歸類到具體意圖上，它會把檢索邏輯封裝的簡單一點，dify則會復雜一些，對rag了解不是那么深的沒有那么好上手。

如果你希望能夠通過bot來實現部署還沒有研發的時候，coze會省事一點，coze支持公眾號、抖音、飛書等各個端的直接部署，而dify在這些場景部署都需要api接入。

這兩個平臺都支持工作流方式來進行方案設計，都是蠻好用的。

四、提示詞工程

從我開始用AI，我就覺得提示詞是一個很費勁的事情，所以我一直蠻支持對小白用戶要做智能體社區，讓AI發燒友來做好智能體，然后普通小白用戶來用，這樣是一個AI更容易被大家使用的方式。

但在專業場景下，提示詞工程是整個AI自動化的核心。

那么我們該如何寫好提示詞呢？在這里我們不提縝密的信息和嚴謹的流程，這個是提示詞必須要做到的事情。

當我們這些能力都具備了，很多時候我們會面臨這樣一個場景：我們不是這個場景的專家，我們沒有辦法控制提示詞完成高質量的產出。

把自己變成這個領域內專業的人其實是一個不現實的想法，那該怎么辦呢？

找資料——投喂AI——測試出結果。

我以抖音文案為例來講這個事情，現在我要去寫一個抖音視頻腳本的AI，讓我們來看一下每一步要做什么：

最簡單最簡單的辦法，找一個你覺得很棒的抖音短視頻，把它直接扔給模型，讓模型拆出來它每一步是怎么做的。

然后跟模型提出你的訴求，讓它幫忙仿寫這個案例：

這個方法比較初級，主要依靠模型的理解能力，產出的效果可能一般般，那再深入一步該怎么辦呢？

去找懂抖音的人去問或者查詢各種相關的資料，通過這些內容抽象總結一下寫抖音腳本文案的邏輯：

把這些內容總結扔給AI，這樣AI就有了更嚴謹的邏輯性內容依據，能夠產出更加靠譜的內容。

我在3.1案例中營銷案例就是用這個邏輯做的，產出的質量還可以。

我們在上邊列舉了模仿、搜集經驗這兩個辦法，還有別的更好的讓AI產出的辦法嗎？

當然有，那就是讓AI系統的學習一遍，給AI投喂一門課程。

先用通義聽悟把音頻轉成文字，再把文字統一投喂給AI讓它來學習，在它學習之后讓它總結對應的經驗，來提升內容產出的效果。

不過帶著AI一起學完一門課程，你就有了一個非常聰明且專業的AI助手了，它能夠給你很多很多的驚喜。

五、結語

AI的內容聊完啦，如果你愿意聽我嘮嗑幾句可以接著往下看：

這篇文章起于8月7日立秋，壬申月的開始，在22號終于封筆?；藥滋鞎r間敲定大綱，花了一周時間寫完主體內容，又花了一周時間雕花各個細節，讓每一個上下環節看起來潤滑一些。

寫完的時候如釋重負的吐出了一口氣，這一年踐行了好多事情，體會到了創業失敗內心的苦悶，體會到了腳踏實地往前的快樂收貨。

其實我在剛剛做AI的時候也經歷了非常不落地的階段，總是沉迷看各種新聞，體驗各種最新的產品，卻沒有去認真用好AI本身，沒有去挖掘那些深價值的事情。

公眾號停更了兩個月很大一部分也在于我好像沒有找到說能夠讓我很快樂很愿意去付出努力聚焦的深度，我好像也不知道寫一些什么內容，我在即刻斷斷續續寫了AI踐行的各種總結，最后有了這篇總結之作~

在5個禮拜前，我們在super黃的小群里討論《10x is easier than 2x》這本書，群友問到了一個問題：你們覺得自己最核心的20%到底是什么。

我當時覺得可能是思維方式，但后來想想這個事情不對，它是一個表層的事情，并非自己真正核心擅長的事情。

我想了想一邊用排除法再加上分析自己優點看看能不能推演出來點什么。

首先肯定不是畫原型圖寫prd的能力，這個技能我只能說大眾水準，而且從求職市場還是自己做事情這個能力都賣不出去價格；也不太可能是對于AI提效的理解，我覺得這個就是短暫的信息差技能，后續AI越來越強和大家更多實踐，其實會是一個基礎的產品經理技能。

反正零零散散了竄了一堆類似的點，我都一一把這些pass了。

那天我聽完李老師的AI分享，我在路上走，突然腦子里冒出來一句話：對用戶需求和商業模型的洞察力。

想了想過去的案例，好像是這樣子的，我樂呵呵跑到一線去當客服、跑到倉庫里搬貨，用心認真的去做好這些最基礎很多時候大家不愿意做的事情，所以那兩個業務我的需求抓的很準。

我想這個事情也是我在AI時代對于自己的定位，我自己感興趣也愿意為之努力的事情~

在最后，我和Gemini一起寫了一首詩，預祝大家前程似錦~

《秋風行》

秋風瑟瑟起，壬申葉飄零。

創業多艱險，征途漫漫行。

迷茫曾困頓，今朝志更明。

專注勤耕耘，風雨亦無驚。

諸君攜手進，共勉向光明。

長路雖遙遠，未來定可期。