普通人如何开始学习AI-附详细资料

最后，我想说说现阶段要有的心态：说真的，别被那些“AI 取代人类”的说辞吓到了。

在我看来，目前的 AI 还是一个有短板的工具。哪怕是现在大家讨论最多的 AI 编程，如果你试过就会发现，它能帮你快速打个样，但要是追求像素级的视觉还原（前端设计）、或是应对复杂的商业设计需求，它依然会“翻车”。

• 喜欢中文语境更亲切的，可以试试豆包、元宝或者是DeepSeek；
• 如果你有条件，可以设法体验 ChatGPT、Claude 或 Gemini。

只有试过了，你才会发现：它没传说中那么神，但也确实能帮你省掉不少重复劳动的麻烦。

在这个阶段，比掌握具体指令更重要的，是建立属于你的 “AI 体感”。 你需要通过大量的对话去摸索：哪些事它能做得比人好？哪些事它经常翻车？这种对边界感的认知，才是你驾驭工具的核心能力。

但这里必须给出一个高能预警：保持警惕，警惕 AI 的“幻觉”。 简单说，大模型有时会“一本正经地胡说八道”。它极其自信，但也可能完全错误。

建立了体感和批判性思维后，我们接下来就要找找自己的使用场景。

很多人用不好 AI，是因为陷入了“为了用而用”的误区。 但是：AI 只是手段，解决具体问题才是目的。

怎么找到切入点？不妨问自己一个问题：“我日常有哪些工作是重复高、耗时长、必须做但又不需要太多创造力的？”

• 文本优化类：
  写周报、邮件回复、会议纪要整理；

  翻译外文资料，或对生硬的文字进行润色。
• 知识内化类：
  快速解释陌生的专业术语；

  做旅行攻略或复杂产品的参数对比；

  学习一个新的行业的知识
  

• 创意辅助类：
  头脑风暴、想方案、取标题；

哪怕只选一个你这周必须完成的任务（比如周报），试着完全用 AI 来辅助完成。不求完美，只求体验全流程。

但比技巧更重要的是思维方式。我强烈推荐大家在写提示词时，借用麦肯锡经典的 MECE 原则（Mutually Exclusive, Collectively Exhaustive）。详细可以阅读《金字塔原理》这本书。

简单说，就是“相互独立，完全穷尽”。这个原本用于商业分析的思维模型，用来检查提示词（Prompt）简直是降维打击：

• 相互独立（不矛盾）： 检视你的指令是否存在逻辑冲突

  Eg: 不要一边要求“详细解释”，一边又要求“用一句话概括”。指令之间必须边界清晰，不能让 AI 左右为难。

• 完全穷尽（不遗漏）： 检视你是否提供了所有必要的要素

  背景、角色、任务、限制条件，这四块拼图少一块都不算“穷尽”。AI 只能处理你给出的信息，它猜不到你没说的部分。

• 不够好？学会追问： AI 像个初出茅庐的实习生，第一次给的方案不满意是常态。指出它的问题，通过持续的对话来“调教”它。

• 太复杂？学会拆解： 遇到大任务，不要试图一口吃成胖子。试着把任务拆解成步骤1、步骤2，带着它一步步走。

有些人喜欢在一个对话框里聊所有事情，这是大忌。 目前的 AI 都有“上下文窗口”的限制（你可以理解为它的短期记忆容量是有限的）。聊得太久，它就会“遗忘”最开始的信息，甚至产生逻辑混乱。 目前不同的模型上下文窗口大小也不同。后续我会专门出一个文档来讲讲不同模型的上下文窗口有多大。

建议： 一旦你要开启一个新话题，请务必点击“新对话（New Chat）”。给它一个干净的脑子，它的表现会好很多。

• 数学公式： 即使是像 ChatGPT 这样的强模型，在处理复杂的数学公式时，也有时因为 LaTeX 格式渲染问题导致显示乱码。导致阅读困难。这些根据不同的模型表现会不同。

• 文件投喂： 现在很多模型支持上传文档分析，但如果文件过大，模型可能会因为超出处理上限而报错，或者只读了前几页。遇到这种情况，把文件拆分投喂是更稳妥的办法。
• 知识训练截止时间：一般的大语言模型都会有自己的知识训练截止时间，因此如果问题涉及实效性，尽可能手动开启联网功能来获取最新的信息。