👆点击 林卿LinQ > 点击右上角“···” > 设为星标🌟

<关注我，一起研究学习小红书📕>

Halo，你好，见字如面，我是林卿 👋

因为之前在AI这块完全是自己摸索的，感觉在AI应用上还停留在比较初级的阶段，所以报名了生财有术的超级AI大航海，准备系统性地学习一下怎么真正用好AI！

这是我的学习笔记，开源一下。

当然，也欢迎小伙伴们给我推荐其他相关的优质信息源，比如微信公众号、书籍、课程什么的都行！

不过不要那种纯讲概念的信息源，希望是有真实应用场景、有真实效果（降本增效）、有真实案例的，最好可以把“是什么、为什么、怎么做、怎么判断”这几层都讲清楚的那种。

在线求推荐，感恩 🥹

05.AI时代的5个底层能力

5.1.思考能力

思考能力，是一个人面对问题、信息和不确定性的时候，能够理解、拆解、判断、推理、选择，并不断修正自己想法的能力。

换句话说，它不是单一能力，而是一组能力的组合。

5.1.1.思考能力首先是“看清问题”的能力

很多人以为思考是“马上想答案”，但真正好的思考，往往先问：这个问题到底是什么？

比如有人问：“我是不是应该换工作？”

思考能力弱的人，可能马上回答：“换”或者“不换”

而思考能力强的人，会先拆解：

• 你为什么想换？是钱少？成长慢？领导问题？行业下滑？身体撑不住？……
• 你现在有什么选择？
• 换工作的风险是什么？
• 不换的代价是什么？……

所以，思考能力的第一层，是不急着给答案，而是先把问题想清楚。

5.1.2.思考能力是“拆解复杂事情”的能力

现实里的问题通常不是一道选择题，而是一团乱麻。

比如“如何用好AI”这个问题，其实包含：

• 我们想用AI做什么？
• 我们会不会提问？
• 我们有没有判断AI答案质量的能力？
• 我们有没有自己的知识框架？
• 我们会不会把AI接入自己的工作流？
• 我们能不能持续优化使用方法？……

能把一个大问题拆成几个小问题，再逐个处理，这就是很重要的思考能力。

很多所谓的“聪明人”，并不是记忆力特别夸张，而是很会拆问题。

5.1.3.思考能力是“建立因果关系”的能力

思考不是简单地罗列信息，而是理解：

• 为什么会这样？
• 什么导致了什么？
• 如果改变一个因素，结果会不会变？

比如一个人学习效率低，表面看是“不够努力”，但进一步想，可能是：

• 目标不清楚，导致不知道学什么
• 反馈太少，导致不知道自己哪里错
• 方法不对，导致花很多时间却没有效果
• 睡眠不足，导致大脑状态差
• 环境干扰太多，导致无法进入深度专注……

这就是从“现象”往“原因”走。

好的思考能力，会让我们不容易停留在表面结论上。

5.1.4.思考能力是“判断信息质量”的能力

在AI时代，这一点尤其重要。

现在信息不是太少，而是太多。真正稀缺的不是“答案”，而是判断答案质量的能力。

思考能力强的人会问：

• 这个信息可靠吗？
• 它有没有证据？
• 它是不是只讲了一个角度？
• 它有没有隐藏前提？
• 它适用于我的情况吗？
• 它是事实、观点，还是推测？
• 有没有反例？……

比如AI给我们一个建议，我们不能只是觉得“写得很有道理”就接受，而是要判断它有没有偷换概念、有没有过度概括、有没有忽略我们的限制条件……

5.1.5.思考能力是“从多个角度看问题”的能力

很多错误判断，是因为我们只站在一个角度看问题。

比如我们想买一门AI课程，

• 从“兴趣”的角度看：我们可能很想学；
• 从“成本”的角度看：它可能很贵；
• 从“收益”的角度看：它能不能解决我们的真实问题？
• 从“时间”的角度看：我们有没有精力学完？
• 从“替代方案”的角度看：有没有免费资料也能达到差不多效果？……

思考能力强，不代表永远想得复杂，而是知道什么时候需要多看几面。

5.1.6.思考能力是“承认不确定，并继续推进”的能力

很多人以为思考能力强，就是永远很确定。

我反而觉得，真正的思考能力包括：知道自己不知道什么。

比如：

• 我现在的信息不完整；
• 这个判断只是初步判断；
• 我需要更多证据；
• 这个结论可能只适用于某些情况；
• 如果之后出现新信息，我应该修正想法……

这不是犹豫，而是成熟。

思考能力强的人，不是没有偏见，而是更容易发现自己的偏见；不是永远正确，而是更愿意校正错误。

5.1.7.思考能力是“形成自己的判断”的能力

知识是别人给你的，判断是你自己做出来的。

一个人如果只会说“某某专家说”、“网上都这么说”、“AI是这么说的”，那还不算真正会思考。

真正的思考，是我们能把外部信息吸收进来，然后结合自己的目标、条件、经验、价值观，形成自己的判断。

比如AI告诉我们：“每天学习3小时英语。”

这句话本身可能没错，但我们要进一步判断：

• 我真的有3小时吗？
• 我现在最需要的是英语吗？
• 我适合每天固定学习，还是碎片化学习？
• 我学英语是为了考试、工作、旅行，还是阅读资料？
• 我应该练听说，还是先补词汇？……

这就是把“通用建议”变成“适合自己的方案”。

5.1.8.思考能力最终是“更好地行动”的能力

思考不是为了显得深刻，而是为了更好地行动。

只思考不行动，容易变成空转；

只行动不思考，容易变成蛮干。

好的思考能力，应该帮助我们：

• 少踩坑
• 少被忽悠
• 更快找到关键问题
• 更清楚地做选择
• 更有效地学习
• 更稳定地改进自己
• 更好地使用AI和工具……

所以，思考能力不是书里的抽象东西，而是直接影响生活质量、学习效率、工作表现和决策质量的基础能力。

我给“思考能力”的定义是：

思考能力，就是把混乱变清楚、把信息变判断、把判断变行动，并在行动之后继续修正的能力。

如果再说得更简单一点，就是：

会思考的人，不只是会回答问题，而是会发现真正的问题；

不只是会接受答案，而是会判断答案；

不只是会想很多，而是能把想法变成更好的行动。

06.怎么一步步应用“挽具工程”

第一步：先把上下文工程练扎实

这是基本功，具体来说，就是练这几件事儿：

学会写清楚的提示词，把任务背景、目标、约束、输出格式都说明白；

学会主动给AI喂相关资料（比如上传文档、提供数据、提供例子），而不是指望它凭空知道；

学会判断哪些信息对现阶段的任务有用、哪些是噪音，做"信息筛选"。

这个阶段，我们只需要用ChatGPT、Claude这种聊天界面就够了。

第二步：开始接触工具调用和"技能包"概念

当我们熟练之后，会发现手动投喂资料太累，这个时候，我们可以：

试试带工具的AI产品（比如能联网搜索、能读你电脑文件、能调用第三方应用的那些）；

学着给AI写一份"角色说明书"（比如CLAUDE.md这种宪法文档），把它该怎么干活、该遵守什么规矩写清楚，让它在你之后的对话里都按这个来。

第三步：搭建你自己的小型挽具

等我们对AI的脾气摸得比较熟了，可以试着用工作流工具（比如Coze、Dify、n8n这类）把高频任务做成固定流程、模板、检查清单和自动化工具，即：

把多个AI步骤串起来，让它们自动跑；

给AI接上我们的数据源（比如笔记库、客户表格），让它自己去查；

设置一些"安全网"，比如AI做了某个动作之后，强制让另一个AI检查一遍。

第四步（高阶）：以"控制论"的视角设计系统

不再把AI当成一个聊天对象，而是当成一个可以被我们设计、调试、优化的"组件"，整个系统的稳定性、可控性、可扩展性都由我们来掌控。

这个阶段，我们已经不是"用AI的人"，而是"造AI产品的人"了。

07.上下文

7.1.“上下文”是什么？

在AI语境里，上下文可以理解为：

AI在回答我们这个问题的时候，能够看见、理解、参考和调用的一切信息。

更通俗一点说，AI不是凭空回答我们的，它会根据我们给它的材料、之前的对话、我们的要求、我们设定的角色、我们上传的文件、我们强调的限制条件等，来判断：我们到底想要什么，以及它应该怎么回答我们。

7.2.AI的上下文具体包括哪些？

对于我们日常使用AI来说，上下文一般包括以下这几类：

7.2.1.系统提示词（System Prompt）

这是产品方（比如Anthropic、OpenAI）在外面看不到的地方预先写好的“指令说明书”，告诉AI，它是谁、能做什么、不能做什么、今天日期是多少等。

这类上下文可以理解为：AI的工作边界和行为规范。我们虽然看不到，但它一直在影响AI的回答。

7.2.2.这次对话的全部内容

包括我们发的每一条消息，和AI回复的每一条消息。

注意：是“全部”，不只是最近一两条。

这意味着对话越长，上下文就越大。

7.2.3.我们上传的附件内容

图片、PDF、Word文档、Excel、代码文件等，只要我们上传了，这些内容就被放进了上下文里。

7.2.4.工具调用的结果

比如AI帮我们搜索网页、读取链接、运行代码，这些操作返回的结果也会被塞进上下文，所以一次复杂的搜索任务，上下文会增长得很快。

这类上下文的特点是：它不是你直接写给AI的，而是AI通过工具拿到的。

7.2.5.我们的偏好设置/自定义指令

比如我们在Claude里设置的“用户偏好”、ChatGPT里的“Custom Instructions”，这些会被附加进上下文，让AI在回答的时候参考。

7.2.6.记忆功能里的内容（如果开启了）

有些AI产品（比如Claude、ChatGPT）支持跨对话的“记忆”，会从我们过去的聊天里提炼一些信息，然后在新对话开始的时候自动放进上下文。

偏好设置、自定义指令、记忆这些长期信息也会影响AI回答。

但要注意：长期记忆不等于完整聊天记录。

长期记忆更像是“用户画像”和“偏好设置”；

上下文更像是“这一次对话里AI能看见的工作材料”。

两者有关，但不是一回事。

7.2.7.项目知识库（如果我们用了项目功能）

比如Claude Projects、ChatGPT的GPTs，我们提前放进去的参考资料，会在每次对话的时候被加载到上下文里。

7.3.一个关键限制：上下文窗口

AI能“装”的上下文是有上限的，叫“上下文窗口”（Context Window），通常用token数衡量（我们可以粗略理解成“字数容量”），比如某个模型是20万token，相当于大概15万个汉字。

这意味着：

• 对话太长的时候，最早的内容可能会被“挤出去”，AI就“忘”了；
• 上传超大文件的时候，可能装不下，或者把对话空间挤没了；
• 上下文越满，AI处理起来也越慢、越容易“走神”……

7.4.对我们这样的小白来说，这些有什么价值？

理解上下文以后，我们会突然明白很多“奇怪现象”：

7.4.1.为什么AI有时候答得驴唇不对马嘴？

往往是因为它没拿到足够的背景信息，或者我们前后说的话产生了冲突。

7.4.2.为什么同一个问题，新开对话答得更好？

因为旧对话里堆积了太多无关信息，干扰了AI的判断。

7.4.3.为什么AI“记不住”我是谁？

因为它默认每次对话都是“失忆状态”，除非有记忆功能或者我们主动告诉它。

7.4.4.为什么有人用AI效果就是比我好？

很大概率是TA更懂得怎么“喂”上下文。

7.5.怎么用好“上下文”的几个实用建议

7.5.1.一次对话只聊一个主题

不要在同一个对话里上午聊代码、下午聊菜谱、晚上聊心理咨询……话题杂了，上下文会互相干扰，AI容易混乱，所以新话题就新开一个对话。

7.5.2.开头把背景交代清楚

不要指望AI猜我们是谁、我们想干嘛，比如我们想让AI帮忙修改简历，就直接说：“我是一名工作3年的小红书运营，想跳槽到大品牌，下面是我的简历，请帮我优化……”

信息越具体，回答越精准。

7.5.3.文件能上传就上传，不要靠口述

比如我们要分析一份报告，直接把PDF丢给AI，比我们自己复述一遍要准确得多，也节省我们的时间。

7.5.4.长对话适时“另起炉灶”

聊久了如果发现AI开始答非所问、重复啰嗦、忘了我们之前说过的事，多半是上下文太满了。

这个时候，新开一个对话，把核心信息重新整理一份发过去，效果会立刻好转。

7.5.5.用好“偏好设置”和“项目”功能

如果我们有些信息每次都要重复（比如“我是中文母语者”、“我是新手，请讲得简单一点”、“代码请用Python”……），就把它们写进偏好设置里，省得每次都说一遍。

对于长期项目（比如写一本书、做一个产品），用项目功能把背景资料一次性放进去，每次对话都能自动调用。

7.5.6.重要的话放在开头或者结尾

AI对上下文中间部分的注意力相对会弱一些（俗称“中间迷失”，Lost in the Middle），所以最关键的指令、最核心的要求，放在开头或者结尾更稳妥。

7.5.7.主动告诉AI“忘掉之前的”

如果对话中途我们想换思路，可以直接说：“请忽略之前关于XXX的讨论，我们重新开始考虑YY”，AI就会调整重心，但如果干扰太大，还是新开对话更彻底。

7.6.为什么同样的上下文，不同AI给出的答案不一样？

主要有这几个原因：

7.6.1.训练数据不同

每家公司“喂”给AI学习的资料库都不一样，有的偏重学术论文，有的偏重网页和论坛，有的中文语料更丰富，有的英文语料更丰富，有的特意加强了代码、数学、医学等领域……所以同一个问题，不同AI的“知识储备”就不同。

7.6.2.模型架构和规模不同

举个例子，虽然大家都是“大脑”，但有的脑子大、有的脑子小，有的擅长记忆、有的擅长推理……模型的参数量、结构设计都会影响它“思考”的方式。

说白了就是AI模型能力不同，同样的上下文，不同模型的理解深度、抽象能力、推理能力、判断能力不一样，答案自然不同。

7.6.3.训练方法和价值观调校不同

每家公司在训练后期会用一种叫“对齐”（Alignment）的过程，给AI塑造性格和价值观，比如Anthropic（Claude的开发商）特别强调“诚实、无害、有帮助”，OpenAI、Google各自也有侧重，所以：

• 有的AI更愿意给你直接答案，有的更喜欢列一堆“注意事项”；
• 有的AI更敢表达观点，有的更喜欢中立；
• 有的AI在敏感话题上更保守，有的更开放……

这不是简单的“谁对谁错”，而是它们的设计取向不同。

7.6.4.知识截止日期不同

每个模型的训练数据都有个“截止日期”，过了这个日期发生的事它就不知道了（除非联网搜索），比如A模型截止到2025年6月，B模型截止到2026年3月，问“最近发生的事”答案就会不一样。

7.6.5.是否联网、调用了什么工具

同样问“今天天气”，能联网的AI去查实时数据，不能联网的只能告诉你“我无法获取实时信息”；

同样写代码，能运行代码验证的AI（比如有代码执行工具的）会比只能“凭空想象”的AI更可靠……

7.6.7.随机性（Temperature）

AI在生成回答的时候，有一点“掷骰子”的成分（专业说法叫Temperature参数），所以即使同一个AI、同一个问题，你问两次答案也可能略有不同，更别说不同AI了。

7.6.7.上下文窗口和注意力分配不同

我们给AI的上下文，不等于AI一定能全部高质量吸收，比如

• 有些模型上下文窗口更大，可以看更多内容；
• 有些模型虽然能放很多内容，但抓重点能力一般；
• 有些模型会忽略开头或者中间的信息；
• 有些模型能稳定遵守你设定的要求；
• 有些模型看完长材料后容易跑偏；
• 有些模型对结构清晰的上下文特别敏感……

所以不是“投喂越多越好”。

真正重要的是：模型能不能识别哪些信息最重要，并把这些信息用于答案生成。

同样给一份复杂背景，有的模型会抓住主线，有的模型会被细节带偏。

7.6.8.系统提示词不同

就像上述说的，每个AI产品背后都有一份我们看不见的“说明书”，这份说明书直接决定了AI的语气、格式、行为规范……这是为什么同一个底层模型，在不同产品里（比如官方App和某些第三方应用）表现都可能不同。

7.7.上述对我们来说，有什么启示？

7.7.1.别只用一个AI

建议你手头至少有2-3个常用的AI工具，重要任务可以交叉验证，比如让Claude写一版方案，再让另一个AI看看有没有遗漏；让一个AI解释概念，另一个AI从不同角度补充。

7.7.2.摸清楚每个AI的“脾气”

用一段时间之后，我们会自然地形成感觉：

• “需要长文写作、读长文档，我用Claude”
• “需要联网查最新信息，我用XXX”
• “快速问个常识问题，我用XXX”
• “写代码、复杂推理，我用GPT”
• Claude可能写作和长文档处理强一些；
• GPT在某些通用任务上很全面；
• Gemini深度集成谷歌生态；
• DeepSeek、通义、文心、Kimi等在中文场景上各有优势……

不需要刻意记，多用几次就有感觉了。

7.7.3.重要信息一定要多模型交叉验证，别全信

特别是这几类内容，一个AI说什么千万别直接相信：

• 具体的数字/数据、日期、人名、引用；
• 法律、医疗、财务/金融、政策、商业高风险决策相关的建议；
• 最新的新闻和事件；
• 不太知名的人物、事件、产品……

养成习惯：AI给的关键信息，自己再去检索一下原始来源。

7.7.4.学会“换一个AI再问一次”

当一个AI给你的答案让你觉得不对劲、太敷衍、或者明显有偏见的时候，把同样的问题（连同上下文）丢给另一个AI看看。如果两个AI说的差不多，可信度高一些；如果差异很大，那就要多想想了。

7.7.5.用同样的问题“面试”不同的AI

我们可以准备几个自己领域的问题（我们最了解、最能判断答案对错的问题），定期拿去问不同的AI，这样我们就能直观地知道：

• 哪个AI在自己的领域更靠谱；
• 哪些任务上它们的差距很大、哪些差不多；
• 自己心里就有一份“AI评测榜”了……

7.7.6.别迷信“最新”、“最贵”、“参数最大”…

新模型不一定在所有任务上都比老模型好，参数大的模型也不一定比小的“聪明”，具体到自己的使用场景，实测才是硬道理。

7.7.7.注意“讨好型回答”陷阱

很多AI都有“想取悦用户”的倾向（这叫Sycophancy，谄媚），我们说什么它都说“你说得对”。换一个AI问，或者主动让AI“挑战我的观点”、“扮演反方”，能帮我们跳出这个陷阱。

7.7.8.关键场景，付费版通常值得

免费版和付费版背后用的模型、上下文窗口、调用次数往往不一样。如果你想要用AI做事儿（比如工作、学习），一个月几百块的付费基本是稳赚的，节省下来的时间远超这个成本。

最后，总结一下：上下文决定AI能不能接近你的真实需求，AI模型决定它能把这个需求理解和完成到什么程度。

所以，用好AI不是只学会“怎么问”，还需要学会“什么任务交给什么模型”。

<未完待续>

📌 现阶段主要在做，欢迎链接：