今天是 2026 年年后复工第一天先祝大家复工愉快bushi春节期间好几个朋友问我同一个问题**「你不是搞 AI 的吗我也想学学从哪开始啊」**做老师的、做销售的、刚毕业的学生、创业十几年的老板当然也包括后台经常私信我的粉丝朋友们。背景完全不同困惑高度一致想用 AI 却不知从何入手。一搜「AI 学习路线」弹出来的东西直接劝退线性代数、概率论与数理统计、机器学习、深度学习balabla一堆…直接从入门到放弃…所以趁着复工第一天我把这两年自己摸索的、观察到的、跟各路高手聊出来的经验做一次彻底的梳理。给大家一份AI学习路线图。先说清楚这篇文章不是写给 AI 工程师的。如果你是计算机科班出身想去大厂做算法岗传统路线图对你有用按部就班学就好。但如果你是运营、老师、创业者、学生、自由职业者不打算靠「造 AI」吃饭但想把 AI「用好」那这篇写给你。简单说说这篇文章的构成全文分四个模块按需跳读Part1方法论摆正心态掌握五个不会过时的学习心法Part2入门篇选工具、找场景、学会跟 AI 交互从零上手Part3进阶篇底层逻辑、提示词进阶、Agent、Workflow、VibeCoding、信息源推荐Part4洞察篇一手信息源、资本风向、行业趋势、职业发展“公众号回复**“AI学习清单”**获取AI学习资源包~欢迎点赞、收藏、转发如果你已经在用 AI日常有了自己的工具和习惯可以直接跳到第三章「进阶篇」和第四章「洞察篇」那里有更系统的方法和前沿资源信息。如果你还没开始用 AI或者只是偶尔试试建议从头读起。第一章帮你建立正确心态第二章手把手带你入门。建议先收藏分几次读完好我们开始。Part1摆正心态、掌握心法你不会被 AI 抛下我知道很多小伙伴内心有一种隐隐的焦虑FOMO心态。朋友圈天天刷到「AI 取代 XX 职业」的标题公司同事已经在用各种 AI 工具提效了自己还停留在跟春晚用豆包、千问、元宝帮忙抢几个红包…这种感觉就像一列火车正在加速驶离站台而你还在找站台入口。但我想说这种焦虑大可不必。一项真正具有革命意义的技术它的特点恰恰是不会轻易甩下任何人。你想想电的普及。19 世纪末电灯泡刚发明的时候普通人也不懂交流电直流电的区别也不知道发电机的工作原理。但这妨碍你现在用电吗你每天开灯、充手机、用电脑从来不会停下来想「我得先搞懂电磁感应定律」。AI 也一样。它正在变成像水和电一样的基础设施。未来你打开的每一个 App、用的每一个软件底层都有 AI 在运转。你一直在用但不会有明显的感知就像你用电的时候不会去想电流是怎么从发电厂到你家插座的。所以随时上车都不晚。今天是 2026 年 2 月现在开始完全来得及。说真的AI 应用这件事一直在路上。那问题来了既然不需要焦虑我应该把自己摆在什么位置我觉得有一个简单的三层模型可以参考底层——研发者训练大模型的人研究 Transformer 架构的人OpenAI、DeepSeek 这些公司的核心算法团队。全球也就那么几万号人。中间层——开发者用大模型的 API 去搭建应用、做 Agent、写 Workflow 的人。程序员、产品经理、技术创业者居多。应用层——使用者用 AI 产品来解决自己工作和生活问题的人。绝大多数人在这一层。绝大多数人的定位就是「应用者」这就够了。你不需要会训练模型不需要会写代码你只需要学会「跟 AI 协作」「让 AI 帮你做事」。就像你不需要会修车才能开车不需要会做菜才能点外卖。万维钢老师说过一句话我印象特别深“「我们永远不会在 AI 面前失去自我我们不但应该而且必须而且可以以’我’为主人要比 AI 凶。」什么意思呢就是你别怕它、别仰视它。AI 很强但做决策的永远是我们是人。你得主动去驾驭它而不是被它牵着走。把心态摆正了接下来聊方法。五个学习心法比任何工具教程都重要工具会变产品会迭代今天的热门 App 明天可能就凉了在 AI 时代尤其为甚。但方法论不会过时。这五个心法是我之前就在不同场合跟大家反复去讲验证过的你可以带着它们去学任何 AI 相关的东西。心法一动手为先这条是我放在第一位的因为它最重要也最容易被忽略。太多人的学习路径是这样的先买本书→再报个课→看了三天视频→觉得「差不多了解了」→然后就没有然后了。别这样。你今天就可以打开 ChatGPT、豆包、Kimi、Claude随便哪个都行开始跟它聊。问它一个你工作中真实遇到的问题。让它帮你写一封邮件。让它帮你整理一份会议纪要。让它帮你翻译一篇英文报告。就这么简单。别把它神秘化。站在岸边永远学不会游泳。你得先跳下水呛两口水才知道手脚该怎么划。刀哥之前给过一个特别实在的建议他们公司实习生/应届生进来之后拉一个群推荐一款AI产品用上一个月之后再换其它慢慢形成习惯。ps. 其实你用着用着很多原理性的东西反而自然就懂了。比「先学原理再动手」高效十倍。心法二场景驱动动手是第一步但别漫无目的地用。你得从自己的「真实需求」出发。我见过太多人学 AI 的方式是今天看到别人说 Midjourney 好就去画两张图明天看到 Suno 火了就去生成一首歌后天又跑去试 AI 编程。每样都浅尝辄止最后什么都没留下。正确的打开方式想想你日常工作或生活中有哪些事情是重复的、耗时的、让你头疼的。那就是你的切入场景。你是学生那你的场景可能是论文文献整理、PPT 制作、学习笔记总结、英语写作润色。你是职场人那你的场景可能是会议纪要、周报月报、数据分析报告、客户邮件。你是内容创作者那你的场景可能是选题策划、文章大纲、配图生成、短视频脚本。找到你的场景然后针对性地去研究「AI 在这个场景下能怎么帮我」。这比泛泛地「学 AI」有效太多了。心法三溯源学习这条是关于信息获取的。现在讲 AI 的内容铺天盖地。公众号、小红书、抖音、B 站到处都是「AI XX 教程」「十分钟学会 XX」。信息不是太少是太多了。多到你根本分不清哪些靠谱、哪些是营销号在蹭流量。我的原则是尽量往信息的源头去找。信息有一条明确的「食物链」官方文档 权威科技媒体的一手报道 大 V 的深度解析 营销号的转述各大 AI 实验室的官方文档是源头最准确、最全面但不一定好读。权威科技媒体国内的话机器之心、量子位等等国外的话MIT Technology Review、The Verge、The Batch的原创报道等基于一手素材做分析会加入行业判断信息失真很小。大 V 的深度解析是二次加工质量取决于作者水平好的大 V 能帮你消化复杂信息差的可能带偏你。营销号的转述就不用说了基本是三四手信息能避则避。举个例子。你想学豆包怎么用最好的方式不是去小红书搜「豆包使用技巧」而是先看豆包官方的使用指南和帮助文档更为系统化。好友冷逸说过一段话讲得特别到位“「萃取、消化第一手知识重视第二手知识轻视甚至无视第三、第四手知识。」信息经过每一次转手都会失真一点。到了三手、四手可能已经面目全非。养成溯源的习惯你获取信息的质量会比大多数人高一个档次。心法四功利学习这条可能听起来不那么「正确」但我觉得特别实用。学东西要功利一点。诺贝尔奖得主赫伯特·西蒙说过「信息的丰富导致注意力的贫乏。」他本人就是 AI 领域的奠基人之一同时也研究人类认知的局限性。他的结论是人的认知资源是有限的必须做取舍。别因为焦虑就什么都想学。你的时间和精力是有限的每学一样新东西都有成本。所以在决定「要不要学这个」之前先问自己三个问题它能帮我省时间吗它能帮我赚钱或者省钱吗它能帮我做到之前做不到的事吗三个问题里如果至少有一个答案是「能」那就值得投入精力去学。如果三个答案都是「好像不太能」或者「不确定」那先放一放也没关系。功利一点学你现在用得上的。用不上的知道有这么个东西就行了等需要的时候再深入不迟。心法五输出与沉淀前面四条都在讲「输入」。怎么开始、往哪用、去哪学、学什么。但光输入不输出你的学习就像往一个没有底的杯子里倒水。费曼说过一句话大意是如果你不能用简单的语言把一件事讲清楚说明你还没真正理解它。这条在 AI 学习上特别适用。你可能刷了几十篇教程、试了七八个工具、收藏了一堆「AI 神器」合集。但如果有人问你「AI 到底怎么帮到你了」你说不出个一二三来。怎么破两个字输出。试着把你学到的东西讲给别人听。跟同事分享一个你用 AI 提效的小技巧。在朋友圈发一条你用 AI 画的图。甚至只是在微信群里说一句「我今天发现 XX 这么用特别好」。不用多正式。但说出来的那一刻你会被迫把模糊的感觉整理成清晰的表达。哪里其实没想通一讲就露馅了。这个过程本身就是最高效的学习费曼学习法值得拥有。而且它有一个额外的好处你帮别人入了门在朋友眼里你就成了「懂 AI 的那个人」。这种社交资产是刷再多教程也换不来的。输出之外还有一件事同样重要沉淀。用到一个好的提示词存下来。摸索出一个高效的工作流记录下来。发现某个工具在某个场景下特别好用标注一下。或者前两者都可以直接沉淀为Skills方便下次复用…这些东西单独看很小。但三个月后你打开自己的「AI 工具箱」里面有二三十条经过验证的提示词、五六个跑通的工作流、十几个场景下的最佳实践。这时候你和那些每次都从零开始的人差距就出来了。AI 领域变化快工具可能一两个月就换一茬。但你积累下来的「怎么跟 AI 协作」的经验不会作废。提示词会变但你对「怎么把需求说清楚」的理解只会越来越深。工具会换但你搭过的工作流逻辑可以直接迁移到新工具上。这就是沉淀的复利效应。今天存下来的每一条经验都在为未来的你省时间。五个心法说完了动手为先场景驱动溯源学习功利学习输出与沉淀。当然还有一个就是持续学习这点不必多说了…你可能注意到了我一个具体的 AI 工具都还没教你用。别急方法论是地基地基不稳上面盖什么都白搭。地基打好了接下来就该真正上手了建议先收藏分几次读完。第二章上手就用入门篇道理聊完了该动手了。很多人学 AI 的第一步就卡在「选哪个工具」上打开手机应用商店一搜几十个 AI 应用齐刷刷排在那儿每个都说自己最强。然后就开始纠结纠结着纠结着一周过去了啥也没用上。没必要。我的建议特别简单随便选一个先用起来。用错了也没关系又不要你签三年合同。AI 工具之间切换的成本几乎为零你在这个上面打的字换一个照样能打。但是你纠结的那一周是真的浪费了。好那我还是帮你捋一捋省得你连「随便选」都不知道从哪选。2.1 先挑一个趁手的这部分内容大家可以参考我之前写过的[2026 开年 AI 工具推荐让你新的一年效率起飞建议收藏]里面有详细的说明在这里简单说说现在市面上的 AI 工具大致可以分成这么几类对话类你的日常首选这类工具就是你跟 AI 聊天的入口。问问题、写东西、翻译、分析、头脑风暴……基本上你能想到的文字类需求它们都能接住。豆包、千问、Kimi、DeepSeek、ChatGPT、Claude、Gemini都可以考虑各有各的特点。创作类按需选按兴趣选如果你对视觉创作感兴趣AI 绘画AI视频都可以玩玩。即梦 AI 和可灵 AI 都是国内的用着方便效果也不错。即梦的Seedance2.0已经火爆国内外了。AI 音乐呢Suno 是目前最火的你哼个旋律、写几句歌词它就能给你生成一首完整的歌第一次用的时候真的会有点上头。搜索类用过就回不去了秘塔 AI 搜索Kimi 的搜索模式都很好用会帮你多轮检索、交叉验证搜出来的内容很扎实。用过 AI 搜索之后你会发现传统搜索引擎那种「输入关键词 → 翻十页链接 → 自己拼凑答案」的模式属实有点原始了。海外工具有条件的话值得体验ChatGPT、Claude、Gemini御三家目前全球范围内综合能力最强的。所以到底选哪个我的建议先选 1 个对话类 1 个你感兴趣的创作类。就两个够了。对话类里面豆包或者通义千问二选一装上就行。如果你经常需要处理长文档或者做深度搜索再加一个 Kimi。创作类的看你兴趣。喜欢画画就下个即梦喜欢音乐就试试 Suno。用上一个月用熟了你自然就知道自己还需要什么了。2.2 从你自己的场景切入工具选好了下一个问题来了用它干嘛「用它干嘛」这个问题答案其实不在 AI 那边在你这边。你是谁你每天在干嘛你有什么事情觉得烦、觉得重复、觉得耗时间从那里开始就对了。如果你是学生你可以让 AI 当你的「私人 AI 导师」。不是夸张你想想一个 24 小时在线、不会不耐烦、你问多少遍都不嫌烦的老师以前得花多少钱请家教才能有这待遇看论文、读文献觉得头大把 PDF 丢给 Kimi让它帮你总结核心论点、梳理论文结构、提取关键数据。Kimi 的长文处理能力在这个场景下特别好用几十页的论文它能一口气吃进去。期末要做 PPT 和报告用 AIPPT、Gamma、Dokie给它一个主题它能直接帮你生成一份带设计感的 PPT。当然你得自己改改内容、调调逻辑但至少不用从一张白页开始了。在大学这个最美好的时期最纯真的爱情当然不能缺席。你可以让 AI 帮你写三行情诗、分析聊天记录里对方的态度别笑真的有用、甚至帮你策划一个有创意的表白方案。AI 不能替你谈恋爱但可以帮你成为一个更有趣的人。如果你是职场人开完会写纪要是不是很烦千问、听悟你开会的时候打开录音它会自动帮你转文字、提取要点、生成会议纪要。我身边好多朋友用上之后都说回不去了。周报月报这种东西真的不值得你花一个小时去憋。把这周做了什么要点告诉 AI让它帮你润色成一篇结构清晰、措辞得体的周报五分钟搞定。你省下来的五十五分钟用来干点真正有价值的事情不好吗数据分析也是。你把 Excel 表格丢给 AI让它帮你找规律、做可视化、写分析报告这在以前可能得专门找个数据分析师干的活儿。如果你是创作者或自媒体人AI 辅助写作是基本操作了。注意我说的是「辅助」不是「替代」。让 AI 帮你列提纲、扩写段落、换个说法、找案例素材这些都是很好的用法。但核心观点和个人风格得是你自己的不然读者为什么要关注你而不是直接去问 AI 呢文章配图是个刚需。以前写公众号找配图要么用免费图库千篇一律要么冒着版权风险从网上扒别这么干现在用 AI 画一张独一无二的配图又好看又没版权问题。日常生活辅导孩子作业你未必记得住初中数学公式但 AI 记得。让它一步一步讲解解题思路比你吼孩子有效多了。关键是它不会生气。旅行规划把你的时间、预算、偏好告诉 AI让它帮你做攻略。比你在小红书上刷几十篇游记再自己拼凑行程效率高太多了。说了这么多场景我知道你可能看完有点懵。没关系一张速查表帮你对号入座这个表不是标准答案是起跑线。用着用着就会自然迭代出属于自己的工具组合。2.3 学会跟 AI 沟通工具有了场景也有了但你可能很快会遇到一个问题怎么 AI 给我的回答这么「平庸」大概率不是 AI 的问题是你「问的方式」的问题。你跟 AI 说话的那段文字有个专门的名字叫「提示词」Prompt。说白了就是你输入给 AI 的指令。你给的指令越清晰、越具体AI 回你的内容就越靠谱。这跟你跟人沟通是一样的道理。你跟同事说「帮我整理一下那个东西」对方大概率一脸问号。但你说「帮我把上周五会议的三个待办项整理成表格列出负责人和截止日期」对方立刻就能动手了。AI 也是一样。就这么简单。几个主要元素背景、目标、要求、示例归根结底就是要把上下文说清楚当然关于 Prompt 是一门大的学问大家可以关注下述内容再学习这里就不展开了。想更系统地学提示词推荐几个资源LangGPT 结构化提示词(https://langgpt.ai/ 很实用的提示词写作框架提示词工程指南https://www.promptingguide.ai/zh中文提示词教程多跟 AI 对话用得多了你自然就知道怎么「说话」它才听得懂。当然这里需要注意不要指望一次就得到完美答案多追问迭代几轮效果会更好。2.4 试试让 AI 帮你跑完全程到这里你已经会跟 AI 聊天了。提个需求它给你回复一问一答很好。但 AI 能做的不只是「你问我答」。有些任务不是一个问题就能解决的比如「帮我调研一下竞品整理一份分析报告」。这个任务里包含搜索、筛选、对比、整理、排版好几个步骤。如果你一步步跟 AI 聊也能做但得来来回回好多轮。有没有可能你只说一句「帮我做竞品分析」它就自己去搜、去查、去比较、去整理最后给你一份完整的报告可以的智能体Agent最通俗的理解普通 AI 对话是「你说一句它做一步」智能体是「你交代一个任务它自己规划步骤帮你跑完全程」。就像你交代一个靠谱的助理「帮我订周五从北京到上海的差旅」你不需要告诉他先查航班、再比价格、再订酒店、再填报销单他自己就把这些全办了。去哪儿能体验到最简单的方式去逛逛智能体商店。扣子Coze字节做的 coze.cn上面有大量别人做好的智能体技能商店各种功能都有。豆包 App 里也内置了不少智能体打开就能聊。智谱的 GLMs 商店也类似。一些很有意思的 AI Agent 产品也值得关注Manus Agentmanus.im 全球首款通用型 AI Agent你给它一个复杂任务它会自己拆解成多个步骤去执行Lovarthttps://www.lovart.ai/AI 设计平台自动完成从概念到成品的设计流程OpenAI Operatoroperator.chatgpt.comChatGPT 内置的 Agent 模式能帮你在网页上完成操作OpenClaw开源 AI Agent运行在你自己的设备上通过 WhatsApp、Telegram、Slack、Signal 等聊天工具进行交互能执行 shell 命令、浏览器自动化、邮件、日历和文件操作。Zapier Agents支持用自然语言描述来创建 Agent并可连接 8000 应用非常适合跨工具自动化。Quizletquizlet.comAI 融入学习过程根据你的掌握程度自动调整复习策略代码领域的 Agent 已经相当成熟了。Claude Code、Cursor、Trae 这些工具让你用自然语言就能写代码。这个话题展开比较深放到后面进阶篇再聊。你现在不需要每个都去试。知道有这么个东西就行等你用熟了基础的 AI 对话之后再慢慢探索 Agent 的世界。2.5 给自己找个学习大本营AI 这个领域变化太快了。真的是今天的新闻明天就过期的那种快。你需要一个「根据地」能持续获取新信息、跟上节奏。第一个要收藏的通往AGI之路 - 飞书云文档(https://waytoagi.feishu.cn/)WaytoAGI 知识库是目前互联网上我见过的最全面的 AI 开源知识库。从基础概念到进阶教程从工具推荐到行业动态分类清晰持续更新。你如果只收藏一个网站就收藏这个。上面有各路 AI 英雄豪杰的最新的洞察以及各种实操教程。大家需要善于使用飞书的搜索功能在上面搜索自己想要关注的内容从而找到相关的文章。同时WaytoAGI还有免费的学习社群和免费的线下活动非常推荐大家参与值得关注的博主和公众号入门阶段信息源不用多但要靠谱。推荐几个我觉得质量一直在线的量子位、机器之心、赛博禅心、歸藏的AI工具箱、数字生命卡兹克、Agent橘。这几个先关注上日常刷刷就能保持基本的信息敏感度。更完整的推荐列表我放在后面了。LangGPT 知识库feishu.langgpt.ai里面有大量提示词模板和案例。当你想把提示词技巧再往前推一步的时候去那里逛逛会很有收获。好了到这里「入门篇」差不多了。你现在已经有了工具、有了场景、有了基础的提示词技巧、知道了智能体是什么、还有了持续学习的信息源。建议先收藏分几次读完说实话如果你只是想让 AI 在日常生活和工作中帮上忙大部分人把这些用熟效率提升就已经很明显了。但我猜你用了一段时间之后一定会开始好奇更多的东西。为什么有时候 AI 说得特别好有时候又会一本正经地胡说八道我能不能自己搭一个智能体能不能用 AI 写代码、做产品这些好奇心特别好。带着它们我们接着往下聊。第三章从「会用」到「用得好」进阶篇会用 AI 和用好 AI中间隔着什么我觉得隔着一层「理解」。你不需要成为 AI 专家但当你大概知道它怎么工作的、知道怎么更好地跟它协作、知道怎么把零散的用法串成体系你会发现同样一个工具到了你手里就是比别人顺。这一章我想和你聊五件事AI 的底层逻辑、提示词的进阶玩法、工作流搭建、Vibe Coding以及怎么建立你自己的 AI 信息网络。不用怕。都是大白话。3.1 搞懂 AI 的底层概念很多人对 AI 有一种隐隐的不安我天天在用它但我完全不知道它是怎么运作的。这种感觉很正常。你不需要去读论文、学数学但花十分钟了解三个核心概念会让你对 AI 的能力边界有一个更清晰的判断。知其所以然你才知道什么时候该信它什么时候该怀疑它。Transformer大语言模型的「发动机」所有你用过的 ChatGPT、Claude、Kimi、豆包底层都跑在同一个架构上叫 Transformer。一句话解释它让 AI 学会了「注意力」——在一大段文字里自动判断哪些词和哪些词之间关系更紧密。就像你读一篇长文章时大脑会自动在关键信息之间建立连接Transformer 做的事差不多只不过它用的是数学。想深入了解李沐在 B 站讲的《Attention Is All You Need》论文精读https://www.bilibili.com/video/BV1pu411o7BE。原论文在这里https://arxiv.org/pdf/1706.03762.pdf。Context Engineering大模型时代的编程AI 系统效果很大程度取决于上下文设计。角色、任务规则、示例、知识与工具说明共同构成模型的工作环境。Agent、RAG、本地知识库本质都是上下文工程。生成模型三路线自回归、扩散、潜空间自回归逐步预测下一个元素语言模型与部分生图模型采用结构稳定、可控性强。 扩散从噪声逐步去噪生成图像擅长写实与细节Stable Diffusion、Midjourney 属此类。潜空间VAE/GAN在低维表示中采样生成是早期图像与语音生成基础。Agent从回答到执行Agent 让 AI 能拆解目标、调用工具并完成任务。它依赖大模型推理与上下文工程是系统形态升级。理解这些你就知道 AI 在做什么也知道它何时可靠。想系统学这几门公开课够了中文方面李宏毅老师的课是我最推荐的https://speech.ee.ntu.edu.tw/~hylee/GenAI-ML/2025-fall.php当然他在 B 站有一些搬运的视频讲底层原理讲得最透彻而且幽默。李沐的「跟李沐学 AI」系列也非常好他还有一套 D2L 动手学深度学习https://zh.d2l.ai2025 版有 171 集。英文方面吴恩达的 [Deeplearning.ai]https://www.deeplearning.ai/courses是经典中的经典。但我要强调一点这些不是必修课。你不学这些照样能把 AI 用得很好。它们的定位是「知其所以然」感兴趣就深入不感兴趣跳过这一节完全没问题。3.2 从提示词到 Skills让 AI 越用越顺手入门篇里讲了提示词的基础用法说清楚你要什么给点背景信息指定输出格式。但用久了你会发现光靠「说清楚」还不够。你开始想有没有更系统的方法有没有办法让我的提示词变成一种可以反复使用的东西有的。提示词进阶从「随手写」到「有结构」如果你只学一个进阶技巧我推荐「结构化提示词」。最典型的是 LangGPT 方法它把一条提示词拆成几个模块角色、背景、任务、要求、输出格式。再往上走有几个高级技巧值得了解多轮迭代优化不要指望一次就得到完美答案。很多高手的秘诀不是提示词写得多精妙而是他们特别会追问。Meta-Prompting让 AI 帮你写提示词。套娃但有效。一条进化线索Prompt → Context → Skills大家其实会明显感觉到圈子里的关键词换得越来越快。前几年大家讲 Prompt。后来大家讲 Context Engineering。再后来Skills 变成了高频词。这不是换个名字炒概念。背后有一条清晰的进化线索Prompt 时代你给 AI 的是一次性的显式指令。每次对话都从零开始。Context 时代你开始「经营」一个信息场。不只是告诉 AI「做什么」还把相关的背景、约束、知识一起喂给它。Skills 时代你把自己的经验和流程封装成一个「能力包」让 AI 在需要的时候自动调用稳定复用。私以为不管是 Context 或是 Skills都是 Prompt 的一部分对于模型来说都是 Token。但从用户的角度看这三者的区别在于你和 AI 协作的颗粒度变了。从一句话到一个场景到一个可复用的能力单元。Skills 到底是什么说得通俗一点Skills 就是你把自己做某件事的经验和步骤用自然语言写成一个「扩展包」AI 在处理任务时会按需加载它。门槛低会写 Prompt 就会写 Skills。它比单条 Prompt 强在哪里可复用、可分享、可迭代。这个概念已经在国内落地了。字节的 Trae 有「技能」模块扣子 2.0 也在往这个方向走。而且它是纯自然语言形式的比搭积木式的 Workflow 更符合大多数人的习惯。就这么简单。别把它神秘化。可以看之前发过的一篇文章从 Prompt 到 Agent SkillsAI 在业务场景应用有了新玩法附私董会Case推荐资源[LangGPT 开源项目]https://github.com/langgptai/LangGPT结构化提示词框架[Prompt Engineering Guide]https://www.promptingguide.ai/zh最全的提示词工程中文指南[Anthropic 官方提示词指南]https://www.anthropic.com/learn写得很实在[GitHub - Awesome-claude-skills]https://github.com/travisvn/awesome-claude-skills一些很不错的ClaudeSkills3.3 Agent Workflow提示词和 Skills 解决的是「单次对话怎么更好」的问题。但很快你会遇到另一个需求我能不能把好几个步骤串起来让 AI 自动跑完能。这就是 Workflow。想象一条工厂流水线原材料进去经过切割、打磨、组装、质检成品出来。Workflow 就是你给 AI 搭的一条流水线。你设定好每一步该做什么、数据怎么流转触发之后它自动从头跑到尾。比如每天早上自动抓取行业新闻 → AI 总结成摘要 → 推送到你的飞书。整个过程不需要你动手每天起床就能看到。从哪里开始[扣子Coze]https://www.coze.cn是国内首选拖拖拽拽就能搭。[n8n]https://n8n.io是开源的灵活度非常高免费这一点也很香。Dify 更适合想做 AI 应用的人。我的建议是先从一个简单的场景入手。先做一个「每天自动给我推送行业新闻摘要」的小 Workflow跑通了你就有感觉了。在企业的 AI 应用场景中我们最看重的是其稳定性和确定性。通过 Workflow 的形式能够更好地确保 AI 运行的每个节点都不超出预期让它完全按照我们的想法执行。3.4 Vibe Coding每个人都可以是创造者接下来要聊的这个话题我个人非常兴奋。Collins 英语词典把「Vibe Coding」评为了 2025 年度词汇。不是什么 AI 术语、不是什么技术名词。一个关于写代码的概念成了年度词汇。这本身就说明了一些事情。什么是 Vibe Coding你不写代码。你用中文告诉 AI「我想做一个番茄钟应用要能设定工作时长和休息时长界面简洁用暖色调。」然后 AI 帮你把整个应用写出来。就这样。你描述需求它生成代码你看效果给反馈它修改。来回几轮一个能用的产品就出来了。这件事最颠覆的地方在于它模糊了「用户」和「开发者」的边界。以前你想做一个小工具你得学编程。学变量、学循环、学函数怎么也得几周到几个月。现在呢用自然语言描述你想要什么几小时甚至几分钟一个能跑的应用就出来了。聊聊 Claude Code在 Vibe Coding 工具里我想重点聊聊 Claude Code。Claude Code 是 Anthropic 推出的命令行 AI 编程工具。它不是一个编辑器插件本质上是一个 Agent。你把它放到项目里它能理解整个代码库的结构自主规划该怎么做然后一步步执行。有一点技术门槛你得会打开终端、敲命令行。如果你连终端是什么都不知道可以先从 Cursor 或 Trae 这种有图形界面的工具开始。但如果你有一点点基础Claude Code 的体验是非常惊艳的。你可以跟它说「帮我把这个项目的登录功能改成支持手机号登录」它会自己去读代码、理解架构、做修改、跑测试。想入门的话[官方中文文档]https://code.claude.com/docs/zh-CN/overview[awesome-claude-code]https://github.com/hesreallyhim/awesome-claude-code21.6k StarsB 站 [30 个进阶技巧]https://www.bilibili.com/video/BV1XGbazvEuh/12 万播放[刘小排 Claude Code 实战分享]https://mp.weixin.qq.com/s/sOPO_MWq9xsiHzYapszK5Q全球 Claude Code Token 消耗量「榜一大哥」的实操经验Vibe Coding 工具全景工具公司特点费用CursorAnysphere最流行的 AI 编程编辑器$20/月Trae字节跳动部分免费全中文600 万用户免费 收费CodeBuddy腾讯完全免费插件IDECLI免费 收费WindsurfCognition自有模型速度是 Sonnet 的 13 倍有免费额度GPT CodexOpenAI可独立工作超 7 小时$20/月起如果你在国内入门推荐 Trae 和 CodeBuddy免费额度、中文好、不用折腾网络。普通人用 Vibe Coding 做了什么这部分是我最想写的因为每一个案例都在打破「编程是程序员的事」这个旧观念。CNBC 有个记者完全没有技术背景参加了一个 2 天的 Vibe Coding 训练营出来的时候手里拿着一个完整的 App。两天。一个记者。菲律宾有个叫 Pablo 的白领直到成年才开始用电脑。他花了 2 小时做出了一个费用管理 App。一个做营销的女生 Maddy Osman只有最基础的编码知识用 Vibe Coding 独立做出了好几个产品。创造的门槛正在被拉平。你脑子里那些「要是有这么一个工具就好了」的念头现在真的有可能自己动手实现。目前全球约 41% 的代码由 AI 生成。Lovable一个 Vibe Coding 平台上线 8 个月就达到了 1 亿美元的年化收入。这是一场正在发生的变革。3.5 你的第一个「数字员工」OpenClaw前面聊了 Vibe Coding你可以用自然语言造产品。接下来说说用自然语言雇一个 24 小时在线的数字员工。2026 年初AI 圈有一个项目彻底出圈了叫OpenClawopenclaw.ai。GitHub Stars 飙到了 22 万各家云厂商争相接入可以说是今年 Agent 领域最值得关注的现象级项目。OpenClaw 是什么一句话说它是一个开源的 AI Agent运行在你自己的电脑或云服务器上能通过 Discord、Telegram、飞书、WhatsApp 等聊天工具跟你交互。你在手机上发一条消息它就在服务器上帮你干活。跟前面 2.4 提到的那些 Agent 产品不同OpenClaw 更像是一个你「自己养」的 AI 助手。它跑在你自己的环境里能读文件、执行命令、浏览网页、操作各种工具而且 7×24 小时在线。如果说前面聊的那些 Agent 产品是别人家的员工帮你跑腿OpenClaw 更像是你自己雇了一个实习生住在你办公室里随叫随到。它的灵魂在于 SkillsOpenClaw 最核心的设计是Skills 生态。你给它装什么技能它就能干什么活。这跟我们前面 3.2 聊的 Skills 概念一脉相承只不过在 OpenClaw 里Skills 变成了 Agent 的「能力包」装上就能用。比如你给它装上搜索 Skill它就能帮你每天定时抓取行业新闻整理成摘要推送给你。装上代码执行 Skill它就能帮你写网页、跑脚本。装上金融数据 Skill它甚至能帮你监控行情有重大波动立刻通知你。而且 Skills 是纯自然语言写的会写提示词就会写 Skills。社区里已经有大量现成的 Skill 库可以直接用[ClawHub Skills]https://www.clawhub.ai/skills官方精选 Skill 市场[awesome-openclaw-skills]https://github.com/VoltAgent/awesome-openclaw-skills社区整理的精选合集能用它做什么举几个我自己跑通的场景自动新闻监控设好关键词和信息源它每隔一段时间自动帮你抓取、筛选、总结推送到你的聊天工具里。起床就能看到。自然语言建站手机上发一句「帮我做个番茄闹钟的网页要有不错的交互」它直接在服务器上写代码、部署上线几分钟后甩给你一个链接。文件处理助手丢给它一个 PDF 或表格让它分析、提取、转换格式全程不用开电脑。定时任务执行每天早上八点自动执行某个流程周报自动生成数据自动备份……设一次跑很久。为什么说它代表了一个重要趋势OpenClaw 最有意思的一个设计叫 **Gateway**它在 Agent 和各种通讯工具之间搭了一座桥。这意味着你不需要打开电脑、不需要登录某个网站直接在微信、飞书、Discord 这些你每天都在用的工具里就能跟 Agent 对话让它帮你干活。这件事的意义在于Agent 第一次真正融入了你的日常通讯流。它不再是一个你需要专门去访问的工具而是像一个同事一样住在你的群聊里随时待命。更深一层OpenClaw 的 Skills 还能**自举**Agent 可以在执行任务的过程中自己发现可复用的经验自己封装成新的 Skill自己装上。也就是说它会越用越好用这跟我们前面心法五讲的「沉淀复利」是同一个道理只不过这次沉淀经验的不是你是 Agent 自己。01什么是AI大模型应用开发工程师如果说AI大模型是蕴藏着巨大能量的“后台超级能力”那么AI大模型应用开发工程师就是将这种能量转化为实用工具的执行者。AI大模型应用开发工程师是基于AI大模型设计开发落地业务的应用工程师。这个职业的核心价值在于打破技术与用户之间的壁垒把普通人难以理解的算法逻辑、模型参数转化为人人都能轻松操作的产品形态。无论是日常写作时用到的AI文案生成器、修图软件里的智能美化功能还是办公场景中的自动记账工具、会议记录用的语音转文字APP这些看似简单的应用背后都是应用开发工程师在默默搭建技术与需求之间的桥梁。他们不追求创造全新的大模型而是专注于让已有的大模型“听懂”业务需求“学会”解决具体问题最终形成可落地、可使用的产品。CSDN粉丝独家福利给大家整理了一份AI大模型全套学习资料这份完整版的 AI 大模型学习资料已经上传CSDN朋友们如果需要可以扫描下方二维码点击下方CSDN官方认证链接免费领取【保证100%免费】02AI大模型应用开发工程师的核心职责需求分析与拆解是工作的起点也是确保开发不偏离方向的关键。应用开发工程师需要直接对接业务方深入理解其核心诉求——不仅要明确“要做什么”更要厘清“为什么要做”以及“做到什么程度算合格”。在此基础上他们会将模糊的业务需求拆解为具体的技术任务明确每个环节的执行标准并评估技术实现的可行性同时定义清晰的核心指标为后续开发、测试提供依据。这一步就像建筑前的图纸设计若出现偏差后续所有工作都可能白费。技术选型与适配是衔接需求与开发的核心环节。工程师需要根据业务场景的特点选择合适的基础大模型、开发框架和工具——不同的业务对模型的响应速度、精度、成本要求不同选型的合理性直接影响最终产品的表现。同时他们还要对行业相关数据进行预处理通过提示词工程优化模型输出或在必要时进行轻量化微调让基础模型更好地适配具体业务。此外设计合理的上下文管理规则确保模型理解连贯需求建立敏感信息过滤机制保障数据安全也是这一环节的重要内容。应用开发与对接则是将方案转化为产品的实操阶段。工程师会利用选定的开发框架构建应用的核心功能同时联动各类外部系统——比如将AI模型与企业现有的客户管理系统、数据存储系统打通确保数据流转顺畅。在这一过程中他们还需要配合设计团队打磨前端交互界面让技术功能以简洁易懂的方式呈现给用户实现从技术方案到产品形态的转化。测试与优化是保障产品质量的关键步骤。工程师会开展全面的功能测试找出并修复开发过程中出现的漏洞同时针对模型的响应速度、稳定性等性能指标进行优化。安全合规性也是测试的重点需要确保应用符合数据保护、隐私安全等相关规定。此外他们还会收集用户反馈通过调整模型参数、优化提示词等方式持续提升产品体验让应用更贴合用户实际使用需求。部署运维与迭代则贯穿产品的整个生命周期。工程师会通过云服务器或私有服务器将应用部署上线并实时监控运行状态及时处理突发故障确保应用稳定运行。随着业务需求的变化他们还需要对应用功能进行迭代更新同时编写完善的开发文档和使用手册为后续的维护和交接提供支持。03薪资情况与职业价值市场对这一职业的高度认可直接体现在薪资待遇上。据猎聘最新在招岗位数据显示AI大模型应用开发工程师的月薪最高可达60k。在AI技术加速落地的当下这种“技术业务”的复合型能力尤为稀缺让该职业成为当下极具吸引力的就业选择。AI大模型应用开发工程师是AI技术落地的关键桥梁。他们用专业能力将抽象的技术转化为具体的产品让大模型的价值真正渗透到各行各业。随着AI场景化应用的不断深化这一职业的重要性将更加凸显也必将吸引更多人才投身其中推动AI技术更好地服务于社会发展。CSDN粉丝独家福利给大家整理了一份AI大模型全套学习资料这份完整版的 AI 大模型学习资料已经上传CSDN朋友们如果需要可以扫描下方二维码点击下方CSDN官方认证链接免费领取【保证100%免费】