AI经验总结丨若何用好AI来赋能小我和企业

从去年年初开始用ChatGPT，并且探索了各种AI提效项目，自己也逐渐从小白到了用AI还凑合的人，在生财里带了3期ChatGPT提效航海、在公司里把AI各个业务的赋能都摸索了一遍、又和各种AI圈友谈论互换，这个月决定动笔来总结一下过去的实践思考，于是便整理了这篇文章，希望它能够对你用好AI有一定的帮助~

为此我想跟大家聊4个事情：对AI合理的预期➕如何用好AI工具➕AI赋能案例➕提示词工程。

在我从小白到闇练节制AI的过程中，实在也经历了一段韶光的“AI无用论”，我总以为ChatGPT看起来彷佛什么都搞不定，那AI的代价到底是啥呢？它看起来也代替不了人啊。

AI代替人，我也常常听很多小伙伴跟我提到过，觉得彷佛AI被吹嘘的很厉害，但是其实用起来效果一样平常般。

但实在可能原形是：AI不取代人，AI只办理详细的问题。

我想我现在对AI的定义是伙伴，一个可以帮助我更快发展、生活更便捷的伙伴。

一、对AI合理的预期

我想了半天该当如何描述对AI的预期，末了我以为“合理”是一个相对中性也好理解的事情。

AI能够完全替代人吗？

会有一些重复机器化事情的岗位逐步被AI完全替代，大家津津乐道的AI客服实在很多时候都是给客服提质用的；一样平常情形下的裁员是人+AI干活足够了，不须要不会用AI干活的人了。

AI一点用都没有吗？

也不是，用好AI能够快速让你在一个你不熟习的业务里达到70分的水平，能够省客岁夜量的学习本钱。

如果你能够把自身的业务很好的融入AI，那最最少在AI的加持下你能够完成之前1倍的产出不在话下。

不迷信AI以为AI无所不能，不忽略AI以为它一点用没有。

1. 对AI合理的预期，才能够真正的用好AI

带着这样的预期我们须要去不雅观察评估，如今的AI发展到了哪一步，这个阶段AI可以在哪些事情上做到更好。

那么最值得我们去深度不雅观察的事情有两件：模型能力、算力本钱。

深度关注这两个事情就可以了，其它的事情都是环绕这两点来拓展的。

2. 模型能力决定着AI能够做到哪一步

用了GPT4o、Claude 3.5-sonnet、Gemini 1.5pro后你能够知道AI的理解思考能力已经很强了，但在缺少专业数据的时候它依然有很多内容回答不上来，AI并不是无所不能的神。

用了midjourney、comfy ui 你能够知道AI能够绘制各种精制的图案，但对付图片内的笔墨依然没什么好办法，这么看cavan、稿定设计的海报未来一段韶光内AI绘画工具都搞不定。

面壁智能V2.6版本支持端侧模型支配，这代表着端侧模型又跑出来一个小的里程碑事宜，再过一段韶光，各种能在硬件上大规模本地化支配高质量的端侧模型就该变成可能了。

3. 算力本钱则代表着AI运用的广度

这里阐明一下这个点，为什么算力本钱是AI运用的广度；AI产品和之前互联网产品较大差异的一点是，它的边际本钱并不随着用户量的增长而递减。

传统的互联网产品如果用户在10万人和100万人虽然做事器本钱上会有一些差距，但实在并没有那么大，只要掩护好做事器带宽就好了，本钱并不是10倍的增加。

但是如果是AI产品，它须要花费token用于和用户的对话交互，那从10万人到100万人的时候，AI产品的本钱是10倍递增的，并不会像做事器本钱那样，没有较大的变革，它是一个正干系的增长曲线。

那这样就会涌现一个问题，如果一个企业每天做事用户的token用度为20万，但营收为10万，那这个公司的业务亏损倒闭也是一个指日可待的事情。

如果公司想赢利，那要么去找到算力本钱更低的模型，要么就想办法转嫁到消费者身上了，公司实在没啥选择。

如果算力本钱能够低到和带宽本钱一样的水平，那各种场景下实在都会充斥着AI产品，很多故意思的产品形态会逐步展示出来。

目前在海内模型能力和算力本钱压缩的比较好的模型以deepseek为首，100万token只须要2块钱，如果你要自己做点AI产品试一试，deepseek的模型能力和本钱都是最佳的选择。

当我们把这两点结合我们会创造，目前的AI现状是：

文生文的模型能力已经很成熟了，且算力本钱已经可以通过本地化支配或者deepseek来压得很低，大量的产品都已经积极+AI，取得了不错的结果。

AI 搜索、AI办公、企业提效，AI在一点点改变人们日常的生活。

而文生图、文生视频受制于模型能力、算力本钱还在珊珊起步的阶段。

以是你看AI不是万能的神，也不是无用的泡沫，它是一个珊珊起步的孩童。

我们该当对AI多一点耐心，多一点宽容，多一点放松。

很多时候我们对AI的缺点认知每每来自于过于冗余的信息，每天关注AI反而会迷失落在信息的海洋里。

AI并非万能的神，而是人类手中的利器，用好它才能创造奇迹。

二、如何用好AI工具

最有效、最大略用好AI的办法便是：多用AI，这比听100个课程、看100个公众年夜众号文章都要强。

我创造很多人跟我谈论AI的时候条理分明，但是一聊Prompt便是懵逼状态，哎，负责多干点践行的事情吧，空口无凭创建的认知都是空中楼阁。

多用AI并不须要你去节制多么资深的提示词技巧，当你碰着什么问题或者有什么想法先去找AI聊一聊，看看能不能得到不同维度的思路和解题方法。

有思考跟AI聊一聊，看看你琢磨的对不对？

有问题问问AI，看看他能不能给到你想要的答案？

想买电脑打《黑神话悟空》了，先问问AI什么配置才能玩得动？

转变自己的思考办法，不要认为必须写好Prompt才能去用AI，随时随地为所欲为的和AI对话。

逐渐地让AI成为你生活中不可或缺的一部分，这才是真正用好AI的办法。

不是每一个人都须要成为AI专家，但每一个人实在都须要去利用AI。

AI可以做专业的事情，也可以做很平凡的事情，我们须要找到最得当自己的场景，哪怕是一个给你说加油陪你唠嗑的AI，它对你的生活有帮助那它就是非常有代价的事情。

纸上得来终觉浅，绝知此事要躬行，AI的节制离不开实践的积累。

三、AI赋能案例

AI是用来办理问题的，AI不是用来办理人的。

以是我给这个模块终极定下的标题是：AI赋能，而不是AI替代人。

AI在我眼中赋能有两个大的维度效果，一个是提效，一个是提质。

提效：没有AI的时候我自己一天只能干20事情，现在有了AI我能干40件了，我的效率被AI提升了。

提质：没有AI的时候我卖货只能卖熟习的商品，现在有了AI我什么产品都能卖了，我的能力被AI提升了。

AI赋能的核心便是事情流；我借助下面的6个人案例来跟大家讲讲AI的详细运用：

案例01 ：写公众年夜众号文章

那我以我写的这篇万字总结为例，首先写"大众号我要梳理选题，确定我要写哪些内容，接下来是去写大纲，梳理清楚自己整体的思路；接下来是写初稿，然后成稿雕花，在之后便是排版布局。

那在这个流程里AI能够对我有哪些赋能呢？

首先在“确定选题环节”我能够去跟AI聊一聊我的选题思路，能够帮我更好的明确我要写什么东西，从而不至于跑题太久；这块的方案我目前做的比较大略，便是见告AI我的背景是什么，我的目的是什么，然后带着我的思路一点点和它聊，末了碰撞出来一个结果。

同样的梳理大纲后我会在梳理完一个初稿后去找AI聊，你以为我的大纲思路怎么样，你有没有什么好的建议？

当我完成初稿后，我们就要开终稿雕花环节，这个地方是无数个细节构成的。

我会去把全体稿件喂给AI，让它从逻辑上来帮我做一些校核，看看有哪些地方我写的逻辑性不好，哪些地方有可以提升的点，让它给到一些建议。

末了的排版布局便是我自己的审美来办理的了，目前阶段AI的帮助不大。

大家可以看到我在写这篇文章的时候并没有说有了AI我写的更快，反而我写的更慢了；但整体的质量会比之前更让我以为满意，由于有一个人在反复跟我聊这篇文章到底怎么样。

案例02：AI写营销内容

我以电商营销内容为例，首先我们来看一下私域营销文案的产出逻辑是什么样子的：

如何选择产品和用户群，这个问题是个策略问题，这个环节实在涉及不到啥AI了（理论上也可以AI化，但这个是数据建模及模型演习的问题，不在本次谈论范围之内）

阅读产品详情页这块可以直接投喂给AI，但这样对AI模型的哀求实在是比较高的，同时token花费的量也是相对大一些的，而且识别质量还不一定是高的。

以是这块一样平常是OCR工具+AI整理文案，这样大家都做自己善于的事情，通过一个大略的事情流来完成这一步骤，效果会比纯用AI强，而且本钱还低，当OCR工具整理完详情页内容后，我们给AI一个大略的Prompt让它把详情页内容总结一下。

为什么还要做总结呢？由于各种详情页的内容识别一样平常都不具备啥可读性，各种信息乱七八糟的，以京东详情页为例，OCR识别出来的效果是这样的：

直接扔给AI数据源乱七八糟的，这种会导致末了的结果产出也是不好的。

那我们用一个AI工具整理好久变成这样的。

撰写文案实在我们碰着一个卡点便是，我搞AI的实在不咋会写营销文案，我写C端各种页面的文案没啥问题，但是私域卖货的文案，这个事情真没有写过啊。

那这个时候怎么办呢？首先去找公司内部写文案的同学取经，看看她写文案的逻辑是什么样子的，能不能抽象出一些方法论出来，比如说到底长文案短文案哪个效果更好，用户更再议的点是什么。

同时去小红书、"大众号等各个渠道搜索大家整理好的文案写作公式和案例，把这些案例整理后然后投喂给AI。

末了把这些内容封装到Prompt里边，我们会投喂给AI三个信息：

让它根据这些信息来产出商品的5个卖点，同时再根据用户信息去判断到底哪一个卖点是最核心最有代价的。

末了环绕这一个卖点产出开头一句话话术、产品卖点话术、匆匆销信息话术。

以这个品为案例，我们末了看看产出效果，这个人群类型和活动名称我暂时就置空。

按照配置好的事情流产出的内容是这样的：

我环绕这个AI写内容做了很多轮测试，基本上能够跟公司的文案同学80%的水平吧，至于为什么达不到100%或者更多，由于每个品类都须要去投喂更多的资料。

比如说衣饰类和食品类用户关注的点实在是不一样的，但用同一套AI逻辑，那整体效果还是会差一些。

案例03：客服系统（知识库+质检）

客服实在是这一波AI效果还不错的场景，但并不是大家想的AI替代客服，从此就不用人了，而是说AI能够帮助客服办理更多的问题，同时AI也能更好的帮助策略团队进行质检提升客服团队的做事质量。

在这里须要详细阐明一下为什么说AI不是替代客服，而是帮助客服。

做事最主要的事情是 人和人的交互，而不是放一个机器在那想办法匹配上用户的回答。

各种客服系统前置的交互是为理解决一些根本高频常用问题，比如说退换货是几天需不须要自己出运费。

但一旦涉及到更繁芜的信息，比如说人须要推举行事、须要售后做事，这时候AI就很难搞定了，或者说用AI搞定这些本钱极高，不如客服团队+知识库的逻辑来搞定这些事情了。

客服范例的两个场景：知识库、质检。

我们先从知识库提及，那么正常客服回答用户的流程是这样的。

那对人来说最大的问题在哪？

在于办理方案很多时候人自己给不到足够精准的内容。

为什么？由于活动规则及商品信息太多了，以是人本身无法靠影象搞定这些事情。

比如说用户说请你给我推举一款冬天的羽绒服，当你的商品库里有几百个商品的时候，你没法做出推举，由于你压根不知道这些商品有什么差异，用户也没空等你研究商品有什么差异。

小红书、抖音的内容电商在一定程度上实在办理了选择问题，毕竟测评了才知道产品到底好不好。

那这个时候能通过培训办理吗？

要看业务形态，比如电商的商品回答基本上没戏；但活动规则和售后如果内容不多的话可以，如果每个商品的售后都不一样，那就完备没戏了。

紧张是看你的内容的繁芜度来决定的。

这块在实现方案的时候重点还不是怎么做RAG，由于无论你怎么去搞RAG，最大的一个问题实在是你前置的文档规则和商品信息可能是不全的。

我在做这块的时候花的最大的韶光是一点点去直接面对客服团队，把所有规则重新梳理了一遍，梳理完了创造和我们公司刚开始预存的文档根本就对不上，这种情形你怎么搞RAG，终极的结果也是没用的。

如果只是做资料库，那把资料整理好用RAG也可以办理，这实在是一个完备赞助人的助手；能够代替人的AI客服该怎么做呢？

最核心的点在于：意图识别+事情流匹配。

通过识别用户的意图来勾引用户进入对应的事情流，在一个事情流里勾引用户办理该问题。

这个事情麻烦在哪里？要把每一个事情流都梳理清楚，然后去用模型做意图识别的匹配，勾引用户进入事情流；意味着你要做好这个事情，要去拉着业务团队一点点把事情流拆清楚拆细。

轻微大略一点的做法是人做意图识别，AI直接把对应事情流的内容扔给客服，做一个比资料库更加有用的助手。

说完给客服赋能我们来聊一聊AI质检，这个又是怎么回事。

为了让做事团队能有一个高质量的做事，策略团队会对做事的全体过程进行检测，来不断提升做事的标准。

那么这里边有一个问题是，做事的量实在是特殊大的，策略团队不可能把所有的内容都看一遍，那只有抽检这一种办法，比如10份 100份 1000份抽检出1分来进行查看，然后追加用户评价来做参考。

AI的涌现能够很好的办理全量检测的问题，只须要把标准投喂输入给AI就能够完全的检测一个客服职员和用户的所有对话数，能够更加全面的去看客服的做事水平。

这个时候会创造一个问题，虽然减轻了策略职员抽检的量，但整体的问题量肯定是会成几何倍上升，很可能会涌现策略团队每天忙着处理质检问题忙不过来的场景。

以及质检一样平常都是多轮质检，但每一轮质检都是重新调用一次源文件，这个token的花费是巨额的，对付大公司量大来说自己支配开源模型或者7B小模型是个不错的选择。

小公司的话现在尽可能用deepseek这种有多轮对话缓存的内容，这样的话本钱实在是直线低落的。

比如说我一共有20轮对话，那本钱实在可以做到之前的十分之一旁边，会有非常显著的低落。

案例04：教诲批改作业

这个场景的案例比较故意思，它并不是一个成功运用AI提效的案例，相反我以为这是一个现阶段不须要AI去提效的案例，我来跟大家聊一聊这个场景。

这个场景的流程是这样的，它是一个英语传授教化的场景：

那这个流程我们一看就大概能够知道，这个里边能够花费韶光去做的事情是批改和点评这个事情。

乍一看实在有可能用AI提效的，毕竟AI批改和点评这个事情还是可以快速完成的。

但这个项目我去详细深挖批改流程的时候创造一个问题，学生提交作业是通过图片提交的，且每个题目的作答办法还是不一样的，并不是都按照选择或者写内容，有的地方是画个圈来选择精确答案。

那这里边如果我们用OCR这个问题是办理不了的，由于很多模块的内容会失落真，同时阅读场景学生写的英文内容不一定能够识别对，毕竟老师还能看出来，但机器实在搞不定。

那能用AI直接办理吗？理论上是可以的，但是涉及到用什么模型呢？

高质量的多模态识别并且能够准确阅卷那我们能用的可能只有Gemini 1.5pro这个模型了。

能做到100%的准确度吗？

肯定做不到，乃至说能做到70%的准确度都算很厉害的程度了。

也便是AI批改完老师还得再把这个环节去确认一下批改的有没有问题。

老师批改这份作业+点评要花多久呢？10分钟。

AI搞定完老师质检要花多久呢？实在差不多韶光。

那末了花费那么多人力本钱提效提个啥呢？提升不了啥。

这个场景下如果内容都是在系统上作答，那实在就好搞很多了，但可惜不是，都须要ocr的参与，这种情形下还是依赖人更靠谱一点。

但大概随着AI能力的进步，多模态识别和判断精度上来了，准确率能够做到99%了，那这个事情实在就可以用AI完玉成流程了。

或者说它全体把系统上了自动化，也可以用AI来提效，但这种做法吧，真不一定本钱比收益大。

以是说到底稽核的还是：模型能力和算力本钱。

项目一算账，算到末了还是老诚笃实人工搞吧。

案例05：AI抠图

以京东的大闸蟹为例来跟大家讲讲这个项目，现在我们的目标是：得到大闸蟹产品的抠图，后续方便各个渠道拼接图片合成资源。

大闸蟹的轮播图一共五张，在不考虑AI的情形下我们如果想获取抠图做好的流程办法是这样的：

人为选择符合标准的图——抠图软件抠图到后台。

这个方法吧太耗人工了，而且当你的商品图数量越来越多的时候，依赖人工也是个办理不了的事情，如果都是新图还可以通过招聘小团队或者外包的办法来办理，如果有几十万个旧图的商品要办理呢？

光搭建这个招聘和解决系统都是一个非常麻烦的事情。

那纯用AI能办理这个问题吗？ChatGPT也不会抠图。

那这个场景下的问题如何用AI产品+抠图工具产品办理呢？

AI产品选图+工具抠图。

我们可以给AI制订一个图片标准，比如说必须有完全的商品图才算合格、比如说不能有过多笔墨遮挡，依赖这些标准AI产品可以把全体轮播图都鉴定一圈，得当的再去抠图环节，然后完了再质检一下抠图质量。

如果终极有合格的，这个图片就可以入库了，如果没有那就标记这个产品须要新的办理方案。

那我们总结一下这个场景的事情流如下：

那我们拿螃蟹这个产品连续测试一下，结果如下：

基于这个事情流实在还可以不同sku选择不同的检测办法，这样可以更大提升精准程度，不过这个属于提高精度的事情了，大家能够通过这个案例理解事情流的主要性就可以了。

案例06：漫画翻译案例 comic-translate

最近刷到github上的漫画翻译案例：https://github.com/ogkalu2/comic-translate，觉得也是一个很棒的AI事情流利用场景，来跟大家分享一下如何利用AI翻译。

比如这页漫画如果我们想把它翻译成英文，那其实在之前最快捷的办法便是用人工肝了，一个人翻译漫画的内容、一个人来通过PS修正。

那AI来了赋能这块的翻译呢？单用ChatGPT肯定是没戏的，它给你讲讲这个漫画是什么还行，换内容肯定没戏。

这个方案里最难的实在是找到内容区域然后把笔墨精准更换，直接上ocr的话识别出来的是这个样子，根本用不了。

但实在如果ocr定位到一个块的时候识别效果还是很不错的。

那实在能够把各个模块定位出来，能够一块一块提取笔墨更换就可以了。

于是comic-translate先做了俩模型用来定位笔墨位置，再用ocr识别，再用大模型翻译，末了用工具更换文案。

它们先用了两个模型来标记气泡和文本：

接下来实在按照text_comic来识别文本内容就可以了，每一个快单独ocr然后做好标记。

之后把块里的笔墨抹掉，LLM翻译一下文本内容，更新上最新的内容即可，终极完成高质量翻译。

这六个案例讲完了，希望对大家理解AI赋能有更多的帮助，接下来我跟大家聊一聊我对企业提效的一些思考。

企业对AI提效还须要额外把稳一个事情，叫算账。

在企业里提效≠有用，为什么这么说呢？

我花200万的资源本钱去给一个20万的做事团队做提效，终极得到25万的产出，那我这个roi的意义的是什么呢？

看起来是很不错的数据，一算ROI全是负的亏损的内容

AI企业提效算账是头等大事，免得看起来做了个高大尚的事情，结果却是一地鸡毛。

AI正在重塑我们的事情办法，那些曾经看似不可能的任务，如今正借助AI的力量成为现实。

2. 企业AI氛围

我以为对付企业而言，AI赋能不但有对业务线来说的场景，还有一个更大的场景是企业内部利用AI的氛围。

为什么这么说？

缘故原由紧张是：不可能所有的事情流都有专门的AI产品团队去合营拆解，很多事情流如果让AI产品团队合营来做roi是往去世里幸亏，那这些场景就得由团队内部的人用AI来办理，以是这个时候就要看公司整体利用的AI氛围怎么样了。

全体公司有好的组织文化，有很高的组织效率，大家都用AI做的热火朝天，老板不以AI办理人为核心而是办理问题为核心，那这个公司人均产出的内容实在会远高于竞品公司的。

但这个地方最难的一个点实在是：企业文化代价不雅观，或者说老板对付AI的认知。

假如你的老板每天看视频号和抖音各种AI震荡的，他以为AI可以替代所有人了，那么这种情形下公司的企业文化和蔼氛反正会变成大家都想办法把自己的内容做成有壁垒的事情，效率什么扔一边去，反正首先保住事情是第一位的，用AI？自己干掉自己吗。
。
。

这种情形下最多小团队的leader能够掩护好自己的团队，让大家以为AI帮助很大，乐意为了自己之后的利益从而用好AI，去办理更多的问题。

不过这种情形也是可遇不可得的，我目前不雅观察公司里能够有这种AI利用氛围的实在也只有极少数的团队，且这些团队leader都是对AI有很深的认知和实践，才有这种团队氛围。

我目前的感想熏染便是在未来AI越来越强的时期，企业组织效率之间的差距将进一步被拉大，寰宇之别绝不外分，毕竟在AI的加持下一个人真的可以做到过去几倍的产出是没有问题的，但这个事情的实现又是极难的。

小团队来说如何塑造这种AI的氛围？

团队leader乐意负责的去实践研究，多用用AI，不是每天从哪扯皮干各种忽悠的事情。

负责的践行，大家都会看在眼里随着做的，假大空末了究竟是一无是处。

3. 小团队常用工具/产品mvp验证工具：dify、coze

那连续基于AI场景来聊一聊落地方案。

很多时候我们如果没有充足的履历不要拿研发区做试错，最好是用dify或者coze这种产品搞定了mvp再去用研发批量化，用研发试错本钱太高了而且到底能不能实现在AI时期真的得打个问号。

coze和dify都是低代码平台，可以让你根据事情流来封装对应的产品，也能够发布给别人去用。

那如何选择是coze还是dify呢？

如果你对模型哀求比较高，比如你要用国外的模型或者deepseek、零一万物最新的模型，那你直接用dify就好了，在dify上它支持几十个模型的API接入，想用哪个版本用哪个。

如果你以为什么样模型都能办理问题，你还须要知识库和各种插件来协同作业，那你用coze是个比较好的选择，coze在这个方便上做的比较简洁随意马虎上手。

比如说我的客服售后意图识别模块的demo完备是由coze来实现的，coze通过知识库做问题匹配然后通过llm归类到详细意图上，它会把检索逻辑封装的大略一点，dify则会繁芜一些，对rag理解不是那么深的没有那么好上手。

如果你希望能够通过bot来实现支配还没有研发的时候，coze会省事一点，coze支持公众年夜众号、抖音、飞书等各个真个直接支配，而dify在这些场景支配都须要api接入。

这两个平台都支持事情流办法来进行方案设计，都是蛮好用的。

四、提示词工程

从我开始用AI，我就以为提示词是一个很费劲的事情，以是我一贯蛮支持对小白用户要做智能体社区，让AI发热友来做好智能体，然后普通小白用户来用，这样是一个AI更随意马虎被大家利用的办法。

但在专业场景下，提示词工程是全体AI自动化的核心。

那么我们该如何写好提示词呢？在这里我们不提严密的信息和严谨的流程，这个是提示词必须要做到的事情。

当我们这些能力都具备了，很多时候我们会面临这样一个场景：我们不是这个场景的专家，我们没有办法掌握提示词完成高质量的产出。

把自己变成这个领域内专业的人实在是一个不现实的想法，那该怎么办呢？

找资料——投喂AI——测试出结果。

我以抖音文案为例来讲这个事情，现在我要去写一个抖音视频脚本的AI，让我们来看一下每一步要做什么：

最大略最大略的办法，找一个你以为很棒的抖音短视频，把它直接扔给模型，让模型拆出来它每一步是怎么做的。

然后跟模型提出你的诉求，让它帮忙仿写这个案例：

这个方法比较低级，紧张依赖模型的理解能力，产出的效果可能一样平常般，那再深入一步该怎么办呢？

去找懂抖音的人去问或者查询各种干系的资料，通过这些内容抽象总结一下写抖音脚本文案的逻辑：

把这些内容总结扔给AI，这样AI就有了更严谨的逻辑性内容依据，能够产出更加靠谱的内容。

我在3.1案例中营销案例便是用这个逻辑做的，产出的质量还可以。

我们在上边列举了模拟、搜集履历这两个办法，还有别的更好的让AI产出的办法吗？

当然有，那便是让AI系统的学习一遍，给AI投喂一门课程。

先用通义听悟把音频转成笔墨，再把笔墨统一投喂给AI让它来学习，在它学习之后让它总结对应的履历，来提升内容产出的效果。

不过带着AI一起学完一门课程，你就有了一个非常聪明且专业的AI助手了，它能够给你很多很多的惊喜。

五、结语

AI的内容聊完啦，如果你乐意听我唠嗑几句可以接着往下看：

这篇文章起于8月7日立秋，壬申月的开始，在22号终于封笔。
花了几天韶光敲定大纲，花了一周韶光写完主体内容，又花了一周韶光雕花各个细节，让每一个高下环节看起来润滑一些。

写完的时候如释重负的吐出了一口气，这一年践行了好多事情，体会到了创业失落败内心的苦闷，体会到了脚踏实地往前的快乐收货。

实在我在刚刚做AI的时候也经历了非常不落地的阶段，总是沉迷看各种新闻，体验各种最新的产品，却没有去负责用好AI本身，没有去挖掘那些深代价的事情。

"大众年夜众号停更了两个月很大一部分也在于我彷佛没有找到说能够让我很快乐很乐意去付出努力聚焦的深度，我彷佛也不知道写一些什么内容，我在即刻断断续续写了AI践行的各种总结，末了有了这篇总结之作~

在5个星期前，我们在super黄的小群里谈论《10x is easier than 2x》这本书，群友问到了一个问题：你们以为自己最核心的20%到底是什么。

我当时以为可能是思维办法，但后来想想这个事情不对，它是一个表层的事情，并非自己真正核心善于的事情。

我想了想一边用打消法再加上剖析自己优点看看能不能推演出来点什么。

首先肯定不是画原型图写prd的能力，这个技能我只能说大众水准，而且从求职市场还是自己干工作这个能力都卖不出去价格；也不太可能是对付AI提效的理解，我以为这个便是短暂的信息差技能，后续AI越来越强和大家更多实践，实在会是一个根本的产品经理技能。

反正零零散散了窜了一堆类似的点，我都逐一把这些pass了。

那天我听完李老师的AI分享，我在路上走，溘然脑筋里冒出来一句话：对用户需求和商业模型的洞察力。

想了想过去的案例，彷佛是这样子的，我乐呵呵跑到一线去当客服、跑到仓库里搬货，存心负责的去做好这些最根本很多时候大家不愿意做的事情，以是那两个业务我的需求抓的很准。

我想这个事情也是我在AI时期对付自己的定位，我自己感兴趣也乐意为之努力的事情~

在末了，我和Gemini一起写了一首诗，预祝大家出路似锦~

《秋风行》

秋风瑟瑟起，壬申叶飘零。

创业多艰险，征途漫漫行。

迷茫曾困顿，目前志更明。

专注勤耕耘，风雨亦无惊。

诸君携手进，共勉向光明。

长路虽迢遥，未来定可期。

作者：云舒，一个爱折腾的产品经理

本文由 @云舒 原创发布于大家都是产品经理。
未经作者容许，禁止转载

题图来自Unsplash，基于CC0协议

该文不雅观点仅代表作者本人，大家都是产品经理平台仅供应信息存储空间做事