AI人工智能：别再把 AI 当搜索引擎用了

一、先纠正一个误区：问答是消耗，工作流才是资产

问 AI “什么是向量数据库”，你得到一段解释，看完就过去了。下次遇到，你还得再问一遍。

但如果你让 AI 帮你做一个能把任意文档转成结构化要点的小工具，这个东西会一直存在，你每次都能用。

两者的差别是：

• 问答：一次输入，一次输出，价值归零；
• 工作流：一次搭建，反复调用，价值累积。

大多数人停留在前者，是因为前者门槛低。但真正拉开差距的，是后者。

判断标准很简单：这件事你这周会做几次？超过三次，就该考虑让它变成流程，而不是每次重新问。

二、AI 最该干的四类活

不是所有事都适合交给 AI。它最擅长的是这四类：

1. 结构化：把杂乱文本变成表格、清单、JSON；
2. 改写：同一内容换语气、换平台、换长度；
3. 分类：批量打标签、分优先级、筛异常；
4. 生成草稿：给起点，不给终点。

它不擅长的是：替你判断、替你承担后果、替你提供真实数据。凡是需要“负责”的环节，人必须在环里。

三、一个最小可用的工作流

假设你每天要处理一堆用户反馈，想快速分出“bug / 建议 / 投诉”三类。

手动做，一小时。让 AI 嵌入流程，几秒钟。

下面是一段最小示例，用通用 API 演示“批量分类”的思路：

from openai import OpenAI
import json

client = OpenAI()

def classify(feedbacks):
    prompt = f"""把下面的用户反馈分类，只能选：bug、建议、投诉。
只输出 JSON 数组，每项含 index、category、reason。
反馈列表：
{json.dumps(feedbacks, ensure_ascii=False)}"""
    resp = client.responses.create(model="gpt-4.1-mini", input=prompt)
    return json.loads(resp.output_text)

items = ["登录一直转圈", "希望支持深色模式", "客服三天没回复"]
print(classify(items))

这段代码本身不重要，重要的是它的形态：输入一批、输出结构化、可重复调用。

你可以把它包成一个脚本，每天早上跑一次，结果直接进表格。这就是“工作流”和“问答”的区别。

运行前需安装依赖、配置 API Key，模型名按账号可用模型替换。分类结果建议抽检，别全信。

四、把 AI 放对位置：人机分工

一个健康的 AI 工作流，通常长这样：

1. 人定目标：要解决什么问题、标准是什么；
2. AI 做执行：批量处理、生成草稿、结构化；
3. 人做判断：筛选、修正、拍板；
4. AI 做沉淀：把结果整理成可复用的模板或脚本。

关键在第三步。AI 出草稿，人出判断。 一旦跳过人的判断，流程越快，错得越远。

五、学习路径：别从“原理”开始

很多人学 AI，第一件事是去看 Transformer 论文、反向传播推导。看完确实懂了点，但啥也做不出来。

更现实的顺序是：

1. 先跑通一次 API 调用：能发请求、拿到结果；
2. 再做一个具体小工具：比如批量摘要、自动分类；
3. 然后接进真实流程：定时跑、存结果、能复用；
4. 最后才补原理：遇到效果不好、成本太高、延迟太大，再去查为什么。

先让它跑起来，再让它跑得好。 这个顺序在 AI 上同样成立。

六、避坑清单

• 不要把 AI 输出直接当事实，它会给看起来很像真的错误答案；
• 不要让 AI 编数据，真实数字和案例必须你自己提供；
• 不要一上来搭大系统，先自动化一个重复动作；
• 注意成本和延迟，批量任务先小样本试跑；
• 留好人工审核环节，尤其涉及发布、对外、金额；
• 把 prompt 当代码管，版本化、可回滚，别随手改完就忘。

七、结语

AI 不会淘汰人，但会用 AI 嵌入工作流的人，会拉开和只会问答的人的距离。

问答让你“知道”，工作流让你“做到”。前者是消费，后者是积累。

今天就做一件事：找出你这周重复做了三次以上的一个动作，用 AI 把它变成一个能反复调用的小脚本。跑通一个，再谈规模化。

AI 的价值不在对话框里，在你的流程里。