AI作为"智商情商双高的实习生"，可通过高容错、高频次方式融入日常工作。文章从数字化与AI关系入手，详述生成式AI应用方法，提出"1个秘密、2个心法、3个行动、4个资源、5个阶段"框架，指导读者从简单聊天框应用起步，逐步构建知识库和智能体，最终实现AI赋能日常工作，提升效率与创新。
开门见山，拖堂20分钟，想聊的其实非常细：AI如何赋能日常工作？
这个时间点，可能有的朋友呢已经下班了，有的朋友还在好奇到底聊什么——我相信您现在的心情，像极了站在AI洪流中的我们：怕AI不来，又怕AI乱来；怕AI不行，又怕AI太行；一方面是觉得好像不咋地、跟我没啥关系，另一方面呢，又觉得跟不上趟、生怕错过了什么。
那会不会错过什么，咱先来个一键三连：
第一问：您先想想多少人听过AI呀？应该是所有人都听过哈，社交媒体功不可没。
第二问：那有多少人主动尝试用过AI工具啊？我相信也有很多人去尝试过，比如写个顺口溜、画个图。
第三问：进一步，有哪些机会可以真正把AI运用到日常工作中呢？是不是作诗、画图、水策划，或者是接上一个很大的电子屏幕，就是AI应用到日常了？这个其实挺值得思考的。
那么大家一边思考着我呢？也带着大家看一些数据：
【～50%】超过一半儿的这个业务，因为融入了生成式的AI，取得了超过10%的营收增长。【～70%】工作相关70%的技能，因为有了新兴AI作为催化剂，将会被很大改变。【～90%】将近九成的C级别领导表态在接下来的一年里加速AI落地对企业非常重要。
这数据不是我乱说的，是今年1月份领英推出的《AI已经来到了我们的工作身边》；但很遗憾，这份报告里面并没有包含中国大陆市场。
我专门找了另一份中国大陆市场的报告，您可以猜一下，在中国大陆市场，以Michelle Page受访者为样本，有多少的员工在日常工作中已经运用到了AI？
你可以心中有一个答案——报告时间是2024年中，DeepSeeK还没有火起来，数据还没那么激进——全世界范围是30%的员工，亚太地区是40%的员工，而中国大陆2024年的时候，已经有70%的员工把AI运用到了日常的工作中。可以想想，您是不是在这其中？
这也是为什么我们今天要谈论AI。因为AI的工具使用已经几乎毫无门槛了。而它的使用成本也近乎免费。如果说之前您还需要爬高墙、付大费，而现在很多我们国产的AI也已经走到了世界的前列，而相应的规范，从国家的顶层战略、到我们相信各个园区、公司也在日趋完备。我们期待更易得、更实惠、更负责任的AI。
那么，当我们谈论AI的时候，到底在谈论什么？我们不是说了好多年，要搞数字化吗？那当我们谈论数字化的时候，又在谈论什么？
数字化其实是个舶来词儿，如果按照“点、线、面”这样去拆解的话，您会发现，无论您的厂区处于什么阶段，都在数字化的进程当中：
第1阶段，数据化。不必然需要一个非常庞杂的数据系统、更不必然有一个非常大非常炫酷的电子大屏，我们可以说，只需要你把纸质表单往电子数据的方向去转，这其实已经就是第一步了，即用电子数据去代代替手工记录。
第2阶段，数字化。当你有了种种的这个电子数据，有了一些数据积累，有了类似考勤机这些电子记录设备，连上内网外网，封装成手机app、电脑软件，你就开始进入了工作流模块也是我们说的，从数据化到往数字化的方向去。
第3阶段，数字化转型。当条条工作流交织，被一些新兴技术催化，融成一块，甚至整个的组织都因之发生转型，这是我们说的“数字化转型”。
当然，各类模型分类不尽相同，我们不必纠结定义；但可以举些例子，我们其实有不少合作伙伴已经走在了前头。
比如说，有的伙伴使用现场拍摄来做安全巡检，把纸质表单往电子数据去转。又比如说，有的伙伴使用法规检索和合规评价功能，可能采购第三方服务或者自研平台，这个不重要，重要的是你把电子技术运用到了你日常的工作流程中。还比如说，有的伙伴安装了许多监控设备，把高耗能设备的能源消耗量使用电子方式抓取，那这也是很好的运用实践。当然还有大伙儿比较熟悉的“大屏”，背后是庞杂精细的系统，然后呈现能源三级测量、在线管理，这是我们说的综合性数字系统。
到这儿你可能会问了，这跟AI都有啥关系？AI到底在哪儿呢？我们想说的是，其实AI可以在这些流程中无处不在：
可能它是个聊天框，可能它是个应用站，或者它是一个应用平台app，也可能是智能体，或是内嵌在平台里的算法——总之它可以在你每一步的数字化进程中有所助力。
可以简单小结一下，无论您工厂现在处于什么程度的数字化阶段，其实数字战略，已经几乎是所有组织的共识了。而AI是什么？AI是在整个数字战略进行中，可以大幅加速它的一个新兴引擎。至于咱们今天想要再聚焦一步去谈论的生成式AI，则是AI之旅的最佳起点。
那什么又是生成式AI呢？其实生成式AI就是用AI去生成一些什么东西。比如说生成文字、生成代码、生成图片、音乐甚至视频、游戏，对吧？
那怎么样去上手呢？我想分享一下自己的故事，快快的给您一些启发：
首先最好是有一点“新极客精神”，可以简单理解为好奇。AI现在不需要你去报一门课、不需要你去单位坐一屋子人、大家开始一条一条的去念：什么是DeepSeeK的定义，什么是ChatGPT…不需要这些了，需要的是你自己去探索、自己去随意搜一搜找一找，一手拿着字典、一手摸着如何查字典，更重要的是开始用。
其次，除了好奇“新极客精神”之外呢，也需要点坚韧。你要真尝试过，会不停地受挫，不会、无聊、犯错、被误解，但要越挫越勇——我在过去两年半里，从OpenAI的Playground开始…当我还是个新人的时候，就开始尝试去分享AI议题，只不过那个时候主要回答的问题是“AI是不是骗人的”、“AI是个啥软件”这样的基础问题。然后率先尝试AI去工会策划一些活动、产出宣传方案；也会偶尔皮一下，放个自己的照片。修图、出视频、做数字人，这是大家喜闻乐见的，也是AI很好的入口。再后来，在我们团队的沟通工作中去嵌入AI辅助，再往后用AI做调研做展示，也就是俗称的做PPT。
当然啊，还有所谓的这个提示词工程——在这儿想跟大家说的是什么呢？非专业从业人士，您根本不需要自己会编程，我自己就没有任何IT背景；但需要尽可能在坚韧的同时去保持开放。
这是第三点，开放。把你自己业务场景中的一些真实需求，去努力地想它如何可以用现成的工具去实现。并且实现之后把这些的好的经验、小的激动分享出去，符合数字化时代里面的这个开源精神了，对吧？不用藏着掖着，不用怕别人学得会——如果他能学得会，那他就是你的同路人；如果他学不会，其实你分享了也不用担心。
1个秘密
如果说走这条路下来，有什么秘密可以分享的话，我就想说这一句话：AI是个智商情商双高的实习生。
什么叫智商情商双高？曹雪芹在《红楼梦》里说，“世事洞明皆学问、人情练达即文章”——AI现在呢，就是“做学问”和“写文章”都非常非常厉害。
什么叫实习生？有很多个内涵，无论您接触的是谁家的AI，尝试的是哪个软件，方法和你领导一个实习生一样，怎么说呢？
Communicate：直接聊，不用去学什么长串的代码、复杂的提示词，就真诚一点儿，打开一个聊天框，想到啥说啥，就当对面是个人，聊着聊着就有门道了。
Cooperate：入了门道之后呢，是一个一个小协作，你可以输入的精细一点，多给一些背景知识，但是把期待放低一点，毕竟是个实习生嘛，对吧？很多人停在了这一步，所谓“AI一礼拜，从入门到放弃”。
Co-work：但是，一个实习生磨合多轮之后呢？你就可以逐步让他接手部分任务。但这儿“说来实在嘲讽、你不太懂、偏渴望他懂”，也不知道什么社交媒体让你相信，一键可以生成连你都想不到的工作成果，竟然还能直接拿来用——那说实话，真的演化到那个程度，我们的工作会被原地取代。
好消息是：现在，AI只是非常善于头脑风暴，而且很有潜力达成降本增效。无论是专业定制、自主研发，还是开箱即用、百模大战，现在都这个范畴。头脑风暴是天然属性，降本增效就要看谁用了。
2个心法
如果你会用了，聊天框已经用得很溜了，往复去聊，偶尔给任务了，甚至粘贴了不少专业提示词开始拿成果了，而且AI也好像越来越懂你了——你一定会发现：不好用！
我输入了很多东西约束条件，但还是不顶事儿仿佛有个天花板；我折腾半天，最后还不如我自己来得快；更讨厌的是，AI还会一本正经地胡说八道——你看，像不像带实习生：看上去聪明，但仿佛“眼高手低”；吩咐他做，不如自己亲自动手；最讨厌的是，他还会撒谎扯淡…
怎么办？放弃吗？连AI也领导不了，这辈子真不打算带人了吗？他会出错，这是天然的机器幻觉，甚至是头脑风暴的副产品，所以你要“高容错”；练他确实花时间，所以你要选择那些频繁稳定的场景，所谓“高频次”。
头脑风暴的核心，是少量多次高容错，用迭代法而非一次成功的提示词解决问题，更重要的是形成可靠的知识库，这是后话；
而降本增效只是一种潜力：使用AI不天然保证一定能提高效率，也可能浪费时间，要寻找高频次场景稳定输出，最好能做成智能体，这也是后话。
那为什么说可持续发展领域是AI落地的先锋区呢？
首先是高频次，我们365天合规的维护是一个非常高频次的场景，您可以随时随地打开任何一个AI软件去发问，答案未必可靠，但思路超级清楚。
比如你去问企业社会责任风险、去辅助现场检查、去做根本原因分析，只要有疑惑，都可以先拿去问问AI。答案可能出错，但验证工作本就该你做，尤其是他的思考过程，启发非常大。
除此之外呢？我们还在强调对结果高容忍性。我们可持续，除了合规之外，还有发展，而可持续发展的议题非常多样，而且答案也非黑白分明。
比如说什么叫生物多样性，没有概念的时候去搜一下，以前是搜百度搜谷歌，那现在你可以去ChatGPT一下、可以去DeepSeeK一下，随时随地可以请AI来参谋。这个方案未必可用，但到这个年代就不要再说什么“我从来没有学过”，你只需要打开AI，就可以从中寻求一些优秀实践，并且找到自己可能接受的方案。
举些例子：用AI最重要的是什么？是“用”啊。我以PDCA的逻辑来盘一圈。
Plan：比如说在辅助研究的方面，我不以推荐产品为角度，但是可以很简单，只要你有问题意识，丢一个问题进去，它就可以帮你进行深度研究了，它夸夸夸给你出很多东西，它甚至还体谅到了你文字太长不想看，帮你转成可以互动的网页，哪里不会点哪里，可以吧？
Do：像这样的谋划研究辅助之后呢？它其实还有一些可以辅助你执行的部分。比如说一个新的法规来了，可以给AI帮你总结一下，梳理成条理分明的思维导图。大家不是讨厌做PPT吗？来再找一个PPT的AI小伙伴帮你去生成PPT。它当然不是可以直接用的，但是你已经有了一个非常扎实的底稿，可以去进一步去修改，进一步给你们不同部门的同事去做培训了。
Check：如果这些功能你串联着使用的已经比较熟悉了，那接下来呢？你可以试试，能不能让AI给你当审核员？
就说你做内审的时候，派一公司的员工手册，看看有没有什么社会责任方面的违规风险。你别说，它真能给你找出一些来，合不合适另说，但他给你10条其中2条3条对你很可能有实际用处。
除了这种文字类的东西，现在AI也有眼睛了，就是你的手机照相机，比如你你让AI模拟资深审核员，你不懂机器、不懂风险，没关系，拍张照片让它看看有哪些安全风险。它肯定不可能像您最资深的EHS专业经理一样，但是他比一个普通的或者没有工作经验的安全员，要凶猛了。你要说中英文，我不会读英文怎么办？很简单，你可以要求他说中文，甚至以一线员工能听懂的口吻去转述，就变成你安全晨会的内容了。
Act：这些东西如果你还能穿起来，可以把它做得更深一点：尝试着在AI世界创建一家虚拟的工厂。比如有一个审核发现项，直接把这发现项不含任何隐私信息地丢给虚拟工厂，让它来尝试做一做根本原因分析。它先给了两个个直接原因，同时给了很多深层原因，列了8、9个方面，甚至你可以再跟他要10个方面出来；然后他给我汇总成了表格，包括是否为行业特性、影响程度高低等等。
PDCA闭环：其实直到这儿呢，我就拥有了一个实习生，他可以给到我很好的助力，越给更多的数据，越跟他去做更多的交互，所获得的这个智囊团就越强大。
3个行动
简单举这些例子之后，有些听众会觉得“哇哦还不错”，有些听众会觉得“聊这么多，就这”？
这只是一个入门，远远不止于此。我们现在已经知道了AI，它是一个智商情商双高的实习生，希望大家尽量选择业务中的高频次场景去对它进行锻炼使用，同时对结果要有高容错机制。当你对于这一套理念熟悉了之后，其实真正对于AI的运用才刚刚开始。
以上所有都是第一步，“聊天框”阶段。更进一步，是“知识库”；第三步，是“智能体”。更往深了去，可能就需要一些专业AI从业者、一些专门投给AI的资源了。
构建问答机器人、构建自己真正的知识库、基于工作流去制造智能体集群——人说2025年是AI智能体元年，很多走在前列的企业已经在第三步钻研，我所领导项目也在这三步里一一探索，这块儿不会展开太多。
4个资源
但是呢有一些内容还是可以展开的，我们画一张资源分布图：左右分为组织内部外部，上下分为通用专用。
首先，如果您的组织现在很好，已经有一些内部的通用型工具了，一定拿到它，并且充分练习。去感受一下生成式AI到底是个什么东西。你先别管这个AI工具，它是傻还是聪明、它能不能跟大屏、绩效连起来，先别管这些，先用起来。比如自研的Teams内置的GPT，如果说您接入了飞书、钉钉、企业微信，他们里面已经有AI小工具开发平台了，我也听说过我们有的合作伙伴会鼓励各个业务部门构建自己的AI，就相当于是小小的智能体，这是一个非常非常好的开始。
然后，你可以去尝试第二空间。比如说你可以用DeepSeeK去协助总结，翻译中英文，注意数据需要是脱敏的，即可以发布在所有网络上让其他人知道的。那国外的话，我们有ChatGPT、Claude、Gemini，都是由大厂在背后站桩的，国内的话豆包、智谱等系列也是国产新锐——现在中美两国，在AI应用方面，已经走到了非常前列的并驾齐驱之地。
往组织外部看一些工具时，你不要指望一个聊天框可以给你解决所有的问题，专业的AI干专业的事：生图片、生音乐、生视频，做演示、做笔记、做研究，各有专属AI，也有不少AI导航提供几百个工具的入口。
最后，我们希望如果大家还有能力的话，可以去尝试在内部开发一些专用的工具，对，跨部门去发起一些AI探索型的小项目，在业务部和技术部之间架起桥梁，用业务验证技术场景，用技术回应业务需求。
这一点很难做到，因为一个组织里面很少有既对业务流程熟悉、又对技术边界了解的人才，这是非常难得的。如果涌现，值得珍惜。
5个阶段
最后是一幅全景图：想象一下，AI在企业真正落地是什么样？有五个阶段，我不会挨个展开。
我们大都处于阶段一：AI之旅刚刚开始，内部限制严格、决策层厌恶风险、大众缺乏意识，这个时候你可以去做一些非常有限的小范围AI实验。
当然，如果我们可以共同努力的话，将往阶段二去努力迈进，“百花齐放”，不同的部门AI实验项目同步开启，希望找到一些小的用例，说不定里面有值得推广的机会。
无论哪个阶段，特别怕两件事：
一个是“事不关己”，觉得我们又不是信息科技公司，AI跟我们有啥关系；另一个是“好大喜功”，一定要顶层设计一个大新闻，这往往会让一线产生更大的压力、叛逆，甚至是浮夸或伪造。
理想状态是：顶层设计个框架就放手，从一线的日常工作、文化氛围这些角度去细细切入，让底层涌现回应顶层设计。即从真需求出发，用技术解决问题。
因此其实我们就站在这儿，以可持续发展团队的角度，鼓励业务团队、合作伙伴，我们共同去营造一个AI赋能日常工作文化的氛围，并且进一步去推动可持续发展，甚至是整个业务的数智化转型。
如何系统的学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇
01.大模型风口已至：月薪30K+的AI岗正在批量诞生
2025年大模型应用呈现爆发式增长，根据工信部最新数据：
国内大模型相关岗位缺口达47万
初级工程师平均薪资28K（数据来源：BOSS直聘报告）
70%企业存在"能用模型不会调优"的痛点
真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！
02.大模型 AI 学习和面试资料
1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工
📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
