下午跟Perplexity Teammates聊,它有一点说得很对。过去三年,AI工具换了很多轮,但有一件事我一直讲到现在,始终没换:
把自己的知识和经验装进AI,让它超出通用水平,并且这些积累归我所有。
我发布的几百篇视频和文章中,知识库、Skills和工作流是重点。因为,知识库可以给AI补领域知识,Skills和工作流可以给AI补领域经验。这些都是让AI超出通用水平的关键。
为什么要让AI超出通用水平?
这来自我的一个基本判断:AI一定会普及,而且会成为全社会的平均水平。当每个人都在用同样的模型、同样的Agent,“会用AI”就不再是优势,就像今天“会用搜索引擎”不是优势一样。
模型懂的是公开的、通用的东西。它不知道你所在行业里没写进公开资料的知识,不知道你做一件事的具体方法,也不知道在你的领域里,什么样的结果算对、什么样的结果拿不出手。
所以,同一个模型交给一位资深从业者和一个新手,如果都只是直接提问,得到的大致是同一个60分。
Personal Agent会让这个问题更明显。平台会把通用记忆做好:你是谁,你的日程,你的偏好。这些很快也会变成每个人都有的标准配置。而平台做不了的,是你的专业部分。
所以,真正的差距,来自谁能让AI在自己的领域里超过60分。而最有条件做到的,是那些在各自领域已经有积累的人——也就是我们newtype社群的小伙伴们。
如何让AI超出通用水平?
其实大家陆陆续续都在做了:打造“AI专业层”。
所谓AI专业层,是把你在一个领域积累的知识、经验和判断,组织成AI在具体任务中能够使用的资料、方法和标准。
AI工作台是承载AI专业层的一种方式,Agent则可以调用它来执行任务。工作台和Agent会换代,但专业层是你持续经营的那部分。
所以,AI专业层有三个特点。
第一,它归你所有。资料、方法和标准由你整理、由你保存,不锁在某一个平台里。换工具时需要重新适配和测试,但积累本身不会归零。
第二,它需要维护。真实任务的结果和你对结果的修改,会暴露哪些资料缺了、哪些方法不适用、哪些标准写得不清楚。它不会自己变聪明,要靠检验和维护才能变好。
第三,它对应真实工作。它不是一个笔记库,也不是一堆提示词,而是为了让AI完成具体任务而存在。
AI专业层长什么样?
AI专业层由知识、经验、判断三部分组成。它们是专业积累的三个方面。
知识:AI知道什么
知识是你所在领域里,模型所不知道或者知道得不准确的部分。
它可能是行业规范、内部资料、项目档案、客户背景,也可能是你多年积累的笔记、读过的研报、整理过的案例。
它的载体是知识库、Wiki和整理好的资料。
注意,这里的关键不是存得多,而是整理得好:格式清楚,来源可查,过时的内容及时标注。一堆没有整理的PDF,对AI来说和没有差不多。
经验:AI怎么做
经验是你做一件事的方法:先做什么,后做什么,哪些地方要特别注意,哪些常见做法其实是坑。这些东西往往在你脑子里,连你自己都觉得“理所当然”,但模型并不知道。
它的载体是Skills和工作流。把一项工作的步骤、要点和例子写清楚,封装成AI可以调用的经验包,它就能按你的方式去做,而不是按网上的平均做法去做。
判断:AI怎样定目标、做取舍、查结果
判断是你在一项工作里的标准和取舍:这个任务真正要解决什么,几种做法里该选哪一种,什么结果算对、算好,什么情况必须返工,什么时候应该停下来交给人。它贯穿始终,从开头定目标、选方法,到最后的检查,都在用。
注意,这里的判断不是让AI替你拍板,而是让AI按你的标准去取舍和检查,并且知道自己的边界在哪里。
判断的载体是任务说明、检查清单、验收规则和对错案例。专业人士和新手最大的区别,往往不在于知道多少,而在于知道什么重要、一眼能看出哪里不对。把这些写下来,AI的输出才更有机会从“看起来不错”变成“可以交付”。
还有一点需要注意,写下来的判断只能覆盖你已经想清楚的情况。遇到新情况,专家临场的判断无法被完整复制,这时应该由人接手。
三者的关系
打个比方:知识是原料,经验是做法,判断是标准。
只有知识,AI能答得更准,但不一定会做事;有了经验,AI能按你的方式做事,但不一定做对、不一定做该做的事;加上判断,它才知道往哪里使劲、做到什么程度算完成。很多人觉得AI“有时很惊艳,有时很离谱”,一个常见原因,就是判断没有被交代清楚。
大方向出来了
你看,这个就是我跟Perplexity Teammates讨论的结果:
我本人,以及咱们newtype社群小伙伴们所关注的,不是AI工具怎么用之类的入门话题,而是更进阶的、如何把自己过往的积累灌输给AI、让它发挥出60分以上水平的方法。
AI专业层就是我们始终在琢磨的东西。它包含了知识、经验、判断三个支柱,正好也是这几年AI产业发展的关键成果。
有了这个大方向,我就知道后边怎么进一步梳理我的内容和产品里。所以,Perplexity Max这200美元花得值!