关注我~第一时间学习如何更好地使用AI。
重要的不是我们是否会被AI替代，
而是我们要比被替代的人更懂AI。
大家好，节前真的是太忙了。
今天这篇文章比较特殊，我考虑这个主题很久了，现在跟大家啰嗦几句，聊聊我的一些想法，以及未来对这个公众号内容的一些规划。
对AI知识的取舍
相信大家都能切身感觉到，现在AI相关技术的发展速度真的是太快太快了，单单是刷刷各种科技新闻，都很容易产生一种肉体、心理都跟不上的双重疲惫感......
怎么应对呢？只能做取舍，抓重点。
但什么是重点呢？从本公众号的目标，学习如何更好地使用AI ，出发，我认为有些方面的知识，是性价比非常高的。按学习难度从低到高排列，这些知识包括：
- • 关于大语言模型的知识
- • 关于AI工具的知识
- • 关于提示词编写的知识
- • 关于拓展模型能力的知识
1.关于大语言模型的知识
关于大语言模型的知识又可以分为两个层次。
首先，目前市面上有哪些大语言模型？这些模型的特点是什么？最适合用来处理哪类问题？我可以在哪里使用它们？有没有成本更低，甚至免费的平替？
模型知识其实是我们最容易忽视的一类知识。相信大家在前几期MCP专题中已经感受到，不同模型，调用MCP工具的水平是不同的。比如目前感受下来Claude-3.7-sonnet就是好用，但贵是真的贵。那么预算有限的情况下我可能会考虑使用DeepSeek-v3-0324，甚至Qwen2.5-7B-Instruct，来作为MCP的驱动模型。
如果对模型不熟悉，我们就很容易在处理问题时使用错误的模型而无法达到预期的效果，或者说达到效果但付出的成本显著更高。
当然，不排除有的朋友甚至都不知道怎么才能用上Claude-3.7。
模型知识的第二个层次，就是关于模型训练、参数、架构等相关的更偏技术性的知识。
不了解这些知识，在初级阶段一般不会对模型使用带来太大的障碍。但是随着我们使用AI的熟练度增加、场景扩展，掌握这类知识，能够帮助我们更专业地对不同模型进行比较、评价，从而优化我们的应用。
2.关于AI工具的知识
AI工具，指的那些模型驱动的，或者与使用模型相关的工具，典型的例子就是我的最爱，Cherry Studio。
关于AI工具的知识同样分为两个层次。
首先，目前市面上有哪些好用的AI工具？这些工具的特点是什么？最适合用来处理哪类问题？我可以在哪里使用它们？有没有成本更低，甚至免费的平替？
比如，我需要一个像Manus那样的Agent工具，那我可能考虑试试flowtih，或者智谱清言的AutoGLM沉思，扣子空间等等。甚至，在AI编程工具的辅助下，我可以去尝试使用Github上开源的各类Agent项目。
又比如，同样是AI编程，我可以考虑先用tare理解项目、写出基本的readme，然后再用cursor去完成编码。更别说bolt、v0、Lovable、Devin、Replit等等五花八门的前端AI工具。
核心思想就是，找到AI时代的office全家桶。
而第二个层次，就是关于如何使用这些工具的各项功能的知识。
比如，通过Cherry Studio，我可以很轻松地一站式使用不同模型、构建智能体、调用MCP工具、实现RAG，而这一切的基础，就是我知道怎么使用它，我了解使用Cherry Studio这个工具所需要的知识。
毕竟，同样是用Excel，在对复杂函数、透视表、绘图等功能的掌握程度不同的使用者手中，就完全是不同的软件。
3.关于提示词编写的知识
提示词编写知识的重要性真的是老生常谈了，前期我也针对这个主题写过一些文章。
打工人看了流泪的Prompt设计原理，如何用老板思维让AI一次听懂需求？
不会Prompt还敢说自己会用DeepSeek？别怕！10分钟让你成为提示大神！
虽然大语言模型在迅猛发展，但就现阶段而言，学习提示词编写的知识仍然是一笔性价比极高的投资。
以”结构化提示词”为例，通过使用yaml、markdown、xml等方式对提示词进行结构化，浅层的效果是让提示词更为清晰、简洁，从而让模型更容易聚焦关键指令，减少不必要的发散，实现输出效果的提升。
但我认为更深层次的好处在于，结构化的表达，这个过程本身能帮助我们人类学习如何更好地思考。 因为它将迫使我们积极、主动地去思考表达的结构，有意识地组织自己的思维，更进一步地简练自己的表达。
我们有太多太多的时候，脑子里都是一团乱麻，我们自以为自己很清楚自己想要什么，但真要落到纸面上，却可能连自己最基础的想法都难以表述清楚。
所以，编写优秀提示词的过程，实质上是一种思维上的刻意练习，它能带来的好处，绝不仅限于提升AI使用效果。
那么，我们该如何学习提示词编写呢？最直接的方法就是去学习优秀的案例。比如，Github上有一个很棒的项目“ awesome-ai-system-prompts”（ https://github.com/dontriskit/awesome-ai-system-prompts），这个项目搜集了大量主流的AI工具的系统提示词（system prompt），包括Manus、ChatGPT、Cline等等，通过学习理解这些系统提示词，我们不仅能接触到当前业界最先进的提示设计思路与实践，甚至可以极大地拓展我们在Agent构建方面的视野。
4.关于拓展模型能力的知识
拓展模型能力的知识，是对前三种知识的一项重要补充。
这里可以直接引用我在《AI工作流编排手把手指南之一：Coze智能体的创建与基本设置》中对于直接使用大模型与利用Coze智能体完成任务的对比来理解：
“当你直接向LLM提问以获取输出时，LLM只能利用其本身具有的“知识”（即用来训练这个模型的数据集）来理解你的问题，然后给出答案。
因此，如果一个问题超过了LLM本身拥有的知识范围，它要么会拒绝回答，要么会胡说八道。
而相对的，当你向智能体输入一些指令后，它会根据内部预先设置好的业务流程，让作为大脑的LLM，以一种类似调度员的感觉来“决定”如何处理你输入的信息：是直接根据LLM本身的知识来回答，还是调用一切有必要使用的工具，亦或执行特定的工作流。
这样，即使你的问题实际已经超出了作为智能体内核的LLM本身的知识范围，智能体仍然可以通过例如调用网络搜索工具插件，或者检索与问题相关的知识库等方式，为自己获得必要的信息，从而提升回答问题的正确率。
因此，相较于单纯的LLM，智能体能够更加稳定地处理复杂的业务逻辑，应对特定应用场景的任务需求。”
所以，为了让大模型能够更好地满足我们的各项个性化的具体需求，我们必然需要掌握一些能够拓展大模型能力的知识。
比如;
- • 学习RAG技术从而将个人的知识库纳入大模型的“大脑”；
- • 学习工作流编排、MCP调用，为大模型提供更为丰富的工具、武器；
- • 学习最fashion的Agent框架，尝试搭建属于自己的智能助手。
关于公众号内容的安排
因此，后面我将以前面所描述的知识框架为基础来安排本公众号的选题和内容，努力实现知识组织的体系化、系统化，以及框架本身的持续优化。
当然，老读者应该也发现，其实我近期的文章，内容上都没有太超出上述知识范围，只是没有明示出相关内容在知识体系中的位置，后续我会尝试通过标签、合集方式来进行分类管理，以方便大家随时查阅。
同时，鉴于大语言模型发展非常迅速，新模型推出数量越来越多，速度越来越快，为了尽量弥补我在大语言模型知识方面的不足，我计划开辟一个“新模型速递”（名称待定）的文章系列，专门介绍大语言模型的发展动向，并配合相关技术知识的科普。
这个系列的首篇文章已经在编写中了，感谢通义千问和DeepSeek团队的大佬们节前放大招。
最后多说一句，我们的学习，始终应该围绕解决问题、满足需求来展开，这个原则应该作为我们分配学习时间的黄金标准。为了让公众号的内容更好地满足各位的需求，欢迎大家在我的每期文章后面留言，说说你具体的问题，这样我在研究不同技术、知识的时候，说不定能帮忙找到一些对症的方案，然后整理输出给大家。
好了，以上就是本期的主要内容，祝大家玩得开心~！
—— END——
往期精华：
1.模型能力拓展
（1）工作流编排
PPT自由！Coze工作流 X iSlide插件-小白也能看懂的节点参数配置原理详解
AI工作流编排手把手指南之二：Coze智能体的插件添加与调用
AI工作流编排手把手指南之一：Coze智能体的创建与基本设置
（2）MCP应用
【效率翻倍】Obsidian自动待办清单实现：MCP联动Prompt保姆级教程（萌新3分钟上手）
萌新靠MCP实现RPA、爬虫自由？playwright-mcp实操案例分享！