国鑫实验室 – 博客

5 套我验证过、可直接抄作业的 AI 工作流

Thu, 18 Jun 2026 00:00:00 +0000

先说结论

过去 6 个月我把每天重复的 5 件事全部重构成了 AI 工作流。

不是"用一下 ChatGPT"那种随意用，而是固定步骤、固定模板、固定输出格式，跑一次 5~20 分钟，结果能直接用。

这篇文章我把这 5 套全部列出来，你可以直接抄。

工作流 1：20 分钟写一份有人看的日报

适用场景

每天早上花 20 分钟写一份 AI 日报，对外发布。

步骤（共 5 步）

步骤	内容	用时	工具
1	收集今日重点	5 分钟	Feedly + 厂商博客 RSS
2	筛选 5~8 条值得写的	3 分钟	快速扫标题 + 导语
3	给每条做结构化标注	7 分钟	下方模板
4	润色语言 + 检查事实	3 分钟	手动重读一遍
5	发布	2 分钟	Hugo + Git 提交

可直接抄的模板

每条资讯我都逼自己填这 5 个字段：

【一句话说明】—— 让读者 3 秒判断有没有兴趣
【关键信息】 —— 给依据，让读者能自己查证
【适合人群】 —— 帮读者定位和自己有没有关系
【实用判断】 —— 这件事对他意味着什么
【可执行行动】—— 读者接下来可以做什么

我筛选一条资讯的 3 条标准

对普通人有直接影响 —— 比如价格下降、新功能上线、政策变化
有明确的判断 —— 不是简单"XX 发布了 XX"，而是"这件事对谁意味着什么"
可执行 —— 读者读完能立刻行动，比如"去导出一份账单"

工作流 2：30 分钟读完一份 50 页长文

适用场景

公司内部报告、行业研报、技术白皮书，50 页以上，你没时间细读。

步骤

第一步：全文喂给 Claude（不要分段）
第二步：让它输出「结构大纲 + 每页一句话摘要」
第三步：扫大纲，挑 3~5 页你真正关心的
第四步：只把那几页丢回去，让它做"细节展开"
第五步：让它写一份「给老板汇报用的 3 分钟版本」

我验证过的 Prompt 模板

你是一个资深行业分析师。请帮我处理这份报告：
第一部分 · 结构
- 列出全文的一级、二级标题结构
- 在每个标题后用一句话标注"这部分讲了什么"
第二部分 · 关键结论
- 作者最重要的 3 个判断是什么（按重要性排序）
- 每个判断配 1 条原文引用
第三部分 · 对我的启发
- 如果你是我（我做 [你的岗位]），这份报告里哪 3 点最值得我立刻行动
- 每条行动建议不超过 2 句话
不要写套话，不要写"本文讨论了..."，直接给结论。

别踩的坑

不要让它一页一页给你摘要 —— 50 页摘要 50 段，你还是不会看
不要上来就问"这份报告讲了什么" —— 它会给你废话总结
先让它给结构，再挑你关心的展开 —— 这是真正省时间的地方

工作流 3：用 Cursor 写代码，速度翻 3 倍

适用场景

日常写前端/后端代码、读别人的代码、做中等规模的代码重构。

我的配置

快捷键	功能	背后模型
`⌘ + L`	快速补全/续写上一行	DeepSeek-Coder
`⌘ + U`	用户指令（大段改写）	Claude Sonnet
`⌘ + J`	快速问答（解释代码）	GPT-4o
`⌘ + K`	代码搜索 & 跳转到定义	本地索引

3 个让我留下来的理由

理由 1：真的读了整个工程，不是猜

对比 VS Code 的 Copilot Chat（每次只读取当前打开的几个文件），Cursor 的 Composer 会先扫描相关文件再写修改。我说"帮我检查登录接口，所有未处理的错误都包成统一的响应格式"，它会：

找到 api/auth/route.go 和 internal/response/ 包
对比现有错误封装模式
逐行输出修改建议，并在代码里做标记

理由 2：不同任务调用不同模型，不手动切换

大段重构、架构问题 → Claude Sonnet
日常问答、短代码 → GPT-4o
算法题、性能优化 → DeepSeek-Coder

理由 3：“Tab 接受"的时机更聪明

Copilot 的最大痛点是它常常只建议一半，你得按好几次 Tab。Cursor 按一次 ⌘ + L 后，它会按同样的风格继续往下写，直到整块写完才停。

代价（不应该忽略）

费用：每月 $20，个人可以接受，但团队批量用需要算账
偶尔的"幻觉建议”：尤其在重构大段代码时，它会编不存在的接口名，必须逐行 review
大型项目首次扫描慢：10 万行的 Go 工程，第一次扫描 5~10 秒

工作流 4：把一场 1 小时会议，变成 3 页可执行纪要

适用场景

开会记笔记，但你又要发言又要记录，结束后只有一堆混乱的录音。

完整流程

开会前 10 分钟：
→ 准备 3 个会议关键问题（"我们今天要决定什么"）
→ 写在文档最上方
开会中：
→ 开录音（Mac 自带或 Fireflies.ai）
→ 自己只记 3 类东西：决策、责任人、截止日期
→ 其他全部让录音处理
开会后 15 分钟：
→ 让 AI 做会议录音 → 文字 → 结构化纪要
→ 你自己花 5 分钟过一遍，删掉 AI 编造的部分
→ 发出：给与会者的 1 页版 + 给老板的 3 句话版

可直接抄的会议纪要 Prompt

请把下方会议录音整理成一份可执行的会议纪要。
结构要求：
【今天决定了什么】不超过 5 条，每条不超过 2 句话
【谁要做什么】表格格式：责任人 / 任务 / 截止日期
【悬而未决】列出没有结论、需要下次讨论的问题（最多 3 条）
【AI 可能编的内容】请在你不确定的句子前标 [?]，我会人工核对
录音原文：
...

一条铁律

永远不要让 AI 的纪要不经人工核对就发出。

我试过 3 次直接发，每次都有问题：它会"帮你"补全没说完的话，把未决事项写成已决定。

工作流 5：用 AI 做 PPT，但最终画面必须你自己来

适用场景

写一份 10~20 页的业务 PPT，老板下周要。

我验证过的流程

第 1 步（不用 AI）：你自己写下 PPT 的 3 个核心信息
↓
第 2 步（用 AI）：让 Claude 帮你写成"每页一页大纲"
↓
第 3 步（不用 AI）：你决定每页的视觉呈现——
是表格？对比图？流程图？还是一句话大标题？
↓
第 4 步（用 AI）：给每页写具体内容（数据/图表/文案）
↓
第 5 步（不用 AI）：你自己排版、选色、加图、校对

为什么第 3 步不能让 AI 做

AI 很擅长写内容，但它根本不懂视觉节奏。一份 15 页的 PPT，如果每页都是"标题 + 3 段文字 + 1 张配图"，那它一定没人看。

视觉节奏必须你自己决定：

哪一页应该只有一句话（强调用）
哪一页应该放一张表格（信息密度用）
哪一页应该放一张图（喘息用）
哪一页应该放一段 2x2 对比（决策用）

这是 PPT 质量的 80%，但 AI 现在还做不好。

这 5 套工作流背后的一条统一原则

AI 做"加工"，你做"判断"。

让 AI 帮你筛信息，但你决定哪条值得写
让 AI 帮你写代码草稿，但你逐行 review
让 AI 帮你整理会议，但你确认决策
让 AI 帮你写 PPT 内容，但你决定视觉节奏

一旦搞反了——让 AI 判断、让你加工——效果立刻烂掉。

这是我踩了无数坑之后总结的一条铁律，也是这篇文章真正想告诉你的事。

开始抄作业的建议

先挑 1 套，不要 5 套一起上
按原样跑 3 次，再根据自己的习惯微调
跑完一次，记下来哪里不顺，下次迭代

模板的价值是帮你跨过"不知道从哪下手"的门槛，风格是用 30 次之后才会出现的东西。

工具只是加速器。方向错了，加速只会让你更快到达错误的地方。

当推理成本降到原来的 1/40:我如何重新设计我的 AI 工作流

Tue, 16 Jun 2026 00:00:00 +0000

我做了什么

上个月我把自己常用的 12 个 AI 任务做了一次成本重估。

简单说：同样 100 万 token，2024 年要 $30-50，2026 年只要 $1-3。

对我来说，这条变化比任何一个新模型发布都重要。它改变了一个根本问题：“什么事情值得用 AI”。

三个我的真实场景对比

场景 1：批量总结邮件

2024 年：我只让 AI 帮我摘要标了星标的邮件。成本敏感。

2026 年：我让 AI每天早上通读我所有 300 多封邮件，只把值得我回的 5-10 封做摘要。成本 ≈ $0.03。

我多做了什么？ 加了一个「AI 帮我回信的 3 个草稿」步骤。

场景 2：代码审查

2024 年：只在提交 PR 前让 AI 扫一次。

2026 年：每次保存文件时，AI 在后台做增量审查。如果它连续 3 次没发现问题，我才自己人工看。

变化：从"一次审查"变成"连续审查"。

场景 3：知识库问答

2024 年：只对重要的技术文档做向量索引。

2026 年：我把所有文档都喂给了 RAG。反正 100 万 token 只要 $1，**就算是只搜一次，也回本。

关键决策：不再区分"值不值得索引"。

我的新原则

我总结了三条在低推理成本时代该遵循的原则：

“先用 AI，再考虑是否人工介入” — 而不是反过来
宁可多做 10 次小调用，也不做 1 次长上下文大调用 — 响应时间和并发体验更重要
把 AI 当作"预处理器"而不是"最终答案生成器" — 你还是要自己判断

反例：我曾经犯的错

我曾经把大段代码一次性喂给最强模型，期望一次性解决。

这在 2024 年合理（强模型 + 省时间），但在 2026 年反而是最慢、最不稳定的策略：

一次 20 万 token 的上下文会让响应变慢 30 秒
模型在超长上下文里反而更容易"失忆"
出错后调试成本更高

总结

推理成本下降不是"让以前做过的事情变便宜"，而是让以前根本不会考虑的事情，现在值得做。

对我而言，它带来的最大变化不是省钱，而是工作方式从"挑选哪些值得做" → 变成"先做了再说"。

真正的价值不在成本本身，而在你敢不敢把之前人力做的事全部重新设计一遍。

我们在团队推 AI 工具的第 6 个月:从人人兴奋到没人用

Mon, 15 Jun 2026 00:00:00 +0000

起点：全员兴奋期

2025 年底，我们开始在团队内部推「AI 工具箱」。

前 3 个月的情况是：

注册率 100%（42 人全用了）
每周至少有 3 个人在内部群分享自己新写的 Prompt
每周内部技术分享至少有 1 个 AI 相关的话题

第 4 个月开始下滑：

使用率从每周平均 80 次 → 降到 30 次
每周分享变少了
有人私下说"其实没真的那么好用"

我们做了什么来挽回

1. 停止"大而全"的工具推荐

我们原来给每个人推荐 12 个工具，现在改成：

一个人一个主推工具 + 一个备用工具。

对产品经理：Cursor + 通用 Chat。对设计师：Midjourney + Notion AI。对工程：Cursor + 代码解释器。

2. 做"场景化的样板"而不是抽象教程

之前我们写了 20 页的文档《如何在工作中使用 AI》。没人读。

后来我们做了一件事：为每个高频场景写一份"一键可复制的 Prompt"。

例如：

“把这份会议录音变成 3 条 action items + 责任人”
“把这篇 PRD 翻译成英文并压缩到 1 页”
“给这组数据做 3 个不同角度的图表”

使用率立刻反弹。

3. 做了"成功案例库"（只有一页）

我们做了一个内部 wiki 页，每个人真实做过的案例都写进来：

小张用 AI 写了 API 的错误信息规范
小李用 AI 把设计评审纪要整理成了可执行任务
小王用 AI 读了竞品的技术文档，节省了 2 天

真正起作用的，不是工具本身

工具能带来短期热情，但流程能带来长期习惯。

回头看，我们花了 80% 的时间在"找更好的工具"，但真正让大家愿意持续用的是三个小事：

场景化 Prompt 模板（不是教程）
同事的真实案例（不是培训）
把 AI 嵌入已有的流程（不是新建流程）

我们现在的推广策略

方式	是否保留	原因
写长篇教程	❌ 放弃	没人读
分享工具对比	⚠️ 偶尔写	价值被高估
做一页 Prompt 模板库	✅ 保留	打开率一直最高
收集真实案例	✅ 保留	最有效
把 AI 嵌入已有流程	✅ 保留	需要长期投入

一句话总结

推广 AI 工具的本质不是在推广工具，而是在推广一种新的工作方式。

工具再好，如果它不能融入一个人每天已有的工作流，最终都会被放回到"抽屉里"。

我现在的判断标准只有一条：

它有没有让这个人的某个日常环节，真的省了时间或提了质量？

有，就继续；没有，就换。

什么时候不该用 AI:一份我自己的「停止清单」

Sun, 14 Jun 2026 00:00:00 +0000

为什么写这篇

我发现真正让我效率下降的，不是"用得不够"，而是"用得太多"。

有些场合下，用 AI 反而会：

让产出质量下降（或变得"更平庸"）
让我自己失去对关键决策的手感
让整个流程更慢（而不是更快）

以下是我自己列的"停止清单" —— 每一条都是我踩过的坑。

1. 当你还没形成自己的观点时

先用 AI，会让你永远不会形成自己的观点。

举个真实的例子：我曾经用 AI 写了一份"我们产品的差异化优势分析"。AI 给了我 3 条，看起来都对。

但在和老板评审时，他连续问了三个"为什么"，我全部答不上来。

因为那 3 条不是我真的想清楚了的，是 AI 替我"想了"。

改后的做法：先手写一页我的观点（哪怕是错的），再让 AI 帮我补论据和反面意见。

2. 当你正在做"第一次"的事

第一次做某件事，重要的是做对，而不是做快。

比如第一次写一份正式的合同条款、第一次给团队写目标设定、第一次主持重要会议。

这些事情的关键不是速度，而是你在过程中建立的心智模型。

让 AI 替你跳过这段体验，你下次还是不会。

3. 当情绪或态度本身就是答案的一部分

用户写了一段很情绪化的反馈。客户老板写了一段很生气的邮件。

让 AI 回，它会写一段漂亮、客观、但完全没有温度的文字。

这种时候，应该你自己写，哪怕写得不如 AI 顺。

因为对方要的不是一个完美的回答，而是"感受到被看见"。

4. 当你在做"创意的萌芽"

我做过几次尝试：让 AI 帮我头脑风暴一个新项目。

结果都是：听起来都对，但没有一个让我兴奋。

创意的萌芽阶段，AI 给的是"平均水准以上的安全答案"。

但真正的好想法，往往是在你反复折腾、卡住、乱涂乱画之间冒出来的。

改后的做法：先自己瞎想半小时，画乱七八糟的图，再让 AI 帮我整理和对比。

5. 当你已经做对了，只是想看看 AI 会不会更好

这是我最大的时间黑洞。

已经写好了一段代码 → 让 AI 看看有没有更好的写法 → 陷入 30 分钟的对比 → 最后还是用了自己那一版。

已经定好了项目计划 → 让 AI 再优化一下 → 多花了 1 小时 → 改动很小。

“完美"是"好"的敌人。

在 AI 时代尤其严重，因为它随时都能给你一个"好像更棒一点"的版本。

我的新规矩：如果已经能用，并且不是关键决策，就不要再让 AI 优化了。

6. 当你需要对结果负责时

这个很微妙，但我认为是最重要的一条。

如果你要对一段代码、一篇对外文章、一个产品决策负责，你需要自己写，至少自己写第一版。

让 AI 直接产出最终答案有一个最大的隐患：当它出错时，你会不知道错在哪里。

我遇到过多次：AI 写了一段看起来没问题的逻辑，但在某个边界条件下出了问题，而我因为是"抄 AI 的”，对这段代码的结构并不真的理解，debug 的时间反而比自己写更长。

我的"用不用 AI"的决策树

我把它写成 3 个问题，在决定让 AI 介入前先问自己：

1. 这件事我自己能写 / 能做到吗？
↓
2. 我是否已有自己的观点 / 代码 / 方案？
↓
3. 让 AI 做，我能对最终结果负责吗？

如果 1=No → 先学，不要让 AI 替你做
如果 2=No → 先自己写一版，哪怕很烂
如果 3=No → 那 AI 做了也没有意义

三个都 Yes → 可以交给 AI。

一句话总结

AI 是加速器。方向对，它让你更快到达；方向错，它让你更快到达错误的地方。

关键不在"加速"，而在"方向"。

知道什么时候不要用 AI，可能是这个时代最重要的元能力之一。

写完这份清单，我的效率反而上升了，因为我在更多时候选择停手 —— 而不是让 AI 帮我继续卷。

新手教程:5 分钟搭一个属于你自己的本地知识库助手

Sun, 14 Jun 2026 00:00:00 +0000

为什么值得花这 5 分钟

过去半年端侧中文模型质量提升非常快。现在 3B 参数的模型已经能在普通笔记本上做：

摘要一段长文
润色一封邮件
从你的个人笔记里找答案

最大的好处是完全离线，笔记内容不用上传给任何服务商，对工作党特别友好。

三步完成

1. 安装 Ollama

去 Ollama 官网下载对应系统的版本。Windows / macOS / Linux 都有。

安装完成后，在终端输入：

ollama --version

能看到版本号就说明装好了。

2. 拉一个 3B 中文模型

ollama run qwen2.5:3b

第一次会下载约 2GB 权重，之后就能离线使用。

3. 打开浏览器访问 http://localhost:11434

就能开始对话了。想让它「懂你」就把你的笔记、邮件、项目文档放到一个文件夹，再用任意一个能读本地文件的前端工具（比如 Open WebUI、AnythingLLM）接上去。

一个真实的工作流程

我自己每天用它做三件事：

整理会议录音 → 把录音转写粘贴进去，让它输出「参会人 + 决议 + 下一步」
写邮件初稿 → 把简短的要点告诉它，让它扩写成一封完整邮件
找答案 → 在我的笔记库里搜「去年那个项目我们是怎么处理权限问题的」

你可能会遇到的坑

问题	建议
回答质量不如云端模型	正常。端侧的定位是『隐私场景能用』，不是『比云端更强』
本地知识库不准确	把文档做成分块索引，配合向量检索效果会好很多
跑起来风扇狂转	正常。3B 模型在 CPU 上跑也是有压力的

结语

这件事最大的价值不是你多了一个「能用的 AI」，而是你第一次拥有了一个完全属于你自己的 AI。

如果你在使用过程中遇到了具体问题，欢迎写邮件或在社交平台上 @我交流。

为什么我把工作流迁移到了 Cursor

Sat, 13 Jun 2026 00:00:00 +0000

为什么切换

过去 5 年我一直用 VS Code。直到上个月被同事安利了 Cursor，抱着「试试 30 天」的心态切过去，结果有点意外。

首先，它不是一个新 IDE。 底层还是 VS Code，插件、键位、终端、主题 — 一切都能直接搬过来。区别在于顶部多了一条「AI 指令输入框」，以及右侧一个常驻的 Composer 面板。

三个让我留下来的理由

1. 能看懂整个工程的上下文

VS Code 的 Copilot Chat 也能「问代码」，但它每次只读取当前打开的几个文件。

Cursor 的 Composer 会先扫描相关文件，再帮你写一段修改。比如我说"帮我检查登录接口，所有未处理的错误都包成统一的响应格式"，它会：

找到 api/auth/route.go 和 internal/response/ 包
对比现有错误封装模式
逐行输出修改建议，并在代码里做标记

它真的读了工程，不是在猜。

2. 同一个快捷键，调用不同的模型

我把 ⌘ + U 配置成「用户指令」，把 ⌘ + J 配置成「快速补全」。背后分别对应：

Claude Sonnet — 大段重构、架构问题
GPT-4o — 日常问答、短代码
DeepSeek-Coder — 算法题、性能优化

不同任务用不同模型，不用手动切换窗口。

3. 「Tab 接受」的时机更聪明

Copilot 的最大痛点是它常常只建议一半，你得按好几次 Tab。Cursor 的 Cmd+L 快捷接受后，会继续按同样的风格往下写，直到整块写完才停。

代价（不应该忽略）

第一，费用。 每月 $20，对个人用户不算便宜。我把它当作"每周能省我 5 小时"的工具来计价，觉得值得。但团队批量使用需要算账。

第二，偶尔的"幻觉建议"。 尤其在重构大段代码时，它会编一些不存在的接口名。必须逐行 review。

第三，大型项目下的搜索偶尔慢。 有同事反馈 10 万行的 Go 工程里，第一次扫描需要 5~10 秒。

我的结论

不是"要不要用"，而是"怎么用不被坑"。

我目前的模式是：

日常写新代码：Cmd+L 快速补全
读别人的代码：先问"这段在做什么"，再自己确认
大型重构：先让它帮你出方案，再自己动手

工具只是加速器，方向错了，加速只会让你更快到达错误的地方。

我的日报写作工作流:从『看资讯』到『写日报』只要 20 分钟

Fri, 12 Jun 2026 00:00:00 +0000

我每天写日报的 20 分钟是怎么分配的

步骤	时间	工具
1. 收集今日重点	5 分钟	Feedly + 几个固定的行业邮件
2. 筛选 5-8 条值得写的	3 分钟	快速扫读标题 + 摘要
3. 给每条做结构化标注（谁 / 判断 / 行动）	7 分钟	Markdown 模板
4. 润色语言 + 检查事实	3 分钟	手动重读一遍
5. 发布到站点	2 分钟	Hugo + GitHub Pages

我会读的固定信息源

每日必读：几个头部 AI 厂商的官方博客更新
每周必看：社区活跃者的长文
每月必复盘：行业报告和数据

我筛选一条资讯的三条标准

对普通人有直接影响——比如价格下降、新功能上线、政策变化
有明确的判断——不是简单「XX 发布了 XX」，而是「这件事对谁意味着什么」
可执行——读者能立刻行动，比如「去导出一份账单」或「在下周开会时讨论」

我写的时候用的模板

每条资讯我都会逼自己填四个字段：

【一句话说明】
【关键信息】
【适合人群】
【实用判断】
【可执行行动】

这四个字段看起来重复，但它们各自承担不同的功能：

一句话说明 —— 让读者 3 秒判断有没有兴趣
关键信息 —— 提供依据，让读者可以自己查证
适合人群 —— 帮读者快速定位「这事跟我有没有关系」
实用判断 + 可执行行动 —— 核心价值，帮读者「做决定」

为什么值得你学

对我来说，每天花 20 分钟写日报的价值远大于产出一篇内容。更重要的是：

它逼着我每天有结构地消化信息，而不是被动地刷
它让我建立了一个可被追溯的判断记录，半年后回看自己有没有打脸
它是一份稳定对外输出，慢慢有人关注，慢慢有机会

如果你也想开始做类似的事，我的建议是：先用一套固定模板写 30 天，不要一开始就追求"自己的风格"。模板的价值是帮你跨过「写不出来」的门槛，风格是之后才会出现的东西。

用 AI 把 200 篇旧博客变成结构化知识库

Thu, 11 Jun 2026 00:00:00 +0000

背景

我有 200 多篇旧博客，分布在三个不同的 CMS 里：WordPress（2014-2018）、Hugo（2019-2022）、Notion（2023 至今）。

每次想找某段思路，都要全局 grep，慢且不准。

我的目标是：把它们统一成一个可自然语言问答的知识库。

方案选择

我评估了 3 条路：

方案	优点	缺点
直接用 ChatGPT 帮我搜	最简单	每次都要拷整段文本，超出上下文会截断
搭建 RAG（本地模型）	完全自己控制	工程成本高，后期要维护
用现成的 AI 知识库工具 + 我写脚本预处理	折衷	需要写数据清洗的脚本

我选了 方案三：先用脚本把旧文章统一清洗成结构化 Markdown，再用 Cursor 的 AI 帮我补元数据（tags/分类/摘要），最后用 Notion AI 的数据库做检索。

关键步骤

1. 导出 & 清洗

WordPress 的导出是 XML，需要解析。Notion 的导出是 Markdown 但有很多残留块。

我写了一个 300 行的 Python 脚本做以下事情：

统一编码为 UTF-8
移除主题注入的 HTML 标签
统一图片引用路径
去掉重复的标题
标准化 front matter（title/date/tags）

2. AI 补齐元数据

对每篇清洗后的文章，让 AI 做三件事：

1. 生成一句话摘要（≤ 60 字）
2. 给 3~5 个标签
3. 判断主题分类（技术 / 产品 / 随笔 / 教程）

200 篇文章总花费约 $4.20，耗时约 12 分钟。

3. 构建索引 & 检索

把处理好的内容灌入 Notion Database，开启 AI 搜索。现在"我去年那篇关于 API 限流的文章怎么写的？“这种问题，5 秒内能找到原文。

遇到的坑

最大的坑不是技术，是内容质量。 我发现有 15 篇文章其实是同一件事的反复书写，AI 让我意识到"我一直在重复产出同样的想法”。

第二个坑是标签一致性。 AI 一会标「API」、一会标「接口设计」、一会标「后端」。必须做标签归一化。我最终保留了 18 个核心标签，其他都映射到这 18 个。

成果

200 篇 → 185 篇合格（15 篇重复被合并）
检索时间：从平均 3 分钟 → 5 秒
可以自然语言问答：“帮我找出关于 API 限流的所有文章，并给一个对比摘要”

我的心得

AI 不只是让你做同样的事情更快，而是让你能做之前根本不可能的事情。

如果靠人力去读 200 篇、打标签、建索引，可能需要 2~3 个周末。而且我大概率会中途放弃。

把知识从"你拥有"变成"你能随时用" —— 这是我这次最大的收获。

团队里真正推 AI 的 3 个坑,以及我们是怎么填的

Wed, 10 Jun 2026 00:00:00 +0000

这不是一篇「AI 有多厉害」的文章

过去 3 个月我在一个 8 人团队里主导了「把 AI 接入日常工作」的尝试。这篇文章讲的是路上踩过的 3 个真实的坑。

坑 1：把示范当推广

问题：我在团队里演示了一次 AI 写代码，效果惊艳，然后我以为大家会自发用起来。结果——大家确实试了一次，但没人坚持。

原因：示范的激励效果通常只能持续 3 天。之后，如果一个工具不能在真实任务里被触发使用，它就会被遗忘。

我们的解法：把示范改成「流程嵌入」。具体做法是：

在团队内部的 PR 模板里加一个「是否跑了 AI Review」的 checkbox
把日常邮件的「请大家写周报」模板里，加一段「让 AI 帮你写初稿」的说明
每周的团队例会上花 5 分钟做一次「本周 AI 用得最好的一个案例」分享

效果：团队月活从约 30% 上升到约 90%，用的时间花在"选对场景"而不是"介绍工具"。

坑 2：只看成功案例，不记录失败案例

问题：我们一开始只记录「AI 帮我们省了 X 小时」这种正面案例。结果发现大量的失败案例没人复盘，问题一再重复。

我们的解法：建立了一个非常轻量的周度 AI Review 文档，每个人写 2 条：

本周我用 AI 做了什么，效果好/不好
下次我会怎么改进

每周花 10 分钟通读。3 个月积累下来，它成了我们团队最值钱的一份内部文档。

坑 3：没人做『人工兜底』

问题：我们早期把 AI 生成的内容直接发出去了几次，结果在客户那边被指出了事实性错误。虽然没造成大损失，但非常尴尬。

我们的解法：在每一个用了 AI 的流程里强制加一个人工审阅节点。做法极其简单——就是在流程里加一个 checkbox：「我已经读过 AI 的输出，并对它负责。」

这件事让我意识到：『负责任的 AI』不是写在博客里的口号，而是团队里一个具体的人。

结语

对团队来说，推广 AI 最难的部分从来不是『模型够不够强』或『工具有没有』，而是三件事：

把 AI 嵌入真实流程（而不是开个会、做个示范）
记录并复盘失败案例（而不是只晒成功）
有人对 AI 的输出负责（而不是把责任甩给"AI 就是这样"）

这三件事，每件都需要人来做，都需要耐心，都没有捷径。

我试过的 7 个 Prompt 框架,以及最后留下了哪个

Tue, 09 Jun 2026 00:00:00 +0000

我用过的 7 个框架

过去两年我收集了很多 Prompt 框架，以下是我真实反复使用过的 7 个：

1. CRISPE（Capacity · Role · Insight · Statement · Personality · End

适用：适合复杂任务

这是我写得最长、，写论文、长文写作的框架。把「你是一个资深产品经理」放在最前面，后面是背景，再写我的需求。

优点：模型会给出稳健，不会遗漏关键信息。

问题：写起来慢，每次要按这个模板写 Prompt 的时间比回答还长。

2. AIPRM（网上现成模板库

现成模板，按场景用。

优点：开箱即用。

问题：模板写长了会和模型反而会偏题。

3. 「专家」设定

最简单：

「你是一个擅长 X 的专家」，然后直接问问题。

优点：零摩擦，最常用。

问题：对简单的会**，不够稳定。

4. Few-shot（给例子）

先给 2-3 个问答示例，再让模型写第 4 个。

**对于格式有严格要求时几乎是最强框架。尤其在 JSON 提取信息提取。

问题：消耗 token 多，长任务耗 token。

5. Chain-of-Thought（CoT，让模型一步一步想

最被神「，并解释它的推理。

**强分析，会给出推理链。

6. ReAct（Reason + Act）

让模型在推理时同时调用工具。

**最强框架，但需要配合工具调用能力强，用于复杂工具调用。

问题：需要工具链。

7. 结构化输出 + 系统会让它以 JSON / 表格形式。

**最强的：结构化输出。

我现在的日常模式

日常使用：

**简单问答：直接问
**写长文：结构化 Prompt + 示例
**复杂分析：Chain-of-Thought
**需要精确格式：Few-shot

核心心得

我现在的日常：

「你是一个 X 专家，帮我 …」—— 90% 的情况
「我要你做…」—— 90% 的问题
其它只是娱乐

结论

Prompt 技巧很多，框架越多，你会发现：真正有用的只有 2-3 个框架

真正有用的只有 2-3 个框架：结构化 Prompt + Few-shot + Chain-of-Thought。

真正有用的就这 3 个。

为什么我不再追『最强模型』了

Mon, 08 Jun 2026 00:00:00 +0000

我之前是怎么想的

过去两三年，跟很多人一样，我对『哪家模型最强』非常敏感。

每次一个新模型发布，我会第一时间下载评测基准，跑一遍，记录排名。我把『更强 = 更值得用』当作默认前提。

我慢慢意识到的几件事

1. 大多数日常任务，各主流模型之间的差距远小于『你有没有好好写提示』

这是我最大的一个认知变化。同样一个任务，换一个清楚的 Prompt 带来的提升，远大于从模型 A 换成模型 B。

换句话说，如果你觉得某个模型"不够好"，大概率问题出在你怎么用它，而不是模型本身。

2. 模型的『稳定性』比『最强性能』重要得多

我试过很多次：一个模型在某个评测上排第一，但在我的真实任务上『有时候对有时候不对』。

对一个要嵌入日常流程的工具来说，稳定可预期 > 偶尔惊艳。我宁可要一个每次都给我 80 分的工具，也不要一个有时候 99 分、有时候 50 分的工具。

3. 真正决定你效率的，是你有没有『一套能反复跑的流程』

而不是你有没有用『当下最强的模型』。

流程一旦建立起来，换模型是一件相对轻松的事。但如果只有最强模型、没有流程，你每次用 AI 都得从头想『我该让它做什么』，长期下来反而更慢。

我现在的策略

只保留 2-3 个主流模型，够用就行，不追新
把注意力放在『怎么把任务写成可重复的脚本』
每周做一次『这套流程实际帮我省了多少时间』的评估，用真实数据而不是感觉来判断

最后一句话

AI 不会让你更快。对 AI 的使用方式会让你更快。

把注意力从『哪个模型更强』转移到『我能不能把这件事写成一个可被重复执行的流程』，长期来看，后者的回报会高得多得多。

国鑫实验室 – 博客

5 套我验证过、可直接抄作业的 AI 工作流

先说结论

工作流 1：20 分钟写一份有人看的日报

适用场景

步骤（共 5 步）

可直接抄的模板

我筛选一条资讯的 3 条标准

工作流 2：30 分钟读完一份 50 页长文

适用场景

步骤

我验证过的 Prompt 模板

别踩的坑

工作流 3：用 Cursor 写代码，速度翻 3 倍

适用场景

我的配置

3 个让我留下来的理由

代价（不应该忽略）

工作流 4：把一场 1 小时会议，变成 3 页可执行纪要

适用场景

完整流程

可直接抄的会议纪要 Prompt

一条铁律

工作流 5：用 AI 做 PPT，但最终画面必须你自己来

适用场景

我验证过的流程

为什么第 3 步不能让 AI 做

这 5 套工作流背后的一条统一原则

开始抄作业的建议

当推理成本降到原来的 1/40:我如何重新设计我的 AI 工作流

我做了什么

三个我的真实场景对比

场景 1：批量总结邮件

场景 2：代码审查

场景 3：知识库问答

我的新原则

反例：我曾经犯的错

推荐的新架构

总结

我们在团队推 AI 工具的第 6 个月:从人人兴奋到没人用

起点：全员兴奋期

我们做了什么来挽回

1. 停止"大而全"的工具推荐

2. 做"场景化的样板"而不是抽象教程

3. 做了"成功案例库"（只有一页）

真正起作用的，不是工具本身

我们现在的推广策略

一句话总结

什么时候不该用 AI:一份我自己的「停止清单」

为什么写这篇

1. 当你还没形成自己的观点时

2. 当你正在做"第一次"的事

3. 当情绪或态度本身就是答案的一部分

4. 当你在做"创意的萌芽"

5. 当你已经做对了，只是想看看 AI 会不会更好

6. 当你需要对结果负责时

我的"用不用 AI"的决策树

一句话总结

新手教程:5 分钟搭一个属于你自己的本地知识库助手

为什么值得花这 5 分钟

三步完成

1. 安装 Ollama

2. 拉一个 3B 中文模型

3. 打开浏览器访问 http://localhost:11434

一个真实的工作流程

你可能会遇到的坑

结语

为什么我把工作流迁移到了 Cursor

为什么切换

三个让我留下来的理由

1. 能看懂整个工程的上下文

2. 同一个快捷键，调用不同的模型

3. 「Tab 接受」的时机更聪明

代价（不应该忽略）

我的结论

我的日报写作工作流:从『看资讯』到『写日报』只要 20 分钟

我每天写日报的 20 分钟是怎么分配的

我会读的固定信息源

我筛选一条资讯的三条标准

我写的时候用的模板