AI使用效率与心智模型转换
一个人在使用 AI 时与另一个人为何表现出巨大差异？主要原因有两点：首先，大家对于 AI 的心智模型尚未建立起来；其次，尽管反复强调不要只使用聊天框式的 AI 产品，许多人仍然深陷其中，导致诸如 Cursor 等更高级的 AI 工具难以被有效利用。这两个问题的根源在于用户普遍缺乏一种“需要外化（Externalization: 将隐性知识或目标显性化）”和“复用（Reusability: 将一次性成果转化为可重复利用的资源）”的思维。
善用 AI 的人，会将其脑中的目标、标准操作程序（SOP: Standard Operating Procedure）或工作逻辑转化为结构化文档，再让 AI 依此执行。这反直觉，因为多数人即便写过文档，其目的也多为存档、新人入职培训或责任规避，而非指挥 AI 完成任务。他们并未经历过这种心智模式的转变。
从这个角度看，程序员天然具备优势，因为其日常编程工作正是将知识外化的过程。然而，程序员也面临“知识诅咒（Curse of Knowledge: 掌握了特定知识后难以理解不具备这些知识的人的思维）”的挑战：他们习惯于外化死板的、计算机能理解的逻辑，而非 AI 所需的“结果确定性”和“过程确定性”。这导致普通用户和程序员在使用 AI 时都有各自的痛点，难以充分发挥 AI 的效能。有趣的是，许多企业老板反而能很好地利用 AI，因为他们习惯于撰写 SOP，这与 AI 的工作模式高度契合。
对于普通用户而言，他们需要跨越学习如何撰写文档，以及如何构建这种“文档心智空间”和“技能空间”。而对于程序员来说，他们需要学习如何编写非死板逻辑，而是包含特定元素序列的指令，这需要一套全新的学习技能。
AI技能（Skill）的构建与应用
为了让大家在日常工作中将更多工作流转移到 AI 智能体（Agent: 能够感知环境、做出决策并采取行动的自主软件实体）上，一个核心实践是编写 AI 技能（AI Skill: 定义了智能体特定任务和执行逻辑的代码或指令集）。技能构建主要包含三大要素：
- 目标与成功标准：明确 AI 成功完成任务的标准是什么。
- 常见陷阱：识别并规避在使用 AI 过程中可能遇到的问题和误区。
- 专用工具：开发或集成定制工具以提升 AI 的能力。
以接入腾讯文档（Tencent Docs: 腾讯旗下的一款在线协作文档工具）的小程序（Mini Program: 运行在特定平台（如微信）上，无需下载安装即可使用的应用）为例，我们期望 AI 能直接操作这些工具，而不是由用户手动执行。尽管初期可提供 GUI（Graphical User Interface: 图形用户界面）兜底，但长远目标是让 AI 能够自主操作。更深层次的教学应侧重于让 AI 更好地“理解”用户意图并将其转化为行动。
例如，让 AI 生成“没有 AI 味儿（AI-Generated Tone: AI 写作中常出现的机械、程式化的语言风格）”的文本，使其更贴近用户的个人风格，这也是一个重要的技能应用方向。
AI 工具集成与环境配置
将 AI 工作流搬到 AI 平台上，有几个核心要素：
- Agent.md 文件：一个专门的 Markdown 文件，用于指导 AI 的行为和配置。
- Skill 技能系统：通过编写和安装技能来扩展 AI 的能力。
- AI 操作更多工具的能力：例如，让 AI 操作 Google Docs 而不是用户手动操作。
关于 Agent.md 的作用，开发者可能天然理解其作为系统提示或引导文件，但普通用户可能将其视为普通文档，不理解 AI 如何利用它。因此，需要通过具体案例展示 AI 如何读取 Agent.md 来理解任务、查找技能，并根据指令执行操作，从而实现“复用（Reusability）”。例如，当 AI 找不到特定技能时，是因为 Agent.md 或其他配置中没有清晰的指引。可以通过以下方式解决：
- 集中管理技能：将所有技能都放在一个统一的文件夹，并创建一个
index.md文件来索引它们。 - 配置
Agent.md：在Agent.md中明确指示 AI 如何查找和使用这些技能，例如当提到“搜索”时，应使用特定搜索技能。 - 利用符号链接（Symbolic Link: 指向另一个文件或目录的特殊文件）在不同 AI 环境（如 Cursor 和 Claude Code）中共享同一份配置，减少维护成本。
在实际操作中，Google Docs skill 的安装和配置也体现了这些原则。虽然安装过程需要创建 Google Oauth 凭证（Google OAuth Credentials: Google 用于授权第三方应用访问用户数据的密钥），但一旦配置完成，AI 就能轻松创建和分享文档。未来的目标是将这些配置步骤进一步自动化，甚至预配置好客户端，让用户免去手动设置的繁琐。
个人 AI 基础设施的构建
如何从普通用户成长为 AI 高手？核心原则在于转变思维：不要仅仅思考 AI 能为你做什么，而是要思考你能为 AI 做什么。 这主要体现在两方面：
- 把自己变成更好的“牛马”：不仅在电脑前，也要在手机前为 AI 提供支持。这意味着你需要主动为 AI 提供更多的上下文（Context: 与任务相关的信息）和工具（Tools: AI 能够调用的外部功能或服务），以组合式爆炸的方式提升其能力。
- 提升 AI 的自主权和自动化能力：通过让 AI 能够复用其工作成果，减少人为干预，最终实现高比例甚至 100% 的自动化。
举例而言，一个理想的个人 AI 信息摄取（Intake: 自动收集和输入信息）系统应该能够做到：
- 自动录音转录：例如，通过 Apple Watch 上的 Voice Memo 录音，并将其自动同步到 24 小时运行的电脑。
- 后端处理管线（Backend Processing Pipeline: 一系列自动化处理步骤，用于接收、转换和分析数据）：利用 rsync 同步录音文件，通过 ASR（Automatic Speech Recognition: 自动语音识别）将音频转录为文本（如 CSV 格式），再由 Codex 等工具对文本进行处理。
- 结构化输出：将处理结果生成格式化的 HTML 文件（HyperText Markup Language File: 用于创建网页的标准标记语言），包含会议摘要、行动项，并分类存储。
- 自动化配置：通过 AI 自动配置 Cron Tab（Cron Tab: Unix 类系统中的定时任务调度程序）等工具，确保后台任务按时执行。
这样的系统旨在实现 “Zero Friction”（零摩擦：用户在使用产品或服务时感受不到任何阻碍），让用户几乎无需手动干预，就能自动收集、组织和利用个人信息。
AI 模型的评估与基准测试（Benchmarking）
在 AI 领域，评估（Evaluation: 衡量 AI 模型或系统性能的过程）和基准测试（Benchmarking: 使用一组标准测试来比较不同模型或系统性能的方法）至关重要。例如，在自动校正文本时，如果缺乏明确的度量标准，很难判断 AI 的表现。在这种情况下，可以借助于 LMS as judge（大型模型作为裁判：使用大型语言模型来评估另一个模型的输出质量）或人工评估。
为了更客观地评估 AI 性能，特别是对于复杂、多维且难以量化的问题，基准测试是一个有效的方法。例如，可以构建一个内部的基准数据集（Benchmark Dataset: 用于评估模型性能的标准数据集），其中包含已知的事实、故意设置的错误或需要关注的关键信息。通过让 AI 在这个数据集上运行，可以评估其精确率（Precision: 预测为正的样本中真正为正的比例）和召回率（Recall: 所有真正为正的样本中被正确预测为正的比例）。
这种方法将一个叙述性问题（Narrative Question: 难以量化的定性问题）转化为一个定量问题（Quantitative Problem: 可以用数字衡量的问题），从而实现 AI 的自我纠正（Self-Correction: AI 系统根据反馈或新的信息调整自身行为或输出的能力）和自我迭代（Self-Iteration: AI 系统通过反复试验和学习来改进性能的过程）。虽然构建高质量的基准数据集可能耗时耗力，但对于提升 AI 应用的可靠性和效能至关重要。
最终，所有这些努力都旨在实现一个宏伟愿景：让 AI 在用户的日常使用中，逐步变得越来越像用户自己，成为一个数字分身（Digital Twin: 物理实体或过程的虚拟复制品），具备信息摄取、组织、积累和输出四大核心能力。