---
author: 课代表立正
date: '2026-08-07'
guest: ''
layout: post.njk
source: https://www.youtube.com/watch?v=-MuveUTTIJg
speaker: 课代表立正
tags:
  - agentic-ai
  - ai-workflow
  - codex
  - productivity-optimization
title: 停止像聊天一样用 AI：普通人晋级 AI 高手的关键一步
summary: 探讨普通人成为 AI 高手的核心路径。文章指出当前 AI 用户已出现分化，80% 未使用 AI，而在已使用的 20% 中有九成以上仅停留在跟 AI 聊天的浅层使用。要实现 10 倍乃至百倍的生产力飞跃，首要任务是停止使用 ChatGPT 类的传统 Chat 工具，转向使用 Codex 等能够调度本地文件与工具的 Agentic 工具，并培养 AI 原生工作流。
insight: ''
draft: true
series: ''
category: ai-application
area: tech-engineering
project: []
people: []
companies_orgs:
  - OpenAI
products_models:
  - Codex
  - Claude Code
  - Cursor
  - ChatGPT
media_books: []
status: evergreen
---
### 破除认知局限：重新定义 AI 高手的进化路径

在这个 AI 技术日新月异、工具层出不穷的时代，**普通人**如果想要真正成为 AI 高手，究竟需要走过怎样的道路？这并不是一个可以随意猜测的理论问题，而是我和我的合伙人在过去两年多的时间里，通过大量的培训教学、企业服务以及一线开发实践，所总结提炼出来的核心精华。

在探讨具体的方法论之前，我们不妨先将繁杂的技术外衣剥离，从最底层直面一个非常残酷的现实：普通人在使用 AI 的过程中，其上限往往在最开始选择工具的那一瞬间就已经被锁死了。我们经常在各大社交平台上看到人们讨论各种各样的提示词技巧，或者争论哪一个大语言模型在最新的跑分测试中又多拿了几个百分点。然而，对于绝大多数非技术背景的普通使用者而言，这些讨论并没有触及真正能改变生产力格局的本质。

经过无数次真实案例的观察，我们发现，普通人要完成从“AI 尝鲜者”到“AI 控制者”的跨越，本质上只需要极其关键的三步。只要你能够踏踏实实地做好这三步，你就一定能够成为一个真正的 AI 高手；相反，如果你忽视了这三步中的任何一步，你的 AI 使用体验就必然会存在巨大的缺陷，你的效率提升也会在达到某个瓶颈后彻底卡死。

这关键的三步分别是：
1. **停止使用 ChatGPT 这样的聊天工具，转而使用 Codex 这样的代理化（Agentic）工具**；
2. **学会写好一个高可用的 Skill（技能），而且这个 Skill 必须是功能向的，而非简单的风格向 Skill**；
3. **学会精准且系统地管理好自己的 Context（上下文）**。

在今天的分享中，我们会首先聚焦于这至关重要的第一步，并且为你提供极其详尽的落地步骤与实际应用案例。同时，在内容的最后，我们也会系统地剖析为什么只有这三步才是成为高手的“必要且充分条件”，并帮助大家排除一些看似前沿、实则容易让人误入歧途的错误选项——比如最近在技术圈里非常火热的“Harness Engineering”（基准评估工程）或者“Loop Engineering”（循环工程）。这三步是真正能够融入到你日常工作生活、产生立竿见影效果的黄金路径。

---

### 世界的隐秘分叉：Chat 工具与 Agentic 工具的本质鸿沟

或许你会觉得，ChatGPT、Claude 或者是国内的各种 AI 聊天助手已经足够强大了，我们每天用它写写文案、查查资料、翻译一下文献，不是已经让工作效率提升了 30% 甚至 50% 吗？为什么必须要大费周章地“停止使用”它们？

这其实并不是我个人的主观偏见，而是硅谷顶级 AI 专家、前特斯拉自动驾驶负责人 **Andrej Karpathy** 曾经深刻阐述过的一个观点。他指出，这个世界实际上已经悄然发生了分叉：
* 一部分人，正在使用着免费或者常规的 AI 聊天工具，日复一日地在对话框里与 AI 进行着一次又一次的“一问一答”式聊天。他们对 AI 能力的认知和理解，实际上是非常局限且表面的。
* 另一部分人，则已经彻底抛弃了单纯的聊天框，开始使用 **Codex**、**Claude Code**、**Cursor** 这一类具备深度代理能力的工具。他们在日常工作中，能够非常真实、直观地体验到 AI 能力的上限究竟有多高，并且正在享受着 10 倍甚至 100 倍的生产力红利。

如果我们把眼光放得更宽广一些，会发现当前的社会现状更加令人震惊。根据业界的数据统计，全球范围内其实还有将近 80% 的人完全没有在日常生活中使用过 AI。而在已经接触并使用过 AI 的那 20% 的人群中，又有 90% 以上的人仅仅停留在跟 AI 聊天的阶段。只有极少数（可能只有 1% 到 2%）的先行者，真正意识到了 Agentic 工具的威力，并将其作为自己日常的“数字分身”来调度。

那么，究竟什么是 **Chat**（聊天）工具？什么又是 **Agentic**（代理）工具？它们之间的底层逻辑差异在哪里？

最直观的区别就在于界面与交互背后的**能力深度**。Chat 工具的界面非常简单，它就是你面前的一个文本输入框，你发送一段文字，它在后台调用大语言模型进行计算，然后在这个窗口里吐出一段文字或者代码。你的所有交互都被牢牢地锁死在这个网页或者 APP 的沙盒窗口之中。它无法感知你的电脑里有什么文件，也无法主动替你去操作你本地或者云端的其他工具。

相比之下，Agentic 工具（例如我们常用的 Codex）虽然在表面上也提供了一个可以输入自然语言的对话界面，但它的核心能力是**“调度”**（Orchestration）。当你对一个 Agentic 工具下达指令时，它不仅会调度云端的各种大模型进行思考，更重要的是，它能够无缝对接你本地的文件系统、你的开发环境、你电脑上的算力，甚至是你在各个平台上的 API 接口与密钥。它不是在“回答”你的问题，而是在“执行”你的任务。

换句话说，你在 Chat 工具里能够做的所有事情，在 Agentic 工具里不仅能够一字不落地全部完成，而且体验会更加顺畅。但是，Chat 工具所能展现出来的能力，在 Agentic 工具的庞大生态中，仅仅只是一个微不足道的子集。

---

### 解锁十倍效率：Agentic 工具超越 Chat 的三大核心支柱

具体来说，Agentic 工具之所以能够帮助普通人打破效率的天花板，实现从“30% 提效”到“10倍、100倍生产力飞跃”的跨越，主要是因为它在底层拥有着 Chat 工具永远无法企及的三大核心能力：

#### 第一，主动调度本地文件与外部工具的能力 (Tool Use & Action)

在传统的聊天窗口中，AI 就像是一个被关在无形监狱里的军师。虽然它满腹经纶，但它既没有手也没有脚。如果你想让它处理一个复杂的本地文件，你必须自己手动复制文件内容，粘贴到聊天框里，等它吐出修改后的结果，你再小心翼翼地复制出来，粘贴回自己的编辑器中。如果中间涉及到需要下载某些开源软件、运行某些命令行工具、或者对图片进行格式转换，AI 更是无能为力，所有这些繁琐的中间步骤都必须由你这个“人类助理”手动去操作。

但在 Agentic 工具的逻辑下，AI 拥有了真正的**行动力**。它可以直接读取你指定的本地文件夹，可以直接在你的终端里编写并运行 Python 脚本，甚至能够在遇到依赖缺失时，自己去网络上检索、下载并安装对应的开源工具。

我之前遇到过一个非常具体的实际案例：在处理一份多媒体课件的 PPT 导出时，我发现常规工具输出的图片精度和分辨率完全达不到出版级的高清要求。如果是在 Chat 窗口里，我顶多只能问它：“如何提高 PPT 导出的图片精度？”然后它会给我列出 1、2、3、4 点步骤，让我去修改 Windows 注册表或者下载某个软件，我得自己花半个小时去摸索。

而当我在 Codex 里提出这个问题时，Codex 并没有仅仅停留在口头指导上。它在理解了我的诉求后，直接在后台通过命令行搜索并下载了一个专门用于高精度 PDF/PPT 处理的开源图像库，编写了一段本地调用脚本，然后直接在我本地的电脑上把那份 PPT 重新运行了一遍，生成了精细度极高的图像文件。在整个过程中，我不需要知道这个开源库叫什么名字，也不需要去配置它的环境变量，我只需要提出我的最终目标，剩下的所有复杂操作，都由 Agentic 工具在本地帮我默默完成。

#### 第二，海量上下文的主动灌注与复杂流水线执行 (Context-rich Multi-step Workflow)

普通人在用 ChatGPT 的时候，往往只能进行一轮一轮的短对话。因为一旦对话历史变得很长，或者需要参考的本地背景资料过多，聊天窗口的输入框就会变得极难管理，AI 也会因为丢失上下文而开始“胡言乱语”。

然而在 Agentic 工具中，由于它与你的本地工作目录是深度绑定的，你可以一次性将成百上千页的文档、一整个项目的代码库、或者多段长达数小时的音视频文件直接作为上下文喂给它。更重要的是，它能够基于这些庞大的上下文，自动去拆解并执行一个多达十几步的复杂工作流。

以我们自己日常制作播客和视频的**“后期制作”**（Post-production）流程为例。以前，当我们完成了一场长达两小时的嘉宾深度访谈后，后期的处理工作会繁琐得让人头大。我们需要把音频提取出来，导入到剪辑软件里，找专门的听写软件转录成文字，再人工校对错别字；如果里面有两个人说话，还要做声纹分割；之后还要绞尽脑汁去提炼高光片段、起吸引人的标题、写宣发文案，最后还要把所有整理好的内容排版成文档分享给嘉宾确认。这一整套流程下来，哪怕是有熟练的助理配合，也至少需要大半天甚至一整天的时间。

但是现在，在 Codex 这样的 Agentic 工具中，我只需要在终端里输入极其简单的一句话：
> “运行我的 `post-production` 技能，处理刚刚录制好的访谈文件。”

就这短短的一句话，Codex 就会根据我预先定义好的工作流，在后台自动完成以下九个步骤：
1. **自动定位与格式转换**：调度本地的 `FFmpeg` 工具，将原始的视频文件快速提取并转码为适合语音识别的音频格式。
2. **本地模型语音识别**：自动调用本地部署的轻量化大语言模型（如通义千问或 Whisper 核心），将音频内容进行高精度的文本转录。
3. **精细化脚本校对**：通过命令行工具对转录出来的原始文本进行语病过滤、口癖消除和逻辑断句。
4. **开源声纹识别**：如果检测到是多人群聊，它会主动调用 Python 中的开源声纹识别库（如 `Pyannote`），通过分析音色，自动标注出“说话人 A”和“说话人 B”，省去了人工标记角色的痛苦。
5. **智能高光提取**：多轮调用大模型，从数万字的逐字稿中筛选出逻辑最紧密、情绪价值最高、最适合做成短视频或金句卡的 5 个黄金片段。
6. **标题与文案生成**：根据高光片段的内容，自动撰写 10 个不同风格的视频标题，并生成微信公众号、小红书、微博等不同平台所需的排版文案。
7. **自动化截图与视觉定位**：根据高光片段的时间戳，自动截取视频中的精彩画面，作为潜在的封面素材。
8. **云端文档整合**：自动调用 Google Docs 的 API，将上述所有的逐字稿、高光点、文案、截图整整齐齐地排版到一个新建的云端文档中。
9. **权限分发与通知**：自动生成该 Google 文档的共享链接，并通过我本地的通讯工具或邮件模板，直接草拟好发送给嘉宾的预览信件。

你看，我仅仅是说了一句话，AI 就在后台调度了五六种不同的本地工具、运行了三四个不同的开源库，并且把云端和本地的逻辑完美衔接在了一起。最终，我只需要打开它帮我生成好的 Google 文档，做最后的审查和微调即可。这种全自动的流水线作业，是任何传统的 Chat 网页窗口都绝对无法实现的。

#### 第三，操作记录与知识资产的持续累积 (Accumulative Context & Automation)

在 Chat 窗口里，你的每一次对话都是“一次性”的。哪怕你今天在这个窗口里把 AI 教导得非常好，一旦你关闭了网页或者新建了对话，AI 就会瞬间失忆，你又不得不重新把那些长篇大论的背景设定再复制粘贴一遍。

而在 Agentic 工具中，由于它直接作用于你的本地项目，你对它下达的每一次指令、它帮你写出的每一段代码、以及你对它的每一次纠错，都会以文件、配置文件或本地知识库的形式被实实在在地保存下来。这意味着，随着你使用时间的增加，你的 Agent 会变得越来越聪明，它会越来越熟悉你个人的工作习惯、你的专业术语库、以及你特有的排版风格。

比如，我之前为了省去手动运营社交媒体的麻烦，让 Agent 帮我建立了一个自动在 Twitter（现为 X 平台）上进行内容排发的工作流。我先是花了一点时间，让它理解了我的内容库，以及我是如何将本地的长文章拆解成适合推特阅读的 Thread（线索）的。

在第一版测试时，我发现它自动生成的英文推特文案有些生硬，不太符合我平时的说话语气。在传统的 Chat 工具里，我可能只能无奈地点击“重新生成”，或者输入一堆“请表现得更幽默一点”的废话，但下一次它还是会犯同样的错误。

但是在 Codex 里，我直接跟它说：
> “我对这次生成的推特内容不满意。首先，语气要更地道、更口语化一些；其次，请你多花一点时间在后台做三轮自我纠错和润色，确保每一条推文的逻辑都是递进的，然后再写入定时的排发队列。”

收到这个反馈后，Agent 并没有只是敷衍地重新吐出几条文本，而是主动去更新了它本地的 Twitter 生成策略脚本。它不仅重新为我量身定制了 50 条高质量的英文推文，还把这套“自我纠错”和“多轮润色”的逻辑固化到了它的运行流程中。以后每一次我让它帮我处理社交媒体文案时，它都会自动执行这套更高级的策略。这种**“随着反馈不断进化、不断累积本地资产”**的能力，才是让 AI 真正融入个人生产力系统的核心关键。

---

### 升维认知：从“举红旗的行人”到“现代流水线”的范式转变

为了让大家更深刻地理解为什么我们要如此决绝地“停止使用 Chat 窗口”，我在很多大型企业的内部培训中，经常会引用科技史上的两个经典案例来进行类比。

第一个是**“英国红旗法案”**的案例。

在 19 世纪中叶，当蒸汽汽车刚刚在英国街头出现时，由于马车夫利益集团的阻挠以及社会大众对新兴事物的恐惧，英国议会通过了一项非常著名的法律——《红旗法案》（Red Flag Act）。该法案规定，每一辆在道路上行驶的蒸汽机动车，其车速在市区内不得超过每小时 2 英里（约合 3.2 公里），而且必须安排一个成年人举着一面红旗，步行走在汽车的前面，以此来警告来往的行人和马匹。

这在今天看来是一个极其荒谬和搞笑的画面：马力强劲、理论上可以飞驰的汽车，却不得不委身于一个步行工人的速度之下。只要前面的那个人走不快，后面的汽车就永远无法加速，它的所有动力和潜力都被这个举红旗的人给彻底锁死了。

然而，我们今天绝大多数人在使用 ChatGPT 的方式，本质上就是在干着“举着红旗走在汽车前面”的事情。

你想一想，你跟 AI 对话的过程是不是这样的：你输入一句 Prompt，AI 吐出一段话；你仔细阅读完，发现有个地方不对，于是再输入一句修改意见，它再吐出一段话；你再手动把它复制到你的文档里，发现格式乱了，你又在对话框里抱怨一句……

在这个过程中，**你（人类）就是那个举着红旗慢吞吞步行的人，而 AI 就是那辆被你死死限制住速度的豪华汽车**。无论你背后的 AI 模型参数有多么庞大、推理能力有多么强悍，它的效率极限完全取决于你打字的速度、你阅读反馈的速度、以及你手动复制粘贴的速度。

而当我们转向 Agentic 工具时，游戏规则彻底改变了。你不再是那个举着红旗走在车前的行人，你变成了坐在后座上的乘客，甚至是发布指令的指挥官。你只需要告诉它：“去火车站。”它就会自己在高德地图上规划路线、自己给油、自己踩刹车、自己避开拥堵，最终平稳地把你送到目的地。中间的无数个细微的驾驶动作，根本不需要你一一去口头指挥。

第二个是**“电机取代蒸汽机”**的案例。

在工业革命时期，早期的工厂都是围绕着巨大的中央蒸汽机来设计的。因为蒸汽机的动力必须通过一根又粗又长的中央主动轴，再配合无数的皮带和齿轮，才能把动力艰难地分配到每一个车间、每一台机器上。因此，那时的工厂为了迁就动力传输，无一例外都设计得极其狭长和拥挤。

当电动机（Motor）刚刚被发明并引入工厂时，工人们的第一反应仅仅是用电动机去原封不动地替换掉那个中央蒸汽机。他们把旧的蒸汽机拆下来，把电动机装上去，依然使用那一套复杂的皮带和长轴系统来传导动力。结果是什么？工厂的生产效率仅仅提升了大约 30% —— 虽然电能比煤炭更干净、更容易启动，但由于整个工厂的物理布局和工作流没有发生任何改变，电动机的颠覆性优势被完全埋没了。

人类社会为了真正释放电动机的全部威力，整整花了 40 年的时间。这 40 年里，电机技术本身并没有发生什么改天换地的变化，真正发生巨变的是**工作方式和工厂架构的重构**。

人们终于意识到，电动机是如此的轻便和便宜，以至于我们可以为每一台机器、甚至每一个工位都配备一个独立的电机。于是，狭长的多层工厂消失了，宽敞的单层扁平化工厂诞生了，伴随而来的就是改变了人类工业史的**“流水线”（Assembly Line）**。我们不再按照“动力源在哪里”来摆放机器，而是按照“物料生产的自然流程”来重新设计整个工厂。

今天，大语言模型就是那个刚刚被发明出来的、威力无比的“电动机”。如果你只是把它塞进一个 Chat 网页的对话框里，用来替代你以前查 Google 或者写草稿的过程，你得到的顶多就是那 30% 的微小提效。

你必须像当年的工业巨头重构流水线一样，**去重构你自己的工作流，建立起一套“AI 原生的自动化工作流”**。你要想方设法地让 AI 在后台默默地、成批地去执行那些繁重的步骤，而让你自己从无休止的“人机对话”中解放出来，只在最关键的输入端和最后的输出端进行把关。这，才是解锁十倍生产力的终极奥秘。

---

### 落地实操指南：如何迈出告别 Chat 的第一步

看到这里，你可能会产生焦虑：
> “我也想用这些强大的 Agentic 工具，但我完全没有编程背景，看到那些黑乎乎的命令行终端、各种复杂的软件配置，我心里就发怵。我该怎么开始？”

这其实是我们在教学过程中遇到最普遍的反馈。很多同学在海边看到别人畅快淋漓地游泳，心里羡慕不已，但当他们走到水边，脚尖刚碰到水的那一瞬间，觉得“这水好凉啊”，于是又吓得退了回去，继续在沙滩上晒太阳。

克服这种恐惧的唯一方式，没有任何捷径，就是**“直接下水，让自己被凉一下”**。只要你咬着牙在水里待上 30 秒，你的身体就会完全适应这个水温，你会发现水里其实舒服得不得了。

你只需要给自己安排一个没有任何打扰的晚上，静下心来，按照以下三个步骤去执行：

1. **下载并安装基础环境**：不要去害怕那些专业的软件。花半个小时，去官方网站下载并安装 **Codex**、**Claude Code** 或者 **Cursor**。现在的工具在易用性上已经做得极其出色，很多甚至有一键安装包，你只需要像安装常规软件一样一路点击“下一步”即可。
2. **用一个极简单的任务作为突破口**：不要一上来就尝试去构建多么庞大复杂的系统。去我们的社区 Knowledge Bank（这是完全公开且免费的板块）里，仔细阅读两篇入门文章：
   * 第一篇是《用好 AI 的第一步：停止使用聊天窗口》，它会从底层逻辑上帮你梳理上、中、下三策，对比不同的使用方案。
   * 第二篇是《以一个简单的任务看 AI 落地决策》，它会用一个极其具体的日常办公场景（比如批量整理表格或重命名文件），手把手地教你如何在 Agentic 工具里，只用自然语言下达指令，看着 AI 在你本地的环境中把活干完。
3. **完成你的第一个自然语言调度**：当你熟悉了基本的界面后，试着对你的 Agent 说：
   > “把我刚刚发给你的这段对话内容，整理成一个排版精美的 Markdown 格式文档，并保存在我桌面的 `AI_Notes` 文件夹里。”

当你敲下回车，看到它并没有像 ChatGPT 那样在网页里吐出一堆代码让你复制，而是真的在你桌面上默默新建了一个文件夹，并在里面躺着一个排版完美的 `.md` 文件时，你脑海里的那堵无形的天花板就会在瞬间轰然倒塌。

你会突然意识到：**原来我不需要学会写复杂的 Python 或 Bash 脚本，我只要清晰地表达我的意图和标准，大模型就能自动调度我本地的计算机算力去帮我把事情办妥。**

迈出了这一步，你就彻底告别了那 90% 依然在和 AI 玩文字游戏的人，正式跨入了那 1% 掌握了 AI 时代核心生产力密码的高手行列。学 AI 就像学游泳，水温可能在一开始有些凉，但我们已经在水里为你搭建好了安全而温暖的浮台，欢迎你勇敢地跳下来，跟我们一起，开启 10 倍提效的全新人生。