作者分享一年AI使用心得，强调用好AI的关键在于底层能力而非工具技巧。核心包括：根据不同任务组合使用ChatGPT、Claude等模型；学会清晰拆解需求，提供背景信息；重视信息输入质量，避免碎片化内容；积累个人上下文知识库；搭建人机协作工作流，而非盲目追求自动化；面对AI焦虑需保持判断力，聚焦真实需求。
本文字数 3512，阅读大约需 7 分钟
今天是除夕节，明天就是农历新年了。
每年这个时候，朋友圈都会刷屏各种新年 Flag——今年要读 50 本书、要减肥 20 斤、要学会一门新技能。
我也不例外。去年春节我给自己定的目标是「把 AI 真正用起来」。
一年过去，确实做到了。
Claude、ChatGPT、Gemini 成了我的日常工具，写文章、做调研、整理思路，几乎每天都在用。
但回头看这一年的摸索，我发现真正让我「用好 AI」的，不是学会了多少提示词模板，也不是试了多少个新工具。
而是一些更底层的东西。
趁着过年，我把这些经验整理了一下，分享给你。
如果你也想在新的一年更好地用上 AI，希望这篇文章能帮到你。
一、别把所有任务都交给同一个 AI
不论是人还是AI，训练过程都是：前面是预训练，后面是后训练。
预训练是为了获取世界知识，掌握语言工具，积累知识和理解能力，这是技能的基座。
后训练是在这个基座之上，通过特定领域的强化学习，进行海量的针对性训练。
每一个 AI 厂商选择了不同的后训练领域，就导致了大模型逐渐分化出了不同的擅长方向。
作为使用者，肯定要在不同领域、不同任务上选择不同的模型。
现在我的工具组合大概是这样的：
ChatGPT，我主要用来做信息检索和通用问题搜索。
它的深度研究功能特别好用。比如我要了解某个领域，直接让它生成一份深度调研报告，速度快，内容也够全面。
还有就是对于我不了解的任何事物，会去找它去补课，通过跟它对话的的方式（配合语音输入法），能够非常丝滑地消除知识盲区。
Claude 和 Gemini，主要用于深度思考或处理复杂任务。
我在 Claude Code 和 Gemini Cli 里封装了很多 Skills，讨论问题的时候，让 AI 帮我从更多角度思考，探索更多可能性。
讨论完直接把内容沉淀成文档，整个流程特别顺。
另外 Gemini 在长文本处理和多模态识别这两块能力很出众，遇到相关问题，我都会留给它。
设计出图，主要用 Nano Banana。
做设计草图、文章配图、公众号封面，基本都是它帮我搞定的。
虽然有时候需要多试几次，但总体效率比自己动手高多了。
语音转文本，短音频用 LazyTyper，长音频和视频转录用通义听悟。
LazyTyper 我主要拿来做语音输入，跟 AI 对话的时候用它，输出效率提升特别明显。
通义听悟能识别多个角色，免费额度也够用，开会录音整理起来很方便。
二、学会清晰地表达需求
这一点看上去，特别简单，但我真的见过很多人，没办法准确清晰表达出自己的需求。
例如，直接给 AI 下达一个指令：「帮我写一篇吸引人的营销文案。」
得到的结果，大概率是一堆陈词滥调的集合。
为什么？
因为「吸引人」是一个极其模糊的主观概念。
你心里的「吸引人」是幽默风趣，还是专业严谨？是情感共鸣，还是数据驱动？
AI 根本无从知晓。
而清晰表达需求，就是将这个模糊的意图，逐一拆解：
比如：
背景： 我们是一款新上线的笔记 App，叫「XX笔记」，主打极简和双向链接，目标用户是 25-35 岁的科技爱好者和内容创作者。
要求： 请写一篇公众号推文，风格要像「少数派」那样，专业但接地气，篇幅 1500 字左右。重点突出我们的 Markdown 实时渲染和无干扰的写作体验。请不要和 Notion、Obsidian 直接对比，而是强调我们自己的特色。
预期结果： 希望读者看完后，能产生「这个工具看起来很清爽，值得一试」的感觉，并点击文末的官网链接下载。
如果觉得，无法直接输出这样的表达，也可以换一种方式，让 AI 反向向自己提问：
我需要写一篇吸引人的公众号营销文案，用于推广我的 XX 产品，请你向我提问，获取你需要的信息，足以完成这个任务。
让 AI 一步步引导自己，把背景、目标、要求、预期结果等信息补充完整。
有了充足的背景信息，AI 输出的内容，才可能符合我们的预期。
三、重视信息输入的质量，输入比输出重要
编程领域有一条经典原则：Garbage In, Garbage Out（垃圾进，垃圾出）。
你给系统输入什么质量的数据，就会得到什么质量的结果。
这个原则放在 AI 身上，同样成立。
很多人抱怨 AI 写出来的东西很平庸，没什么用。
但如果你仔细看他们给 AI 的输入，就会发现问题所在——他们根本没给 AI 喂足够的、高质量的信息。
其实不只是用 AI，这个道理适用于我们生活的方方面面。
我们每天都在主动或被动地摄入大量信息——短视频、社交媒体、朋友圈……但很多时候摄入完之后，会感到空虚焦虑。
为什么？
因为我们输入的信息质量太低了。
算法推送给我们的，大多是经过层层转述、稀释、甚至扭曲的碎片化内容。
这些信息经过层层传递，早已面目全非，且缺乏证据和体系。
信息根据距离「源头」的远近，可以分为不同层级：
• 一手信息（证据）：直接的观察、实验数据、原始记录 • 二手信息（创造）：对一手信息的分析、综合、评价（如学术专著、深度研报） • 三手信息（整合）：对已有知识的系统梳理（如教科书、维基百科、综述） • 4567手信息（转述）：碎片化、个人化的感悟或鸡汤，往往丢失了原理和证据
很多人每天摄入的，都是第四类信息。
短期来看，这些信息能带来即时的满足感；但长期来看，它们正在稀释我们的注意力，降低我们的思考深度。
所以，不只是用 AI 的时候要重视输入质量，在日常生活中，我们同样需要主动筛选信息——只获取符合自己目标、能获得知识与智慧、能指导行动的信息。
经常输入什么信息，就会导致我们经常说相似的话，进而导致我们成为什么样的人。
四、积累上下文
这是我过去一年感触最深的一件事。
一月初，我收到了 flomo 的年度洞察报告。看着上面的数据，自己都有点惊讶：一年时间，我在 flomo 上写了 1178 条笔记，共计 15.6 万字。
更让我意外的，是报告对我这一年记录的「画像」。
它说我的年度主题是三个词：觉察自我、钻研新知、优化系统。
那些我自己都没意识到的思考脉络，那些以为只是随手记下的碎片，原来早就暗暗形成了一条主线。
很多人用 AI 的时候觉得它的回答「正确但无用」。
问题问得很清楚了，为什么答案总是那么泛？
因为它不了解你。
没有上下文的 AI，就像一个博学但对你一无所知的陌生人，只能基于通用知识给你答案。
howie.serious 陈老师分享过一个公式我很喜欢：输出 = 洞察 × 上下文 × 模型。
洞察决定你能不能清晰表达需求，上下文决定 AI 能不能理解你的具体处境，模型决定执行能力。
三个要素缺一不可，但大多数人只在意模型，忽略了上下文。
后来我开始把上下文往本地文件里搬。
读书笔记、项目想法、各种 SOP、常用的提示词，全部变成 Markdown 文件，存在 Obsidian 里。
慢慢地我发现了一些意想不到的好处：
同一份笔记，Claude 能读，Gemini 也能读，我不再被绑定在某个 AI 产品上；笔记库每天都在更新，AI 每次访问都是在和「最新版的我」对话。
未来模型还会持续迭代，工具也会不断更换。
但我的文件，永远是我的。
五、搭建工作流，但别迷信自动化
AI 工具越来越多，很多人开始想：能不能把所有流程都自动化？
我试过。
之前我想通过 n8n 自动获取 AI 领域的热点资讯，方便自己找公众号选题。
配置好规则，设置好关键词，让它每天定时抓取相关领域的内容。
听起来很美好对吧？
但深入去做了之后才发现，这其实是个伪命题。
就算我明确告诉 AI 要获取什么内容，它返回的信息依旧非常多、非常杂。
我还是需要人工筛选，才能知道哪些内容是真正能触动我、适合作为创作素材的选题。
这件事让我意识到：很多事情真的不一定越自动化就越好。
搭建工作流的核心，不是追求全自动化，而是合理地拆分人和 AI 各自擅长的部分。
拿我自己的写作工作流来说。
以前是：思考 → 写大纲 → 苦写 → 反复修改。
现在变成了：我来思考和构建框架，AI 来填充血肉，我再担任编辑角色打磨。
这个流程里，思考框架这件事必须我来做，因为只有我知道我想表达什么；填充血肉交给 AI，因为它在语言组织和素材扩展上效率更高；
最后的打磨还是我来，因为只有我知道哪些表达符合我的风格。
人做判断，AI 做执行。
这是我现在工作流的核心。
六、面对 AI 焦虑，更需要的是判断力
AI 时代的信息密度真的太大了。
每天都有「炸裂」的新产品出现，一天的信息量顶过去一个月。
今天 Cowork 还没捂热，明天又来了个 OpenClaw，后天 MoltBook 刷屏。
时间和精力有限，不可能每个新工具都试一遍。
如果不加筛选地追逐所有新技术，就会陷入一种「工具性忙碌」——很忙，但没有方向。
最近我也焦虑过一阵子。
看到新工具就想试，生怕错过什么重要的东西。但后来我发现，真正有价值的工具不会突然消失。
让子弹飞一会。
过了一段时间，还是很火的，再去尝试也不迟，例如 Skills。
还有一点：很多人研究新 AI 工具，不是因为有明确的问题要解决，而是因为「大家都在研究」。
如果不研究，仿佛就会被时代落下。这是一种被技术浪潮裹挟的集体性焦虑。
但 FOMO 的核心心理是「我怕错过，但我也不知道我要什么」。
本质不是需求驱动，而是趋势驱动，装环境、看教程、试模型，制造一种心理错觉——我好像在进步，我好像站在前沿。
但实际上没有真实业务场景，没有长期使用动机，没有内化成能力，结果就是越学越焦虑。
写在最后
回头看这一年，真正让我受益的，不是我试了多少个新工具，而是在这个过程中，我对自己的需求越来越清晰，对信息的筛选越来越有判断力。
2026 年肯定还会有更多新的 AI 工具、AI 技巧出来。
如果你也想在新的一年更好地用上 AI，希望这篇文章能帮到你。
最后，祝你新年快乐～🎉
以上，就是本文全部内容，如果觉得这篇文章对你有启发，点赞、比心、分享三连就是对我最大的支持，谢谢～
• 用 Gemini 解锁 YouTube 新用法，信息获取效率提升 10 倍
• 有了 NotebookLM 后，还需要 Obsidian 吗？
• 我试了 NotebookLM 学习法后，彻底抛弃传统学习方式
• NotebookLM 的这个更新，比 Gemini 3 Flash 更让我兴奋
• 我用 NotebookLM 解锁 PPT 的 5 种玩法，实现了 PPT 自由
没有评论:
发表评论