📖 本文是「AI 之路初阶升级指南」系列的第 5 篇（共 5 篇）——系列导航 + 毕业考核。
系列导航
| 篇 | 主题 | 核心内容 |
|---|---|---|
| 第一篇 | 理解你手里的工具 | LLM 本质（不是搜索引擎）、工作记忆 vs 长期记忆、主流平台与专用工具 |
| 第二篇 | 从模糊提问到精确指令 | RBGO 提问框架、Chain-of-Thought 思维链、格式约束 |
| 第三篇 | 把 AI 变成协作伙伴 | 追问迭代、上下文管理（开新对话/进度总结/分段处理）、角色扮演 |
| 第四篇 | 建立个人体系 | Prompt 库、场景-工具映射（国际/中国双方案）、知识管理分层策略 |
| 第五篇 | 毕业考核与下一步 | L1 达成清单、L1→L2 双路径预告 |
毕业考核：L1 达成清单
4 周的练习到这里就结束了。在宣布你"毕业"之前，请诚实地对照以下清单：
- 能解释 LLM 的核心工作原理（概率性生成、上下文窗口有上限）
- 了解工作记忆和长期记忆的区别，知道你用的平台支持哪种、怎么管理
- 掌握 RBGO 提问框架，日常提问自觉带入角色和背景
- 知道什么时候该用 CoT（分析推理），什么时候不需要（简单查询）
- 养成追问迭代的习惯，很少接受 AI 给的第一个答案
- 有一个维护中的 Prompt 库（至少 10 条验证过的 Prompt）
- 知道自己的核心场景用什么工具最合适
- 能判断 AI 输出的可信度，关键信息会主动验证
如果以上 8 项全部打勾——恭喜你，你已经是合格的 L1 用户了。你从"碰运气"走到了"有设计"，这个跃迁会在日复一日的使用中持续释放价值。
如果还有几项没勾上——也没关系。回过头去，专门练习那些薄弱环节。这份教程不是跑完就扔的，它是你的参考手册。
下一步预告：L1→L2 的门槛
如果你在 L1 已经如鱼得水，开始好奇"还能怎么更进一步"，那 L2 的方向已经隐约可见了：
L1→L2 的关键跃迁：从"使用 AI"到"构建 AI 工具"。
L2 意味着你不再只是和 AI 聊天，而是开始让 AI 替你做事。有两条路可以走：
路径一：通过 API 构建自动化工具。 注册一个 API 账号，用 Python 打印你的第一条 AI 回复。国际平台可选 Anthropic API、OpenAI API、OpenRouter 等；中国平台可选 DeepSeek API、Kimi API、智谱 API、MiniMax API、火山引擎 API、小米 API——其中 DeepSeek、Kimi、智谱、MiniMax 等也提供海外版订阅服务，按你所在区域和成本偏好来选。
路径二：直接使用自主执行型 AI（如 Claude Code、OpenAI Codex、OpenCode）。不需要你写代码，但需要你习惯用命令行描述任务。如果你对第一篇提到的"自主执行型 AI"感兴趣——想让 AI 帮你批量处理文件、自动化重复操作——这条路可能比学 API 更快见效。
如果你暂时两条路都不想走——完全没问题。 L1 的能力已经能覆盖绝大多数日常场景。会开车不一定要会造车，会用 AI 不一定要会调 API。等到你有了"好想把这个流程自动化"的真实需求时，L2 自然就来了。
预计的 L1→L2 升级教程会涉及命令行操作或编程基础，我们到时再见。
从 L0 到 L1，你花了一个月。但从今天起，你和 AI 的每一次对话都不再是碰运气——你清楚自己在做什么，你知道怎么得到想要的结果，你有一套属于自己的体系。这才是 AI 工具化使用的真正起点。