AI 之路初阶升级指南（一）：理解你手里的工具

TL;DR： 这是「AI 之路初阶升级指南」系列的第一篇。整个系列共 5 篇，覆盖 4 周练习 + 毕业考核。系列导航将在全部篇目发布后更新。

引言：你是不是也这样用 AI？

我观察过身边很多朋友使用 AI 的方式，发现一个普遍规律——他们已经对 ChatGPT、Claude 这些工具不陌生了，日常也偶尔会用，但体验非常不稳定：有时候 AI 给出的回答让人拍案叫绝，有时候却牛头不对马嘴，完全没法用。

“时好时坏，靠运气”——这是绝大多数人停留在的阶段。我把它叫做 L0。

L0 的问题不在于你不懂 AI，而在于你和 AI 之间的交互方式是"碰运气"式的。你想到什么问什么，没有结构，没有预期，自然也就没法稳定地得到高质量输出。

而 L1 的核心区别在于四个字：“有设计地使用”。你知道什么时候该开新对话，什么时候该追问；你有一个经过验证的 Prompt 库；你能判断 AI 的输出是否靠谱。从 L0 到 L1，不需要你会编程，不需要你懂数学，只需要你花大约 4 周时间，每天 20-30 分钟，有意识地练习。

这份教程就是这么来的。整个系列共 5 篇，按顺序推进，每篇读完后做练习再读下一篇：

1. 理解你手里的工具（即本文）—— LLM 不是搜索引擎、两种记忆机制、主流平台特长
2. 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
3. 把 AI 变成你的协作伙伴—— 追问迭代、上下文管理、角色扮演与专家模拟
4. 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
5. 毕业考核与下一步—— L1 达成清单、L1→L2 双路径预告（API / 自主执行型 AI）

前 4 篇对应 4 周练习，第 5 篇是收束和展望。每篇末尾有练习，建议每篇花 2-3 天完成练习后再读下一篇。

准备好了吗？我们开始。

第一周：理解你手里的工具

Day 1-2：LLM 不是搜索引擎

为什么重要：这是使用 AI 最底层的认知基石。如果你把 LLM 当搜索引擎用，你的期望就会错位——你会期待它每次给出"正确答案"，一旦它瞎编了一个事实，你就会觉得"这东西不靠谱"。但实际上，LLM 的工作原理和搜索引擎完全不同。

怎么理解：搜索引擎是检索式的——你输入关键词，它在索引里找到匹配的网页，按相关性排序返回给你。结果来自真实的网页，是确定性的。而 LLM 是概率性生成式的——它根据你输入的内容，逐字预测"下一个最可能出现的词"。

AI 不"知道"答案，它在"生成"答案。“知道"意味着有确定的事实基础，“生成"意味着它是在概率分布中采样。同一个问题问三遍，你可能得到三个不同的回答。大多数时候它的生成是合理的、有用的，但偶尔它会"幻觉”——生成听起来很有道理但完全错误的内容。

怎么练习：今天请你做一件事——找一个开放式问题（比如"如何提升团队协作效率”），用完全相同的措辞，在同一个 AI 平台上连续问 3 遍。仔细观察三次回答的差异。你会发现，核心观点可能相似，但具体的论据、举例、结构每次都不同。

这个练习能帮你建立直觉：AI 的输出不是查出来的，是"组装"出来的。一旦你有了这个认知，你就不会再把它当搜索引擎了。

然后问自己一个关键问题：什么场景该用 AI，什么场景该用搜索引擎？ 简单的规则是：需要查证具体事实（“最新的中国 GDP 是多少”）→ 搜索引擎；需要分析、创作、综合、推理（“帮我分析这个商业模式的风险”）→ AI。需要准确引用来源的内容，永远先用搜索引擎验证。

Day 3-4：两种记忆——工作记忆 vs 长期记忆

为什么重要：理解 AI 的"记忆"机制，是避免"聊着聊着就跑了"和"每次都要重新解释自己"这两大痛点的关键。如果你不知道 AI 能记住什么、记不住什么，你就不可能在对话中有效地管理上下文。

怎么理解：AI 有两种"记忆"，它们的工作方式完全不同。

工作记忆（上下文窗口）

工作记忆就是当前对话中 AI 能"看到"的所有内容。你发的每一条消息、AI 回的每一条消息，都在这个"窗口"里。但关键限制是：对话结束，工作记忆就消失了。 下次你开一个新对话，它对之前的聊天内容一无所知。

工作记忆还有一个"容量"问题——上下文窗口的空间通常以 Token（可以粗略理解为字或词的单位）来衡量。每条消息都会占据空间，当对话变得很长时，早期的内容可能被"挤出"窗口，AI 就会"忘记"你之前说过的话。这就是为什么聊久了 AI 容易跑偏。

实操上有三个关键技巧：

1. 学会判断什么时候该开新对话：如果你要处理一个和当前对话无关的新任务，别在原对话里继续——开一个新的。
2. 长对话中主动总结：每隔 10-15 轮，主动说"到目前为止我们确定了以下要点：1…2…3…"，帮 AI 把关键信息压缩回来。
3. 什么时候可以在当前对话继续：当你需要 AI 基于之前讨论的上下文继续工作时，留在这个对话里。

长期记忆（跨对话记忆）

长期记忆是 AI 平台提供的跨对话记忆功能，到 2026 年已经成为主流标配。但各平台的实现方式差异很大，值得你花几分钟了解清楚。

以下信息截至 2026 年 5 月，各平台功能可能已更新，建议以官方文档为准。

关键认知：长期记忆 ≠ 无限可靠。 它可能记错（把你说过的偏好搞混），也可能记了你不想让它记的东西（比如某次临时性的偏好被当作长期偏好）。所以你需要养成一个习惯：定期清理记忆，像整理浏览器书签一样管理 AI 的记忆。

怎么练习：

1. 工作记忆体验：开一个新对话，和 AI 聊 5-6 轮（聊什么都行），然后开一个全新对话，问它"我们刚才聊了什么"。它不知道——这就是工作记忆的"对话结束即消失"。
2. 长期记忆管理：在你日常使用的平台上，找到记忆管理入口（通常在设置里），查看它当前记住了关于你的什么信息。如果有过时的或错误的内容，删掉它。养成每月查看一次的习惯。

Day 5-7：认识主流 AI 平台及其特长

为什么重要：很多人只用一个平台，然后得出"AI 不行"的结论。但事实是，不同平台有不同的能力特长和适用场景。了解这些差异，能帮你在对的场景用对的工具。

怎么理解：我按全球和中国平台分别梳理：

全球平台：

• ChatGPT：生态最完整，插件和应用生态丰富，GPT-5.5 系列能力均衡。适合日常全能使用和需要插件生态的场景。
• Claude：长文处理能力突出，写作和分析质量高，Projects 功能可以上传参考资料保持上下文。适合深度写作、长文档分析、代码审查。
• Gemini：Google 生态集成好（邮件、文档、日历），多模态能力强，Deep Research 适合深度研究。适合重度 Google 生态用户。

中国平台：

• Kimi：超长上下文处理能力强，中文理解自然，适合阅读和总结超长文档。
• 豆包：字节跳动出品，抖音/飞书生态集成，响应速度快，免费额度大方。适合日常中文场景和字节生态用户。
• 千问（Qwen）：阿里出品，淘宝/钉钉生态集成，通义系列模型能力在国产中名列前茅。适合阿里生态用户和通用中文场景。
• DeepSeek：推理能力出色（特别是数学和编程），开源模型可本地部署，API 价格极低。适合编程和数学推理场景，以及有本地部署需求的用户。
• 智谱清言（ChatGLM）：清华系团队出品，代码生成和推理能力强，支持 AI 视频通话和手机 Agent。开源生态活跃（GLM 系列 GitHub 星标超 15 万）。适合编程辅助和喜欢尝鲜的用户。

特别提醒：中国平台在中文场景下有独特优势——公文写作更规范、本地化研究更准确、国内 API 生态接入更方便。如果你主要处理中文内容，不要忽视国产平台。

除了对话平台，还有一些专用工具值得了解（不需要现在就用，知道它们存在就行）：

• Perplexity：AI 搜索引擎，能联网搜索、交叉验证、引用来源。适合需要查证事实的深度研究场景。
• Copilot / Cursor：编程辅助工具，在代码编辑器内直接提供 AI 补全和重构建议。如果你不写代码，可以跳过。
• Notion AI：知识管理工具 Notion 的 AI 功能，适合在笔记环境中直接使用 AI。
• Claude Code / OpenAI Codex（云端版）/ OpenCode 等（自主执行型 AI）：这类工具常被贴上"AI 编程"标签，但它们的本质是能自主执行任务的 AI——读文件、改文件、跑命令，编程只是最显性的用例。比如你可以让它帮你把一个文件夹的 Markdown 文件批量转换格式、整理项目目录结构、或者分析一份 Excel 数据。大部分在本地运行（如 Claude Code、OpenCode），部分在云端沙箱中执行（如 OpenAI Codex）。需要命令行基础，属于 L2+ 范畴，但值得留意——“自主执行型 AI"很可能是下一个全民级工具形态。

怎么练习：选一个你最近遇到的真实复杂任务（比如"帮我分析一份商业计划书的可行性"或"帮我写一篇技术博客”），分别在 2-3 个不同平台上执行，对比结果的质量、风格、深度差异。这个练习能帮你直观地感受平台间的差异。

然后做一件更重要的事：根据你的主要使用场景，确定 1-2 个主力平台，深耕它。 不需要全用，精通一两个远胜于浅尝辄止。写作多就选 Claude，日常综合用 ChatGPT，中文场景用豆包或 Kimi——根据你的需求来。

第一周到此结束。下周我们进入 Prompt 基础——从模糊提问到精确指令。（第二篇即将发布）