工作方式
← 返回栏目五层分法：我怎么看一个人把 AI 用到哪一层
我有一套自己的笨办法，用来看一个人或者一个团队把 AI 用到了哪一步。
这不算打分，也谈不上给人贴标签。就是每次接活、带人、看项目的时候，我需要快速知道对方大概在哪，聊什么能对上频道，聊什么会鸡同鸭讲。
这套办法我内部管它叫“五层分法”。其实最初是两套——一套偏向看协作能力，一套偏向看观察深度——后来我合并成了一套，因为说到底，判断标准就一条：
不是看他用什么工具，而是看他关心什么问题。
下面我把五层逐一拆开说。
第一层：工具体验者
最直观的一层。装几个对话 AI，让它们写文案、做总结、翻译、改标题，关注哪个工具好用、哪个模型更强。看到别人用 AI 干成了什么事，第一反应是“我也想试试”。
这一层很好认——聊起 AI，注意力通常会落在“你用的哪个工具”或者“有没有好用的推荐”。这没什么问题，只是此时关心的还是工具本身。
我见过一个挺典型的画面：有人手机和电脑上同时装了四五个对话 AI，每个都试了一圈，最后结论是“都差不多”。再问他用 AI 做过什么具体的事，主要是改日常文案、做几次总结。对偶尔用用的人，这已经够了；但如果想让 AI 进入日常工作，这一层还接不住。
单次任务反馈快、体验好，很容易让人产生“这就够了”的错觉。确实，如果只是偶尔用用，没毛病；可一旦想把 AI 变成日常默认配置，这一层就不够用了——每次打开聊天窗口都像重新认识一个人，没有上下文，没有复用，没有积累。
第二层：模板复用者
到这一层，人会意识到 AI 得有结构地问。收集提示词、建常用指令、试知识库和角色设定，看到好用的 prompt 存起来下次套用，有些人还会整理成文档时不时更新一版。
识别信号也好认：你跟他聊 AI，他开始分享自己的 prompt 模板，或者反过来问你“你这个任务用的是什么提示词”。他已经过了到处打听“什么工具好用”的阶段，但注意力还停在“怎么问”上面。
我自己在这层待过不短的时间。有一阵子我的 Obsidian 里专门建了个文件夹放各种提示词，分类、打标签、写说明，搞得跟图书馆似的。后来发现一个问题：模板越攒越多，真正用起来的没几个。真实工作里的任务很少能恰好塞进一个模板，每次都得改，改着改着就变成重写了。
模板攒得越厚，越容易让人有种“我体系化了”的踏实感。但 prompt 只能解决“一次怎么问”，解决不了“下次怎么不用重新教”。
第三层：工作流搭建者
这一层开始变了——人不再把 AI 当成单次对话工具，而是把它接进自己的真实工作链条。他们会把业务流程拆开，把任务分出三六九等，提前备好资料和上下文，然后给 AI 划地盘——你管这块，规矩是什么，红线在哪里。说白了，就是直接把 AI 焊死在工作流里当一个固定环节。
我识别这一层通常看一个信号：他跟你描述自己怎么用 AI 的时候，说的是“我先……然后 AI 出初稿……我再……”——是一个流程，不是一个孤立的动作。
之前我看过一篇别人写的案例，讲她用 AI 搭了一个“团队”，把雇主品牌 HR 的工作拆成内容、传播、情报、项目、数据几个模块，每个模块配一个角色。说实话，那个呈现已经不错了，能看出她是真在项目里跑过的，不是纸上谈兵。但她没展开说的几件事，我反而更在意：这套流程换个场景还能迁移吗？token 成本是多少？返工率高不高？几个 AI 角色是真有能力分工，还是同一个模型换了人设？哪一步出了岔，谁来兜底？
这都不是挑刺。第三层和第四层的分界线，就卡在这些没被回答的问题上。很多人搭完流程就以为万事大吉了，但这恰恰是个陷阱。流程只是骨架，骨架搭好之后，更关键的在于：它在什么条件下成立，又在什么条件下会塌。
第四层：Agent 协作边界识别者
到这一层，人不再盯着“好不好用”了。他会开始追着问：这案例真能跑通吗？成本是不是被悄悄藏起来了？有没有自己骗自己的成分？哪些活儿 AI 能直接接，哪些只能搭把手，哪些打死也得自己把关。
我目前主要在处理这一层的问题，离下一层还有明确距离。
我把注意力放在第四层，靠的是过去的经验，跟聪不聪明没关系。做数据分析时，我被训练得总要问口径、基线、验证；做商业分析，要识别案例包装和选择性呈现；管过人，也知道团队不是起个名字，而是责任、边界和机制。重度用 AI 这一年多，返工、幻觉、不稳定的亏，我也实打实吃过。
举个具体的例子。有次我让一个 Agent 生成一批分析结论，它写得又快又漂亮，读着像那么回事。但我回头查了一下原始数据，发现它把一个字段的口径理解错了——它把“月活”当成了“注册用户”在算。写得多漂亮都没用，地基偏了，整批结论都得打回。Agent 不会有“写错了会疼”的那种感觉，它只会继续流畅地往下编。那次之后我给自己定了个死规矩：AI 出的东西，我至少要追一条——“它这个判断，是从哪条数据来的？”
第五层：生产级系统设计者
这一层关心的东西很硬：系统怎么扛得住真实世界的折腾——状态乱了能不能发现，权限漏了会不会出事，每一步能不能追溯，成本飙了有没有预警，挂了能不能自己爬起来，回滚、审计、SLA 这些一样都不能少。能到这一层的人，已经过了“用 Agent”和“搭工作流”的阶段，他们操心的是怎么设计一套可控、可追踪、可维护、可评估的 AI 系统。
这层的东西，我大部分还没亲手做过。但花了不少时间去摸它应该具备什么。原因也简单：在第四层待得够久，迟早会撞上一个问题——“我判断出了边界，可边界怎么变成系统级的保障？“答案就落在第五层。
我刻意不越界的地方也在这里。第五层要的是大量生产系统经验和工程实现，这跟我目前的路径不对路。我能做的，是站在第四层，把边界识别、任务分级、上下文资产、质检机制、成本评估这些沉淀成一套能复用的方法，给还没走到这层的人留个参考坐标。
这套五层分法，说到底不是用来给人排座次的。
它是我给自己做的一个判断工具：一个项目里，哪些环节可以交给 AI 直接出活，哪些只能让它辅助分析，哪些必须人审，哪些根本不适合自动化。
它背后的东西，其实是我一贯的工作习惯——先看结构，再判断边界。拿到任何一件事，先拆开看它由哪几块构成、块与块之间怎么衔接、每一块的成立条件是什么。然后才决定从哪里下手。
AI 只是让这个习惯多了一个应用场景。但习惯本身，比 AI 的出现早得多。