用了AI之后的一些体会：h2

1. 信息太多了，反而有些接受不过来 特别是用了DeepResearch之后，AI一次性给的东西特别多，光看就需要好久，虽然说会标注来源，但是有一些来源的准确度真实性还需要验证一下才放心
2. 错觉：AI生成了≈看过了≈会了 以前是收藏了就是会了，现在是AI给我说了就是会了，最好还是自己思考一下或者实践验证一下

• 克服学习时的尴尬

• 深度学习方法：

1. 升级版费曼学习法 让AI扮演从12岁到21岁，教授AI，看AI是否理解了
2. 用好AI的泛化能力，举一反三 看到一些案例，问问AI在我自己的领域应该怎么开始利用
3. 反向提问法 在学习新的领域时，你其实往往一脸懵。让ai来问你，而不是你问ai，因为你问不出东西。 这样做可以让你明白整个流程是怎么回事，且内容是高度定制化的，通过反问来让实现路径显示出来
4. 测试学习巩固法 根据学习内容提出问题，让他考初学者，入门者，专家难度等，用来检测我们学习的效果

• 要用AI辅助阅读 不要让AI代替阅读，让他来辅助阅读 如果没有时间，建议让AI来抓关键词，让AI找出20个关键术语，然后按照逻辑进行分类

• 底层学习原理

  1. 学习的东西要服务于人生蓝图的具体目标
  2. 成年人的学习要从项目开始：做项目中遇到问题解决问题，而不是从原理细节开始抠，干中学
  3. 公开你的学习进程：

• AI是有矿人的狂欢

  1. 自己多积累多总结，多记录

• 个人实践：设置“AI戒断日” 拿回自己的能力

• 执行力是AI时代最稀缺的能力 要有执行力

AI的应用就是始于重复劳动的替代以及一线痛点的解决

Agent认知：

1. 市面上所谓的AI Agent其实后台可能8成都是workflow，工作流里都是IF ELSE
2. 智能和精确是个悖论，大模型其实讲究的是概率所以注定达不到100%
3. 以前代码出bug我们能定位是哪一行，现在Agent出错或没达到语气是因为prompt写的不够骚
4. Demo里看Agent的思维链觉得很酷，但实际落地每一次LLM的思考都是秒级的延迟，用户可能就得对着转圈等上一会
5. 上下文足够长，模型也就越分散
6. 思维链，极度依赖用户输入，或者需要做意图识别，问题转写或者做一些二次确认的交互逻辑

如何判断一个业务是否适合用大模型？ 主要就是看有没有替代性和ROI能不能算平

1. 不用大模型有没有更便宜的方案？
2. ROI必须要量化，大模型方案必须要是人工成本的1/10
3. 必须要有降级的路径，一定要有plan B
   • 客服答不出来 切FAQ
   • 总结失败 切返回原文
   • 识别不精准 转人工 高频不等于适合，大模型可能会有延迟，更看重是否解决了核心痛点

AI在企业内应用的价值是完成了一场对“最佳实践”的去没和与“业务流程”的拆解

1. 标准答案变得一文不值：以前靠最佳实践形成“知识垄断”，现在大模型把这些知识白菜化了，不给你100分方案也可以给你85分的
2. 流程结构：以前的企业软件本质上就是把最佳实践写死在代码里，企业为了系统必须修改自己的业务去适配，但是Agent出现会让业务逻辑原子化，AI让业务流程从固态变成了液态
3. 重构SA的新使命：解决方案不值钱了但是判断力值钱，AI拥有Knowledge但是我们有Context，SA由最佳实践搬运工变成了智能业务的剪辑师。价值不再是告诉客户标准流程是什么，而是利用对业务的深刻理解从AI生成的100个方案中，识别出最适合当下的那个