用了三年多 AI，从对话、画图到搭 Agent、写工作流，作者越跑越确信：个人差距不在谁的工具多，而在谁能建立可持续的成长系统。直面恐惧、动手闭环，比收藏十篇教程都值。

上周，看了卡神的一篇文章，讲的是他们创业两年半后，关于AI组织的7点心得。

读完后，我最受触动的，不只是他对AI、业务和商业本质的洞察，还有他对“人”和“组织”的期待。在一个总在谈效率、模型和商业化的时代，这种真诚和善意反而显得稀缺。

回头想想，我们开始用AI也有三年多了，从chatgpt时代开始，开始和大模型对话；再到AIGC的火爆，开始频繁画图、做视频、做音乐；再到Agent的出现，用coze搭各种各样的工作流；再到小龙虾的出现，开始搭建自己的助手，去完成很多自动化的任务，沉淀skill；到现在的workbuddy和codex，真正拥有了自己的办公助手……

上一届卡塔尔世界杯梅西捧杯的场景仿佛还在昨天，转眼间，美加墨世界杯已经由西班牙捧起了新的奖杯。AI产品的更迭速度，甚至比四年一届的世界杯更能提醒人：时间真的过得很快。

这三年多，AI发展的实在是太快了，快到小红书上的热评总是“只要你够懒，学得够慢，你就不用学了，更先进方便好用的东西就来了”。

话是这么说的，但是焦虑一分没有减，尤其是在深圳工作和生活的日子里，你会看到地铁站里的广告，很明显的AIGC产物，设计师的生存空间越来越拥挤；你会听到咖啡店、奶茶店里，很多人聊的是AI怎么落地、商业化，仿佛已经是下一个时代了；你会在打开招聘软件后看到，大部分的岗位都是AI相关，而你还在做传统行业的传统工作……很难不怀疑：我是不是已经慢了？

AI带来的焦虑真的越来越多，所以你只能持续的奔跑，不停的学习、前进、追赶，生怕被时代抛下。

但跑了几年以后，我越来越确定，AI时代的个人差距，不只取决于谁会用更多工具，而在于谁能建立一套可持续的成长系统。

在这焦虑奔跑的几年里，一边学AI、一边做AI产品落地，在很多个深夜里，逐渐想清楚了5件事，也想跟大家一起分享下。

一、先直面AI：别把“不会”误认成“做不到”

我一开始看到大家说AI可以聊天的时候，觉得还挺好玩的，然后就注册账号，跟GPT对话。

后来开始用AI作图的时候，我就注册了midjourney账号，那时候还得通过discord跟AI对话，让他出图。

再后来用扣子做Agent的时候，是真的有点懵了，智能体咋做，工作流咋做，要去调很多插件，还要写一点代码，这都咋搞啊？

再到后来用上小龙虾和codex，要让AI帮我写PPT，怎么写出符合我要求的PPT，真的毫无头绪。

但上面这些问题，后来都一个一个被解决了。

AI能做到的事情越来越多，但使用他的难度其实也在增大，很多时候真的不知道应该怎么做。

今年开始尝试做部门具体的AI产品落地，一开始也是毫无头绪，不知道应该从哪里做起，因为真的完全没有做过AI相关的产品。那种恐惧变得更具体：不知道从哪个场景切入，不知道怎么拆流程，也不知道产品做到什么程度才能上线。

准确地说，我恐惧的并不是AI，而是困难和不确定性。

觉得使用AI工具很困难，不知道从哪里做起，不知道每一步该干嘛，然后就想放弃。

后来慢慢一点一点，一个一个项目还是啃了下来，都做出了最终的成品。

慢慢的做得多了之后，就没有那么害怕了，因为AI做产品也有相对标准的方法论，怎么去定义场景和边界，怎么设计prompt和知识库，怎么规划系统流程、设计兜底方案，怎么建立评测调优的机制，怎么接入业务系统，怎么分阶段上线和验证指标……

万事开头难，真的开始一点点做起来后，心情就会慢慢放松下来。

绝大多数时候，不知道该怎么用AI，不知道怎么推进，看不懂某个问题的时候，都是继续问题AI，让AI给出回答和解法，然后继续往下推进。

你需要有直面AI的勇气，不要害怕他，大不了就是多花点token费用。最终如果没做出什么，也没有什么损失。

但是每次尝试，真的都会带来收获，有可能只前进了一点点，但那也是做出来一点点新的东西。

有了勇气后，一定要多做。

不要只看别人演示一个多么厉害的Skill，或者收藏一篇“AI神器大全”。亲手安装一次，用它完成一个真实任务，在失败中调整一次。才能做得体会他能做到什么，慢慢就学会用它来完善自己的工作流。这一次闭环，比看十篇教程都更有价值。

AI时代最害怕的，不是对未知的恐惧，而是AI和你之间还有隔阂，你还需要通过其他人、其他工具去了解AI，而不是直接去跟他对话。

不管你做的是什么内容，去面对他，去跟他沟通交流，去动手，去跟他一起创造出成果，这些才是最有意义的。

虽然我是产品经理，但是我觉得AI时代，很多用户就可以成为产品经理，给AI提需求，提问题，让他解决，你负责验收成果，现在才是“人人都是产品经理”的时代。

如果你还只是把自己当用户，没有直面AI的勇气和执行力，那会是最大的遗憾。

打破心魔，是一切的开始。

二、别为了学AI而学AI：工具会过期，问题不会

我从23年初加入了一个AI学习社群，每年都会组织很多AI产品工具的实战营，会员可以交押金参与，完成全部的任务和作业后，就可以退押金，近似于免费参与。

因为AI工具一个接一个，所以社群的实战营也常常有，平均每个月都会有新的项目。

看着新的东西层出不穷，大家学习热情高涨，常常焦虑到觉得自己不学就落后了。

所以后来报了好几个实战营，学扣子的，学RPA+AI内容创作的，学AI视频工作流的，学AI电商工作流的，学codex的，学workbuddy的，再到最近还学了一个GEO的……

很多时候，就是觉得自己能多学一些是一些，技多不压身。

但是参加过两个后，到第三个的时候，我就开始深刻的感觉到：为了学工具而学工具是没有意义的。

你得带着你的问题，去学工具，用工具完成你的课题。

在这个过程中，你才会去思考，要完成具体的业务问题，应该怎么拆解流程，最终可以在哪个流程使用工具获得关键性的突破，可能是做到以前做不到的事情，也可能是效率翻十倍、百倍。

其实很多的AI课程，要么是讲逻辑、要么是讲工具使用方法，并且附带一些案例，但是最重要的，其实是你自己的案例。

你完成了别人的案例后，你是不会有很深刻的印象的，就好像RPA+AI内容创作，坦白说我已经忘了RPA具体什么用的了，因为我平时压根没用。

但是workbuddy学的内容，我都还记得很清楚，包括自己的知识库怎么搭建起来，让他自动蒸馏，成为一个自我迭代的知识库。

所以，一定不要为了学AI而学AI。

产品经理做事，不会因为市场上出了一个新功能，就立即塞进自己的产品。我们会先问：它解决了谁的什么问题？相比现在的方式，它究竟好在哪里？学AI也应该如此。

现在，我会在开始一次AI学习前，先问自己3个问题：

1. 我要解决的具体问题是什么？它最好是当前真实发生的业务问题。
2. 这个工具会被用在哪一段流程？是补上原来做不到的能力，还是把效率提升一个量级？
3. 学完后我会交付什么？是一个可用的工作流、一份报告，还是一个能持续运行的小产品？

如果这三个问题都答不出来，那么这次学习大概只是在缓解焦虑，而不是在建立能力。

工具的半衰期越来越短，但定义问题、拆解任务、评估结果的能力，会穿越工具周期。

带着问题去进行每次的学习，如果你有一个企业，最近想探索怎么获取更多自然精准流量，那你就去学GEO。但是你不要在没有企业、不知道SEO是什么的情况下，就跑去学GEO，这样没有意义。

带着问题学，学到的才会变成你的能力；为了不落后而学，学到的往往只是下一次焦虑的素材。

三、重视每一KB的数据，但更要重视数据的质量

用AI有个非常非常常见的场景，就是做一个个人助手，不管是为了像客服一样代替你回答问题，还是帮助你写周报、整理日程、输出产品方案。

如果个人助手可以做出来，是真的可以帮你解决很多日常问题，就好像贾维斯和钢铁侠一样。

当你开始做的时候，你一定会意识到一个问题，怎么让他理解你、学习你、成为你。

这个过程的关键就是知识库。

知识库的核心资产，就是数据。

对一个产品经理来说，值得沉淀的远不只是产品文档。还包括每次需求背后的判断，上线后的数据变化，用户的反馈，和同事、领导的沟通结论，失败方案的原因，以及复盘时才被说清楚的隐性经验。这些往往比“最终版PRD”更能决定AI输出的上限。

一定会有某个瞬间，你深刻的感受到，原来这个世界就是由数据组成的！

这个世界也确实是由数据组成的。

AI能变得如此强大，也是因为他学习了整个互联网的公开信息、各种各种的图书、视频等等。

如果你想做很多AI产品，没有数据一定是寸步难行。

甚至你可以看到，现在很多平台，靠提供API服务调用查询数据就赚的盆满钵满，一个用户一年费用达到数千上万。

当模型能力逐渐趋同，真正拉开差距的，往往是谁拥有更高质量的上下文、更真实的反馈和更可复用的经验。

谁掌握了核心的有效数据，谁就掌握了话语权。

所以，从现在开始，要重视每一KB的数据，这是什么概念，就是你和别人在微信说过的话，都是非常非常非常重要的数据。不要怀疑这句话，这个数据决定了你能训练出一个表达风格、语气、口吻、态度很像你的助手，这是最独一无二的数据。

但“重视每一KB”并不等于把所有东西都囤起来。没有语境、无法检索、已经过期的内容，只会把知识库变成数字杂物间。真正有价值的数据，至少需要具备4个特征：

• 真实：它来自你的实际工作和真实反馈，而不是网上再复制一份通用答案。
• 有上下文：不只记录结论，还记录问题、假设、限制和选择理由。
• 可复用：它有明确的分类、标签、时间和版本，下一次遇到类似问题能被找到。
• 可控：敏感信息有权限，个人隐私有边界，错误和过期内容可以删除或更新。

这也是我对“个人知识库”理解的变化：它不是一个文件夹，而是一套持续运转的机制——把重要信息记录下来，将经验整理成可检索的结构，再通过使用和反馈不断更新。

所以，从现在开始，可以建立自己的知识库。不必一开始就追求宏大，先从一个你经常重复遇到的问题开始：记录一次决策，整理一次复盘，保存一份真正好用的模板。长期之后，这些才会变成你独有的数字资产。

从现在开始。

四、有了AI，更要问自己：没有AI，我还行不行？

我曾经有一个瞬间，会有一种突然的恐慌感。

好像现在什么事情，都会借助AI的力量，任何不知道、不懂的事情，都是靠AI解答。

复杂一点的问题，要找AI梳理和分析。

实在干不了的事情，让AI想办法干。

你有没有想过，哪天没有电了、没有网了、没有AI了，你还能不能继续工作和生活。

对于我们来说，也许还稍微好一点点，因为我们经历过没有AI的时代，早年间的工作，我们也都是手搓作业。像以前要做一份竞品分析，自己去想思路、定框架，然后找资料，阅读、分析、总结，自己体验竞品，思考，记录，最后汇总、对比，想出新的设计方案。

这个过程很慢，也常常犯错，但正是在这些笨功夫里，人开始建立对行业的感觉。

但是，如果是在今年毕业开始工作的年轻人，他们还会经历这个过程吗？

首先，企业是否还有足够的耐心，给足够的时间，让年轻人从最基础的工作一点一点做起，慢慢的打磨。

其次，年轻人是否还有足够的耐心，沉下心来，慢慢的思考，推敲，一步步实操，得到自己想要的答案。

我们不是说在有AI的时代，还要年轻人去手搓，放弃高效的方式而回归原始，就好像有了电脑和打印机后，还非得去手写字一样。

但是，高效不等于放弃思考，有多少年轻人在这个过程中，把大脑外包给了AI，遇到难题就直接求助，AI给出答案后，看一眼，然后就这么开始去干。

他们真的明白，为什么要这么干吗？

对于没有过前置行业和业务经验的年轻人来说，有了AI，是让工作更加高效了，但也让他们失去了很多犯错的机会。

每个问题的解决方案，其实都是前人踩了无数坑后，总结下来的。是因为尝试了方案1，遇到了问题A；改为了方案2，又遇到了问题B；最终才选择了方案3。但对于他们来说，通过AI得到的，就是方案3。

他们不会知道方案1和方案2为什么不行，到底遇到了什么问题，方案3为什么行，是因为解决了什么问题。

而这些看似低效的弯路，正是业务经验的来源。经验不只是知道“怎么做”，而是知道“为什么这样做”、“在什么条件下不能这样做”。

这是真正宝贵的经验，也是时间的价值。

这也是为什么我现在写文章，还是坚持手搓，而不是用AI直接生成。因为写作不只是把文字排列好，更是一次对思考的压力测试：当你试图把一个想法讲给别人听，模糊的地方会暴露，逻辑的断点会出现，你也会被迫继续往下想。AI可以帮我梳理、追问和润色，但不能替我经历这个过程。如果这些都外包给了AI，你就只是个点鼠标的机器人了。

因此，我觉得在使用AI时，至少有4样东西不能外包：

• 问题定义权：先想清楚真正要解决的是什么，不要让AI用一个看似完整的答案替代你定义问题。
• 假设检查权：知道答案建立在什么前提上，哪些信息可能不完整或已经过期。
• 取舍决策权：在成本、体验、风险和速度之间做选择，并说得清选择的理由。
• 最终责任：AI可以提供建议，但对结果负责的人仍然是你。

只有当你仍然拥有独立思考和对结果负责的能力，AI才是杠杆，而不是拐杖。

五、不要忘了生活的美好：效率不是目标，它只是手段

最后，我想说，卡神对于AI世界的愿景，我还是很感动的。

AI带来了更高的效率，不是说让我们每个人去干更多的工作。而是为了

把一个普通人的时间，还给他自己一点。

他可以多学一个东西，可以把工作做得更好，也可以早点回家，认真吃顿饭。

作为产品经理，我们习惯先定义目标，再设计指标。但在自己的生活里，我们很容易把“效率”当成最终指标。

今天做完5件事，明天就要做完10件；AI节省了两小时，就再塞进两小时的工作。

结果是产出更多了，人却没有更轻松。

说实话，这几年，我也很迷茫，我也很焦虑。

可能这是人到三十岁前，总会经历的阶段。

我们很想快速的奔跑、成长，但是工作或者生活总会有各种各样的曲折。

我上次去剪头发，跟发型师聊天，他说他很喜欢成都，觉得深圳真的太累了。

晚上下班想跟朋友喝个酒吃个烧烤，还要担心明天睡过头、起不来。

好不容易休一天假，又觉得不去干点什么好像浪费了一天时间。

这座城市真的太卷了。

很长一段时间里，你会为了往前奔跑，而把全部的专注和精力，都留给了学习和工作。每天想着，用AI去做出这个、做成那个。

当你回到生活中时，只想躺在床上刷手机，觉得这样最放松。

你确实留了一些时间给了生活，但没有留下任何的专注力和精力。

真正的生活，也许是你跟家人一起做顿饭，跟朋友一起吃饭聊天逛街，出去逛逛公园打卡拍照，出去买东西看场电影，出去尝试新的陶艺或者木工活动，出去养老院做一次志愿服务。甚至，就是出去买一次菜，跟菜市场的大爷大妈聊聊天，看看最近的菜价肉价是怎么变化的。

所以，在谈“AI提效”之前，也许要先定义一个更高层的目标：我们想用节省下来的时间做什么？是把一件重要的事做得更好，是学一项真正喜欢的能力，还是早点回家，好好吃顿饭？

AI本身是好的。

但效率之后，必须还有生活。

我们先对生活有期待，才会想要活得更好；而这，才是AI最终应该服务的东西。

写在最后：把5个思考，连成一个成长飞轮

回头看，这5个思考并不是5条分散的建议，而是一个彼此咬合的系统：

1. 直面AI，你才会开始行动；
2. 带着问题行动，学习才会变成成果；
3. 把成果和复盘沉淀下来，经验才会变成可复用的资产；
4. 保留独立判断，你才能知道这些资产什么时候有用，什么时候会误导你；
5. 而当你想清楚自己要怎样生活，效率和进步才有明确的方向。

AI时代的持续进步，不是无限追逐新工具，也不是把所有时间都变成产出。

它更像是一种能力：在变化面前不逃避，在热潮里不盲从，在高效中不放弃思考，在奔跑时不忘记为什么出发。

最后，我想把一个问题留给你，也留给我自己：

AI已经帮你节省了哪些时间？而你，准备把这些时间还给什么？