别被AI教程绑架：我的深度实操复盘

我用AI做的产品，其实可以分成两大块。

第一块：AI辅助编程

就是让AI帮我写代码。在我的工作场景里——汽车售后供应链——需求其实很明确：输入A，我就要得到B，结果是固定的。我不太需要AI去做语义分析那些花哨的事。

以前没有AI的时候，我自己写。现在有了AI，我把意图告诉它，让它写完我再审一遍。主要看结果是不是我想要的，跑一些测试，内测、公测这些流程还是必要的。你也可以让一个AI来做测试，再让另一个AI来review，这套流程是跑得通的。

第二块：AI嵌入产品

另一条路就是在你的产品里直接引入AI能力。比如需要语义分析、图像识别、创造性的内容生成，或者像我之前做的那个画画猜词游戏——用AI来当裁判，判断画的内容和词语的相似程度。那个场景比较轻量，我直接部署在Lovable的平台上，基础设施都帮你搞定了，你只需要专注想法本身。

本地部署？想清楚再动手

也有人会想到本地部署AI模型。我自己也试过。说实话，费时费力。好处是部署完就没有额外API费用了。但前置门槛太长——你需要很好的硬件，Mac跑本地模型其实挺吃力的。而且开源模型目前在综合能力上还是比不过云端的商业模型，在特定场景下可能有优势，但运行速度、通用能力都有差距。

如果你非常有兴趣，可以装个Ollama跑跑Llama或者国产的模型试试。但走到后面你可能会发现，这条路不一定适合你，到时候及时调整方向就好。

记忆和技能：被低估的关键能力

用AI还有两个很重要但容易被忽视的事。

一个是记忆管理。哪些信息要变成长期记忆，哪些是短期的，怎么让上下文不至于太长也不至于太短——这些很值得思考。比如你有个项目，就可以建一个专门的文件夹，把相关上下文都放进去，这样AI不至于每次都不知道你在说什么。

另一个是技能（Skills）。把你反复用到的经验和流程，沉淀成可复用的技能模块，这是一种资产化的思路。它的核心理念叫”渐进式加载”——不是一次塞给AI所有东西，而是按需调用。这个思路很有意思，有兴趣可以深入研究。

关于学习：别被教程绑架

现在AI领域更新太快，教程特别容易过期。与其花大量时间找教程、看教程，不如直接上手做，遇到不懂的问AI。或者把教程直接丢给AI，让它帮你看、帮你判断，效率会高很多。

当然，跟有经验的人直接聊天也很好。人家可能一句话就点破了你的痛点，AI给你的往往是一大堆选项，你还得花时间筛选。人类本身其实是一个非常强大的”模型”——用很少的数据就能掌握很高深的能力。

Anthropic做的一些有意思的事

说到Skills、MCP、记忆这些概念，得提一下Anthropic这家公司。他们对行业的贡献不只是开源代码，更重要的是提出了MCP、Skills这些理念，深深影响了整个领域。包括OpenAI后来的一些方向，据说也受到了Claude的使用体验的启发。

我昨天看了一个邦妮采访Charles Hoskinson（Cardano创始人）的视频，他说他们研究出的很多东西，24到36个月内就会被行业应用上。他把这看作是促进行业发展的一种方式，同时也倒逼自己团队不断创新。这种思维方式我觉得很有意思。

找到你自己的场景

总结一下：每个人的需求不同。你是想优化工作流省时间？还是想创作歌曲、视频？还是想打造自己的知识体系？想清楚你要什么，现在的AI基本都有不错的方案。

理论加实践，找到适合自己的路，比追着教程跑重要得多。

你和AI之间是什么关系？你们怎么一路走到现在的？欢迎留言聊聊。