在正式开始这个系列之前我想先承认一件有点尴尬的事情我之前其实也陷入过一种非常典型的“盲目使用 AI”的状态。看到一个新的 AI 工具就忍不住打开试一试刷到一个所谓“万能提示词”就先收藏起来听说某个平台可以搭 Agent又赶紧注册账号体验一下。短时间内我确实接触了很多工具也用 AI 写过文章、整理过资料、生成过方案、辅助过学习甚至有时候还会觉得自己已经走在了 AI 应用的前面。但是过了一段时间再回头看我发现问题并没有那么简单。我好像用了很多 AI却没有真正沉淀下多少属于自己的 AI 能力。很多对话用完就过去了很多提示词收藏之后再也没有打开过很多工具体验了一圈最后也没有进入自己的日常工作流。那些看起来很热闹的尝试并没有形成一种可以持续复用、持续迭代、持续增长的能力。也就是说我过去更多是在“消费 AI”而不是在“学习 AI”。这也是我想写这个系列的原因。它不是一个站在高处向别人输出标准答案的教程而更像是一份学习记录。我希望借这个系列把自己从碎片化使用 AI逐渐转向系统化学习 AI 的过程记录下来。如果这个过程中的一些方法、工具、提示词、Skill 模板或者工作流经验刚好也能帮助到正在学习 AI 的朋友那自然是更好的事情。所以这个系列的第一篇我不想先介绍某个具体工具也不想一上来就抛出一堆提示词模板。相比这些立刻可用的东西我更想先讨论一个底层思维如何用复利思维学习 AI。一、什么是复利思维复利效应其实并不复杂。简单来说它指的是那些微小、持续、可叠加的正向行动会随着时间不断自我迭代最终形成滚雪球式的增长。复利不是一次性爆发而是“利滚利”。如果用一个简单的公式来表达它大概可以写成最终结果 初始积累 × (1 微小进步)ⁿ这里真正重要的不只是“微小进步”而是后面的那个 n也就是时间和重复次数。一次微小进步本身可能并不起眼但如果这个进步能够被保存下来并且成为下一次行动的基础那么它就会慢慢积累成非常大的差距。复利思维和单利思维最大的区别也正在这里。单利思维关注的是一次努力带来一次收益。例如今天花两个小时学会一个技巧这个技巧只解决了今天的问题那么它的价值大概率就是一次性的。复利思维则不同它更关注这一次努力能不能成为下一次进步的基础。如果今天学到的技巧被整理成了模板被放进了自己的知识库并且在未来的工作中被反复调用和优化那么它就开始产生复利。放到 AI 学习中这个区别会变得非常明显。如果我今天让 AI 帮我写了一篇文章文章写完之后对话也就结束了那么这只是一次性使用。但是如果我在这个过程中总结出了一套更好的写作提示词记录下 AI 哪里写得好、哪里容易跑偏并把这些经验整理成一个可以复用的写作流程那么这次使用就不再只是一次使用而会变成下一次更高质量使用的基础。这就是我理解的 AI 学习中的复利不是每一次都从零开始而是每一次都比上一次多留下一点东西。二、为什么 AI 时代更需要复利思维过去我们学习一个新领域通常需要经历一个相对漫长的过程。我们要先找资料、读书、看课程、做笔记然后慢慢建立知识框架再通过实践逐渐形成经验。这种学习方式当然是有效的但它也有一个明显的问题每进入一个新领域我们几乎都要重新经历一遍从零开始的过程。AI 出现之后这件事开始发生变化。当我们想进入一个新领域时AI 可以帮助我们快速拆解知识结构解释陌生概念生成学习路线提供案例说明甚至可以根据我们的理解水平不断调整解释方式。更进一步AI 还可以帮助我们把某个领域中的常见任务整理成流程让我们更快搭建出第一版属于自己的工作流。这意味着在 AI 时代学习的重点不再只是“掌握某个知识点”而是变成了另一种更重要的能力快速进入一个新领域并借助 AI 建立起属于自己的工作流。这个能力一旦形成就会在不同领域之间迁移。比如你学会了如何用 AI 辅助阅读一本书那么类似的方法就可以迁移到阅读论文、研究行业报告、学习一门课程。你学会了如何用 AI 拆解一个复杂项目那么类似的方法也可以迁移到写方案、做产品规划、搭建内容栏目。你学会了如何用 AI 复盘一次输出那么这种方法也可以用于写作、编程、演讲、销售甚至日常工作总结。这就是 AI 学习的复利价值。你今天不是只学了一个工具而是在训练一种可迁移的能力。你今天不是只解决了一个问题而是在积累一种未来可以反复调用的方法。随着你在某个领域中不断使用 AI你的理解能力会提升你的输出质量会提升而更高质量的输出又会反过来帮助你获得更好的反馈和更深的理解。于是“能力提升”和“产出提升”之间会形成一个循环。这个循环一旦建立起来速度就会越来越快。很多经典的认知学习理论其实也在强调类似的事情。《刻意练习》中反复提到真正有效的练习并不是简单重复而是有目标、有反馈、有修正、有持续改进的训练。AI 恰好可以在这个过程中扮演一个非常重要的角色它可以帮助我们拆解目标也可以帮助我们获得反馈还可以帮助我们复盘和优化下一次行动。当然前提是我们不能把 AI 只当成一个“答案生成器”。如果每一次使用 AI都只是为了快速拿到一个结果那么 AI 很容易让我们变得更懒。只有当我们把每一次使用都看成一次练习、一次沉淀、一次迭代AI 才会真正成为能力的放大器。三、学习 AI 的复利路径Prompt → Skill → Agent 工作流如果要用复利思维学习 AI我现在更倾向于采用一条由浅入深的路径先学习 Prompt再沉淀 Skill最后理解和搭建 Agent 工作流。这条路径看起来很简单但它的价值在于每一个阶段都会成为下一个阶段的基础。Prompt 学得越好越容易理解 SkillSkill 沉淀得越多越容易理解 Agent 工作流而当我们真正开始搭建工作流时又会反过来发现自己还需要更好的 Prompt 和更稳定的 Skill。这不是线性的学习而是一个不断叠加的循环。1. Prompt学会把模糊需求变成清晰任务很多人第一次使用 AI 时最常见的方式就是直接提问比如“帮我写一篇文章”“帮我总结一下这个内容”“帮我做一个计划”。这种方式当然也能得到结果但结果通常不够稳定因为我们给 AI 的任务本身并不清楚。Prompt 的价值不只是让 AI 输出更好更重要的是训练我们把一个模糊需求拆解成一个清晰任务。一个好的 Prompt通常会包含任务背景、角色设定、目标读者、输出格式、约束条件、评价标准以及必要的示例。它要求我们先想清楚自己到底要什么再把这个需求用结构化的方式表达出来。比如如果只是说“帮我写一篇关于 AI 学习的文章”AI 当然可以写但它大概率会写出一篇比较泛的内容。可是如果我们进一步说明这是一篇系列开篇文章目标读者是想系统学习 AI 的普通职场人和创作者文章要先解释复利思维再讲 AI 时代为什么复利重要最后引出 Prompt、Skill 和 Agent 工作流的学习路径语气要真诚、谦虚、有记录感那么 AI 的输出就会更接近我们真正想要的方向。这就是 Prompt 的第一层复利。当我们不断练习写 Prompt 时我们训练的不只是“如何指挥 AI”更是在训练自己如何定义问题、拆解任务和表达标准。这个能力一旦形成不管以后使用什么 AI 工具它都会继续发挥作用。2. Skill把重复有效的方法沉淀下来不过Prompt 也有一个很明显的问题如果每次都要重新写一遍就会非常低效。当我们发现某个 Prompt 经常被重复使用或者某个任务流程已经相对稳定时就应该考虑把它沉淀成 Skill。这里的 Skill可以理解为一种可复用的方法封装。它不只是保存一句提示词而是把完成某类任务所需要的背景、流程、标准、示例和注意事项都整理下来让 AI 在以后执行类似任务时不需要我们从头解释。比如假设我经常要写科技类公众号文章那么我就可以把自己的写作偏好整理成一个写作 Skill。这个 Skill 里可以包含文章开头的方式、段落的节奏、标题的风格、常见的结构、参考样稿的特点以及哪些表达应该避免。这样下一次写文章时我就不需要反复告诉 AI“请写得像我之前那种风格”而是可以直接调用这套已经沉淀下来的写作方法。Skill 的价值在于它把一次性的 Prompt 变成了长期可复用的能力。如果说 Prompt 是一次沟通那么 Skill 就是一套工作习惯。如果说 Prompt 解决的是“这一次怎么做”那么 Skill 解决的就是“以后遇到同类任务都怎么做”。这就是第二层复利。因为从这一阶段开始我们不再只是积累一些零散的提示词而是在逐渐搭建自己的方法库。这个方法库会记录我们的偏好、标准和经验也会随着使用不断被修改、补充和优化。时间越久它就越像一个属于自己的外置大脑。3. Agent 工作流把能力组合成系统当 Prompt 和 Skill 积累到一定程度之后我们就可以进一步理解 Agent 工作流。很多人一听到 Agent就会觉得它很复杂好像一定要涉及代码、插件、API、自动化编排和各种高级概念。实际上如果从复利思维来看Agent 工作流并没有那么神秘。它本质上就是把多个任务步骤、多个工具能力和多个判断节点组合起来让 AI 能够更稳定地完成一个复杂任务。一个简单的写作工作流可能包括选题分析、资料收集、大纲生成、初稿撰写、风格调整、事实检查、标题优化和发布排版。一个学习工作流可能包括知识拆解、概念解释、案例生成、测试提问、错题反馈和学习计划更新。一个研究工作流可能包括问题定义、资料筛选、观点整理、证据评估和报告输出。这些工作流并不是凭空出现的。它们往往都是由一个个 Prompt、一个个 Skill 和一个个工具节点组合起来的。所以我现在越来越觉得学习 Agent 不能一开始就追着平台跑也不能只看那些炫酷的自动化案例。更稳妥的方式是先把 Prompt 练扎实再把高频任务沉淀成 Skill最后再去思考如何把这些 Skill 组合成一个完整的工作流。这样学习 Agent 时我们看到的就不再是一堆陌生概念而是一套可以逐步拆解、逐步复用、逐步搭建的系统。这也是第三层复利。我们从一个提示词开始慢慢沉淀出一个方法再把多个方法组合成一个系统。到了这个阶段AI 就不再只是一个聊天窗口而开始变成一个可以持续优化的个人工作流引擎。四、现成 AI 工具这么多为什么还要自己学习说到这里可能会有人问既然现在已经有这么多现成的 AI 工具为什么我们还要自己学习 Prompt、Skill 和 Agent 工作流这个问题非常现实。现在的 AI 工具确实太多了。写作有写作工具做图有绘图工具做 PPT 有自动生成工具做客服有智能客服平台做知识库有 RAG 工具搭 Agent 也有 Coze、Dify、LangGraph、CrewAI 等各种平台。对于很多标准化任务来说直接使用这些工具当然是高效的而且也是值得鼓励的。但是如果我们只会使用工具而完全不理解工具背后的结构就很容易遇到另一个问题一旦任务稍微变得定制化工具就不够用了。很多现成 AI 工具本质上都是对 Prompt、知识库、插件、工作流和模型能力的封装。它们把复杂能力包装成一个更友好的界面让用户可以更快上手。这当然是好事但封装也意味着我们很难看清它内部真正的运作方式。对于通用任务来说这种封装非常方便。可是对于真正个性化、专业化、差异化的任务来说我们往往需要更深的定制能力。比如我不是只想让 AI 帮我写一篇文章而是希望它长期理解我的写作风格、选题偏好、表达方式和读者定位我不是只想让 AI 总结一篇资料而是希望它按照我的行业框架提取重点并且能够和我之前积累的知识连接起来我不是只想让 AI 帮我完成一个任务而是希望它能够融入我的日常工作流程成为一个稳定、可调整、可迭代的助手。这些需求往往不是一个现成工具能完全解决的。这也是为什么我们仍然需要学习 Prompt、Skill 和 Agent 工作流。不是因为现成工具不好而是因为只有理解了这些工具背后的基本结构我们才有能力判断它们适合做什么、不适合做什么也才有能力在现成工具无法满足需求时自己搭建或改造一套更贴近个人场景的流程。五、差异化会变得越来越重要AI 越普及通用能力就越容易被抹平。如果所有人都可以用 AI 写一篇结构完整的文章那么“能写一篇文章”本身就不再是明显优势。如果所有人都可以用 AI 总结一份报告那么“能总结报告”也会逐渐变成基础能力。如果所有人都可以用 AI 生成一个 PPT那么真正重要的就不再是“会不会生成”而是“生成出来的东西是否有判断、有风格、有业务理解、有差异化”。这也是 AI 时代非常值得认真思考的一点。当工具能力变得越来越强真正稀缺的反而是人的判断力、领域经验、审美标准和问题定义能力。AI 可以帮助我们更快产出但它很难自动知道我们真正想要什么也很难自动拥有我们在具体行业、具体岗位、具体项目中积累下来的经验。所以真正有价值的不是简单地“会用 AI”而是把 AI 和自己的专业经验结合起来。一个做教育的人学习 AI重点不应该只是让 AI 写教案而是思考如何把教学目标、学生反馈、知识拆解和练习设计变成一个可复用的教学工作流。一个做销售的人学习 AI重点也不应该只是让 AI 写话术而是思考如何把客户画像、沟通记录、异议处理和成交复盘变成一个可持续优化的销售系统。一个做内容的人学习 AI也不应该只停留在让 AI 代写文章而应该把选题、资料、结构、风格、修改和发布都纳入自己的工作流。这才是差异化。不是别人用了 AI我也用了 AI而是别人把 AI 当成一次性工具而我慢慢把 AI 变成了自己的长期能力系统。六、优秀 Prompt 和 Skill其实也是高手经验的压缩包在学习 AI 的过程中我越来越觉得优秀的 Prompt 和 Skill 不只是技巧它们往往也是某个领域高手经验的压缩包。一个优秀的写作 Prompt背后可能藏着作者对读者心理、文章结构、叙事节奏和观点推进的理解。一个优秀的编程 Skill背后可能藏着工程师对代码风格、测试流程、错误处理和项目结构的经验。一个优秀的研究 Skill背后可能藏着研究者对资料筛选、问题定义、证据强度和论证逻辑的判断。所以当我们学习一个 Prompt 或 Skill 时不应该只停留在“复制下来直接用”。更值得做的是去分析它为什么这样设计。为什么它要先定义角色为什么它要补充背景为什么它要限制输出格式为什么它要给出评价标准为什么它要让 AI 先提问再回答为什么它要要求 AI 自检为什么它要把一个大任务拆成几个小步骤这些问题表面上是在研究提示词实际上是在研究高手如何思考任务。这也是 AI 学习很有意思的地方。我们不仅可以向 AI 学习也可以通过 AI向那些已经把经验结构化、流程化、模板化的人学习。优秀的 Prompt 和 Skill 就像一份份被压缩过的经验包我们拆得越细越能看到它背后的思维方式。而当我们理解了这些思维方式之后就不只是“拿来用”而是可以慢慢改造成自己的版本。这同样是一种复利。七、这个系列后面会怎么写因为这篇文章是这个系列的第一篇所以我也想简单说明一下后面大概会怎么展开。接下来我会按照“Prompt → Skill → Agent 工作流”这条路径持续记录自己学习和实践 AI 的过程。这个过程不会假装已经有了最终答案也不会只做工具清单式的推荐。更准确地说它会是一份边学、边用、边复盘、边整理的记录。第一阶段我会先从 Prompt 开始记录如何把一个模糊的问题变成清晰任务如何写出更稳定的提示词如何让 AI 更好理解我们的真实需求以及如何把一个普通 Prompt 逐步优化成可复用的 Prompt 模板。第二阶段我会继续学习和整理 Skill 的使用方法尝试把一些高频任务沉淀成可复用的 Skill。比如写作 Skill、学习 Skill、资料整理 Skill、研究分析 Skill 等等。这里我更关注的不是“看起来很高级”而是它能不能真正进入日常使用能不能在反复使用中变得越来越稳定。第三阶段我会再进入 Agent 工作流尝试理解如何把 Prompt、Skill、知识库和工具调用组合起来搭建一些真正能解决实际问题的小型工作流。这个阶段可能会涉及一些平台和工具但重点仍然不是追工具而是理解背后的流程设计方法。在这个过程中我也会分享一些自己看到的优秀 AI 工具、Prompt 模板、Skill 案例和工作流设计。只是这些内容不会只是简单地“推荐给大家使用”我更希望做的是把它们拆开来看它们为什么好用它们背后用了什么结构它们适合什么场景又有哪些地方可以改造成更适合我们自己的版本。如果说这个系列有一个目标那它不是让我们短时间内掌握所有 AI 工具而是帮助我们逐渐建立一套可以长期积累的 AI 学习方式。八、最后从盲目使用到系统积累回到最开始的问题。我之所以想写“使用复利思维学习 AI”并不是因为我已经完全学明白了 AI而是因为我发现自己确实需要这样一套方法。过去我很容易被新工具、新概念、新玩法吸引。看到别人说某个工具很强就赶紧去试看到一个新的提示词模板就先收藏看到一个 Agent 案例就觉得自己也应该马上搭一个。这样的学习方式短期内会很兴奋但长期看很容易变成碎片化消耗。真正值得积累的不应该只是“我又体验了一个工具”而应该是每一次使用之后我有没有多留下一点东西。有没有留下一个更好的 Prompt有没有沉淀一个可复用的模板有没有整理出一个更清晰的流程有没有把一次经验升级成一个 Skill有没有让一个 Skill 慢慢变成自己工作流中的一部分这些东西刚开始看起来都很小甚至有点慢。别人可能已经用 AI 生成了十篇文章而你还在整理一个写作 Prompt别人可能已经体验了十个工具而你还在打磨一个固定流程。但是如果这些小东西能够不断积累它们迟早会变成自己的 AI 能力底座。这就是我理解的复利思维。它不是追求突然变强而是每一次都比上一次多积累一点它不是追求立刻掌握所有工具而是慢慢建立一套属于自己的学习系统它不是把 AI 当成一次性答案机器而是把 AI 当成一个可以长期协作、长期迭代、长期放大个人能力的伙伴。AI 变化太快没有人能一次性学完也没有人能保证自己永远走在最前面。更现实的方式可能就是大家一起边用边学边学边记录边记录边复盘。这篇文章就先作为这个系列的开始。接下来我会继续把自己学习 Prompt、Skill 和 Agent 工作流的过程记录下来也会分享一些实际用过的方法、踩过的坑和觉得值得参考的案例。希望这个过程不只是我自己的学习记录也能成为和大家一起讨论、一起实践、一起提升的起点。