AI工具，从一开始的迭代发展非常快速。
一部分人，因为掌握了AI工具的使用，工作变得更为高效；另一部分人，因为担心被AI替代而整体忧心忡忡。
有这么一句话：未来淘汰你的不是AI，而是使用AI工具的人。所以如何有节奏、有方法地学习AI、使用AI变得极为重要。
一、AI工具的发展阶段及能力迭代
AI作为工具使用，再进阶到智能体，经过了三个阶段：
第一个阶段，AI+智能办公。
这个阶段主要依赖基础大模型，基于提示词的优化得到AI最原始的内容产出，如让AI帮你做文案写作，方案汇报（PPT），写数据代码，做海报图片等内容辅助工作。
第二个阶段，AI+场景落地。
提示词虽然能帮助做一些辅助工作，但产出的内容并不能完全适应操作者的岗位和企业，操作者必须要花很长时间去审视AI所产出的内容是否满足需求。
因此，AI要进入到知识库阶段，它需要掌握行业know-how，进行垂直领域的大模型建设，打造行业的专属应用。
相较于提示词，这一阶段要升级应用及服务，比如有数据分析知识的智能AI员工、有商业知识的智能销售和智能客服，还可以识别不同文稿的内容，将其变成结构化的知识库。
第三个阶段，AI+Agent智能体。
在行业大模型基础上进行微调，满足企业的个性化使用，私有化部署。实际上，是把第二阶段解决单点业务的一个个点，变成一个串联起来的流程，形成体系化的应用。
有很多企业已通过AI Agent智能体实现了AI智能精细化运营、智能获客、智能决策及全场景多模态的应用。
目前来说，AI智能办公需求占比到80%~90%。因为大模型是2023年才开始出现，尔后行业大模型也才逐渐产生，直到2024年7、8月时，智能体的产品平台才逐渐完善，才有诸多的免费应用出现于市场之中。
因此，在2024年上半年，甚至2024年全年之中，AI智能办公培训逐步产生了六大模块：
第一模块，AI智能对话，主要掌握对话的方法；
第二模块，文章撰写，掌握用AI写Word长文档的技巧，比如写一个年度培训规划；
第三模块，数据分析，掌握用AI处理excel、WPS表格的方法，甚至用Python来做数据分析；
第四模块，演示汇报，AI辅助生成PPT；
第五模块，进行创意设计，实现用AI产出文生图和文生视频，2024年包括央视在内的各大平台和企业都大量使用了AI文案、文生视频，甚至用数字人做品宣、信息播报；
第六模块，AI Agent智能体机器人的学习。
任何技能的娴熟掌握，绝非一蹴而就，而是“学”与“练”循环往复、层层堆叠的成果。培训学习之后，更需要与实际的工作场景相结合，内化为自身的岗位本领。
在第二、三阶段的学习中，更要用第一阶段的AI智能办公来多做练习。比如，人资岗位可以用AI来写培训规划；市场岗位用AI做市场的调研分析；产品岗位用AI来撰写竞品分析报告。
这是一个公司职员在学习AI智能办公之后，在第二阶段用AI做的“AIGC智能驱动抗菌缝合线营销全链路革新方案”。
首先，她用AI结合产品生成了产品海报；其次，她用AI生成了数字人的宣传视频；然后，用AI写出了专业的产品宣讲PPT；最后，建立企业自己的知识库，据此生成了售后的AI智能体，可以为客户介绍产品，甚至可以转接销售。
在第三阶段，要把业务流程做成一个闭环。另一个人力资源的学员就从招聘环节做AI智能体的应用：
首先，生成招聘海报；然后，根据岗位要求主动搜索简历；再后，邀约面试并用AI进行智能面试，智能得出面试评价、产生面试结果。如此，就形成招聘业务流程的一体化解决方案。
二、AI智能体魔法背后的底层逻辑
Agent(代理)这一概念起源于哲学，描述了一种拥有欲望、信念、意图以及采取行动能力的实体。在人工智能领域，这一术语被赋予了一层新的含义：具有自主性、反应性、交互性等特征的智能“代理”。
大型语言模型(LLMs)的出现为智能代理的进一步发展带来了希望。在AI agent的具体使用中，最底层都是LLMs(Large Language Models，大型语言模型),不论是ChatGPT、Kimi，或者讯飞星火，还是通义千问，大语言模型都是其基础。
1.智能体是发挥大模型功能的杠杆
大模型的使用，实际就是用提示词与其对话，并在对话过程中产生深度对话思维链：
第一步，给大模型一个内容框架；第二步，让大模型针对某个内容方向展开表述；第三步，根据产出的内容进行优化某些细节。
把这三个过程结合起来，变成一个完整的工作步骤，这就变成单个AI智能体。而多智能体，是把多个单智能体结合在一起完成更系统性的任务。
例如，我们平常开发软件或者系统，需要有人做任务拆分，有人写代码，有人做测试，用多智能体来完成这项工作，就有做任务拆分的智能体，有专门写代码的智能体，有做测试的智能体，多个智能体组合起来共同完成这件事。
假设领导发给我一篇10w+的文章，认为非常适合于公司的宣传，希望我参照这篇文章出一个爆款。那我们该如何用AI智能体来高效完成这项任务呢？
操作易学，精髓难觅，所以我们不仅要会操作，更要懂得操作背后的底层逻辑和变化规律。从智能体的定义中我们知道，智能体是在大模型基础上做规划、记忆、工具和行动的一种载体。
因此，我们先要把整个过程规划清楚，AI才能自动按规划去做动作。我们大概可以分为七个步骤：
① 输入：选择对标文案，向Al输入文案的链接。例如，某篇公众号的链接；
② 关键词：根据对标文章自动提取3~5个关键词；
③ 二次检索：AI根据关键词，去全网检索同类型的文章，额外找到10~20个匹配的文章项目；
④ 组合学习：AI根据投喂的源数据文章+二次检索获取的10~20篇文章的内容，进行学习，总结写作方法；
⑤ 撰写文案：AI根据学习的内容，创作新的文案，用户可以微调参数，每次调整以后，自动更新新的文章结果，实时刷新；
⑥ 匹配插图：AI根据创作的文案内容，结合公众号写作方法，智能生成配图，并实现高效图文排版，例如，参考135编辑器等；
⑦ 输出：AI根据登陆者账号，智能发布在：公众号、头条等图文/视频的新媒体平台等。
通过上面的七步，我们把文案仿写这件事就规划清楚了。实际上，是我们自己先思考清楚了，再把思考清楚的内容给到AI，AI了解了整个过程之后，再去规划每个步骤该怎么做。
其次，智能体要有记忆功能。它需要把10多篇文章全部记忆下来，在使用传统大模型中我们就会遇到token的限制，那么智能体至少要记住30篇甚至更多的文章内容。
然后，智能体要有调用工具的能力。要能在网上搜索内容，要调取文生图的功能，还要调取相关插件的功能。
最后，智能体要有行动能力。给智能体一个软件链接，爆款文章链接，后面都可以全部自动化来完成。
通过上面的梳理，我们已经非常清楚AI智能体是在底层大模型的工具之上，发挥规划、记忆、工具、行动等功能的杠杆能力,即可得出智能体的公式：
AI agent=LLMs*（规划+记忆+工具+行动）
2.智能体具有长期记忆能力
多角色智能体，是在单智能体基础之上做协同。因为单点智能体不用考虑上下游的关系，但如果要做多节点之间的相互交互，你可能要考虑智能体的开发和组件之间的匹配，和平台的关系等。
我们在使用传统大模型的时候经常会出现这种情况：在不断与AI对话的过程中，它会忘记前面给它说的话，比如忘记上午与它交互的内容，或者在多轮对话之后忘记最前面的对话。
在这种情况下，我们要解决的是AI具有思考的记忆能力。我们用人类记忆来与AI记忆进行映射对比，以此更方便理解。
第一阶段，感觉记忆，这是人类最原始、最基础的记忆功能，也就是过眼即忘。对于AI的使用来说，相当于把AI当作一个高级搜索工具，这个时候人占主导地位，来指示AI的行动。
第二阶段，短期记忆，AI可以通过上下文的学习展开多轮对话，但是会受限于上下文token的限制，有时候会忘记相关内容。这个时候，人和AI的工作量相当，人来指挥AI,这就是我们常说的“提示词工程师”。
第三阶段，长期记忆，有人说，世界是懒人创造的。有了提示词，人类还不满足，我们还希望AI具备记忆的功能，就像我们学骑自行车，一旦掌握了这项技能，就具备了长期、持久的记忆能力。
这个时候，AI会记住投喂给它的相关知识，具备了长久的学习能力。这时的AI可以完成绝大部分工作，人类负责设定目标、提供资源和监督结果，AI完成任务拆分，工具选择，进度控制，实现目标后自主结束工作。
具备长期记忆能力的智能体就是一名合格的员工了，它可以提炼销售话术，要销售员的训练并为其评分，也能指出需要继续迭代的地方，会自主性地辅导员工的培养提升，这就是智能体的长期记忆能力，也是训练智能体的意义所在。
三、提示词工程，让效率翻倍
1.成为个人的超级助理
一个人不可能尽善尽美，每个人的专长也会有所差异，一个员工不可能既会数据分析，又会写编程，又会去做文生图，又会AI文档写作，做不到。但一群AI就会成为你的超级助理。
因此，在智能体应用的2.0阶段，需要更加专业的人员，更加专业的学习，更加专业的老师。
AI发展非常迅速，从纵向看，每个月AI工具都会发生质的变化；从横向看，AI发展到一定阶段后，就会做产品的区分，需要做项目的定制或者涌现出新的工具。
而且在AI发展的过程中，并不是一个人在训练，也不是开发的工程师在训练，而是全球用户共同去完成的。
每个AI工具的使用，相当于孙悟空身上的一根毫毛，它可以变成孙悟空的一个分身，具备孙悟空的所有能力。随着主体功能的加强，分身的功能也加强了，一个原因是学习内在的驱动，另一个原因是产品和技术在不断发展。
在2023年ChatGPT刚出来的时候，几乎每个小时都会出现新东西，有人感到无比焦虑，因为很可能会被取代；而有人抓住了一波机遇，一夜暴富；也有人通过ChatGPT的学习和使用，高效地完成了以前需要很多工作量的工作，比如写代码、出书稿等。
这两年不断涌现出专业的大模型，相同的提示词，不同的AI得到的结果是不同的。
Excel表格的函数实际是搜索的逻辑，而AI并不是搜索逻辑，而是预测生成式的逻辑，你给它的每个字都是它预测检索生成的指引，因此AI又叫“提示词工程”。
如果我们用AI来创作一首诗歌，它不会直接在《唐诗三百首》中去搜索答案，而是先学会诗歌的韵律规则之后进行的二次创作。
在AI产出的时候，即使相同的提示词也不会产生相同的内容，更何况选择大模型不同，提示词不同，训练的语料库也不同。
因此，未来的核心，你不是操作工，你要一个人活成一支队伍，要把自己从单一工作任务的操作者转变成AI工作成果的监督检查者。
在企业实际的培训中，我发现真正用好AI的其实不是实习生，虽然他们对工具很了解。真正能发挥AI智能体效能的人，是企业的经理级的管理者。
提示词更专业，AI回答的质量也越高，因为他们具备管理的技能和能力，当他成为AI成果监督检查者的时候，天然就具备了高质量产出的能力。
2.AI，已成为企业的超级员工
说到不如做到，我们可以看看一些大型企业或集团公司如何将AI进行实践性的应用。
① 银行业，智能客服提高金融服务效率
在AI大模型的使用中，银行业最敏锐，也是最早部署行业的行业。2023年底，四大行之一的工商银行已经在内部OA系统中镶嵌了智能对话平台，员工可以让其帮忙写报告了。
智能客服是银行中使用较为广泛的智能体服务。当客户介入的时候，信息系统会先把客户往期的情况调取出来，它知道你有多少存款，还知道你是保险型客户还是投资型客户，它会根据客户类型采用不同的推荐话术，最后有工单填写，智能做绩效评分以及薪酬考核。
智能客服实现了知识随行，实现了客户关系事前、事中、事后的综合化管理。
在事前智能客服知识运营阶段，利用大模型自动完成数据标注与知识维护工作，替代人工拆解知识的工作；
事中又分为三个阶段，通话前、通话中和通话后。
通话前，要先做背景了解，对大模型来说即为“前情摘要”，在坐席与客户通话前，基于客户与智能客服沟通的情况形成前情摘要，帮助坐席提前了解客户诉求。
然后，要交流咨询目的，大模型则体现为转接电话提醒，在坐席与客户通话前，基于客户与前一位坐席沟通情况形成转接电话提醒。
通话中，大模型做到了知识随行：在坐席与客户通话过程中，预测客户意图，自动进行资料搜索，并归纳总结形成推荐的答复话术。
通话后，产出工单预警：坐席与客户通话结束后，对于坐席暂时无法解决的问题，根据客户意图预填工单内容。
事后，产生质量评价：在事后质检环节，生成传统质检AI模型学习样本，模拟答疑及客户问答对，提升质检模型准确率。
如果对话中的内容没能包含在知识库中，可以让人工检索到的新内容加入其中，不断优化知识库。AI通过螺旋迭代的过程，越迭代越聪明，越用越好用。
② 通讯行业，智能助手提高售后营销转化率
中国移动九天平台结合移动的实体业务做了一个售后转营销助手：通讯运营商都有网络拓宽工程师，他们一方面做宽带网络的安装维护，另一方面做宽带网络的带宽升级。
这个角色不仅要懂产品的维修知识，还要具备现场营销推广的能力，如果以前培养或照片这么一个角色，需要花较高的成本，培养周期比较长，流失率也比较高。
在AI赋能下，工程师在手机登录平台，根据客户的问题就能直接得到完整的产品推荐话术，客户问题的最佳解决方案，不仅转化率比较高，而且人才的培养成本也比较低，实现了AI赋能企业之后的组织降本增效。
③ 医疗行业，AI赋能论文撰写及智能导诊
医疗行业专业度非常高，一篇论文所涉及到的知识要到专业的文献知识工具网站做定义项的知识获取，再设计实验方案，然后要根据实验室的报告，做专业的课题分析和审核。
而在大模型赋能之后，SCI论文可以全流程地利用AI来辅助完成。
首先，AI可以根据关键词完成文件搜索、查找任务，并自动完成文献的阅读与总结，找出共同点和差异，提出潜在的研究方向；
然后，AI根据研究方向的可行性、创新性等提出技术路线，细化研究方向，完成实验设计；根据实验的数据生成可视化图像，完成实验报告；
最后，撰写SCI论文，包括撰写实验背景、相关文献的查找，提供实验步骤设计，并根据实验数据撰写导论和摘要，检查文章语法等常识性错误，审稿人还能用AI自动生成回复邮件。
面对用户，AI可以完成智能医导。
随着医院信息化建设的长期发展，当代的医院环境和以往对比早已今非昔比，但是部分就医环节依然存在困难。
比如，日常在网络搜索健康问题时，常被广告和无效信息干扰；身体不适时尽管可借助手机挂号，但面对众多专业性强的科室名称，往往难以抉择；做了检查，面对满是专业数据的检查单满头问号；拿了药，看到千奇百怪的药品名称，心中疑惑不少。
当前所面临的诸多问题，其根源在于医疗资源紧缺，致使广大患者的精细化医疗指导需求难以满足。
某数字科技产业集团在充分应用AI工具的情况下，研发出了一款智能导诊应用程序精准医疗，来解决院内外相关问题。
功能一，健康指导，用户可以随时随地地询问健康问题；
功能二，智能导诊，当用户需要挂号就医，可通过导诊服务进行问询，并进行科室预约；
功能三，检验报告分析，取得检查单或病例报告后，借助报告分析服务拍照上传，以获专业解读；
功能四，用药指导，医生开具药品后，可拍照上传、识别并讲解关键信息，提供用药指导服务。
④ AI+财务管理
传统的财务管理，数据量大，流程严谨，从填单、收单、审核到付款的周期也较长。AI智能体如何提高财务报销流程呢？
首先，通过Al对话快速便捷完成提报：事前申请，如公出用车、商旅、辖区内事前申请、非食堂用餐员工费用等事项；费用报销，员工个人报销、日常办公费等。
其次，自动收单提高收单效率：确认报账需求后，点击票据上传，自动完成表具收集。
然后，通过AI赋能完成无人初审和复核：对上报的附件、发票类型自动分类，区别出不合规票据、应税项目、查验状态、重复性等；复核合理性、合规性等要求。
最后，通过智能支付完成员工报销和供应商付款。
⑤ AI+数据分析
很多有技术基础的企业其实早就有BI平台，用AI赋能后的Chat BI,能高效地对数据结果做分析，找到业绩下滑的原因，并提供对应的策略与建议。
本质上，它是一群智能体在为你服务：它了解你的业务，也了解业务指标，会做数据分析，也能做图表，还要做业绩驱动。它把企业的知识资产做出了一个完整的解决方案。
它的核心是通过自然语言沟通，把数据从数据库中调取出来分析结果，精准定位问题之后，提供行动策略和建议。
有下面一个数据需求分析场景：某零售门店运营负责人急需了解六月业绩下降原因，以往靠数据分析师、运营多个岗位协作，耗费好几天时间，严重影响决策效率。
AI数据分析如何高效完成这项工作的呢？
首先，向问答助手小A提出问题——为什么六月业绩下降了？然后，小A智能识别出要使用北极星指标拆解和多维度分析；接着，小A将分析思路转化为SQL自主查数并生成直观的图表；最后，小A对数据自动解读，找出销售下滑的主要原因并生成分析报告。
几分钟内，小A就完成了以上所有工作。
其实小A背后是由六个智能体协作完成工作的：咨询专家理解用户意图；业务专家调用知识生成分析思路；数据工程师生成SQL并查询数据；图表设计师生成直观的图表；数据分析师分析解读数据；统筹大师处理模型的切换调度及agent间的协作。
⑥ AI+生产制造
生产制造业使用AI赋能其实已经相当普遍，也不仅仅是我们经常看到的机器臂操作工件，包括产品设计都应用到了AI。
假设我们要做一款乐高积木，我们可以通过自然语言向智能体发出指令：要做一个长宽高各为多少的积木，请帮我生成图纸。有
了这个对话之后，在智能体的窗口上就会生成一组代码，同时另一个窗口就直接生成了产品的3D设计图纸，如果连上了3D打印设备，那么很快一个符合你要求的产品就被生产出来了。
在生产制造业中，有很多SOP工艺，很多生产环节是不可变的，而传统的AI代码输出其实并不稳定，代码稳定是智能生产的痛点。
解决了这个痛点，不仅效率翻倍，而且成本会降低很多，因为传统的制造业中，会代码的员工的工资高，培养周期长，培训成本也非常高。
而现在用自然语言输入就能完成代码及自动调试，生产效率高，员工培训难度小，提升了管理效率，这就是AI赋能的结果。
以上案例，让我们看到，要从现在开始就要拥抱AI，AI不是工具，而是新时代的生产力。只有你现在积极拥抱AI，才有可能收获到未来的时代红利。
如果我们在职场的黄金时期掌握了最优秀的学习方法，将是会让你我受益终身，让你我不断进步。
