这门课不教编程,也不教"咒语"。我想教会你们的只有一件事:作为有专业判断力的人,怎么把身边最强的通用助手真正用起来——让 AI 替你查资料、做报告、清数据、建网站、跑自动化,你负责想清楚和验收。课程里的所有案例都是我业余时间做的,不写一行代码;我能做到的,你们也能。
学员画像:硕士以上学历、有管理经验的公司中层。你们每天做的事——判断、取舍、验收、把需求说清楚——恰恰是用好 AI 最需要的能力。缺的只是三样东西:对 AI 的直觉、一张工具地图、和动手的习惯。这门课补齐这三样。
AI 是什么、为什么会胡说、边界在哪。懂了原理,它的强项和短板你都能预判。
模型、订阅、API、Codex 的五个入口、思考力度档位——一张路由卡,告诉你什么事找谁。
遇事先问 AI,小步走、常验收,把成功的问法沉淀给团队。30 天后,这是你的新工作方式。
每课至少一次现场演示。参考沃顿商学院生成式 AI 工作室的做法:取消满堂灌,改成"做出来、每周迭代"。
课堂练习一律用你自己手头的真实任务——真实的报表、真实的邮件、真实的决策,不做玩具题。
AI 负责快,你负责对。每一课都会重复这句话,因为它是整门课最重要的一句话。
提示:键盘 ← → 可以翻页;本讲义在手机上同样可读。
一个必须说在前面的现实:ChatGPT、Claude、Gemini 均不对中国大陆直接提供服务,订阅还需要境外支付方式。开课前请确认自己走哪条路,否则第 1 课的作业就会卡住。
公司为试点学员统一开通团队版(Business)席位并配好访问方式。数据合规、统一开票,也正是第 6 课红线所要求的通道。名额申请方式课上宣布。
已有境外访问与支付条件的同事可用个人账号完成前两课作业。请自行注意账号与合规风险,课程不提供办理指引;涉及公司数据时必须切回路径一。
用 DeepSeek、通义、Kimi 等完成同样的作业:它们同样有"深想"模式,本课 80% 的方法完全通用。第 5 课的 Codex 环节课堂上看讲师演示即可。
· 开课前一周走一遍附录 D 的复核清单(价格、额度、案例数据都要查)。
· 提前确认教室网络能访问 ChatGPT / Claude / NotebookLM;准备一份可公开的公司 PDF(年报节选或对外规程)做演示材料。
· 请学员带笔记本电脑,并按"课前准备"三条路径提前落实好账号;第一课点名统计各自走哪条路。
目标:建立对大语言模型的正确直觉——它为什么强得吓人,又为什么会一本正经地胡说;顺便看看这背后烧的是什么硬件。本课结束时,你应该既不神化它,也不小看它。
· 演示 ① 备选:Deep Research 现场跑一个行业问题,几分钟后回来看引用了几十个来源的报告(适合网络慢时先挂上)。
· 两个演示控制在 10 分钟内,不解释原理——悬念留给后面 50 分钟。
你手机输入法会猜你下一个词。大语言模型(Large Language Model,LLM)做的是同一件事,只是规模大了亿万倍:读过几乎整个互联网之后,它对"下一个词是什么"的猜测,准到能写报告、能做推理、能挑出合同里的矛盾条款。
模型不按整词读写,而按 token(词元)——一个汉字约合 1–1.5 个 token(各家算法略有差异)。所有计费、所有"上下文长度",单位都是它。一份 5 万字的文档,大约 6–8 万 token。
训练阶段,模型在数万块 GPU 上通读了人类几乎全部公开文本,把规律压缩进数千亿个参数里。一次旗舰模型的训练,成本以亿美元计。
你每问一句,模型就在做"推理"(inference)——用训练好的参数逐个 token 地接龙。你为这个过程付的钱,就是订阅费或 API 费(第 2 课细讲)。
把模型想成一位演员:它的目标是"演得像",不是"说得真"。问它知道的,它演得又快又好;问它不知道的,它不会说"我不知道",而是敬业地把戏演下去——编一个像模像样的答案。这就是"幻觉"(hallucination)。
2023 年,纽约律师引用了 ChatGPT 编造的 6 个判例,被罚 5000 美元——这只是开始。法国学者 Damien Charlotin 维护的全球数据库显示,法庭文书中的 AI 幻觉案例数在一年内翻了十几倍。连顶级律所也中招:2026 年 4 月,Sullivan & Cromwell 为一份含约 28 处错误引用的紧急动议向法官道歉。
数据:AI Hallucination Cases Database(Charlotin),2026-04 快照。
为什么 AI 的世界言必称 GPU(图形处理器)?一个比喻:CPU(中央处理器)像几位数学教授,什么难题都会,但人少;GPU 像一万名小学生,每人只会乘法和加法,但可以同时算。而神经网络的本质,恰好就是天文数字规模的乘加运算——这活儿正适合小学生军团。
| 问题 | 答案 | 直觉数字 |
|---|---|---|
| 为什么是 GPU? | 神经网络 = 海量并行乘加运算,GPU 为并行而生 | 旗舰 GPU 约 1.7 万个计算核心;一颗桌面 CPU 约 16–24 个 |
| 显存是什么? | GPU 自带的高速内存,模型参数要全部装进去才能跑 | 一块旗舰数据中心 GPU 显存约 80–192 GB,售价数万美元 |
| 为什么英伟达这么值钱? | 训练和推理几乎都用它的芯片和软件生态 | 2025 年底市值突破约 5 万亿美元,居全球之首 |
| 数据中心有多大? | 新建 AI 数据中心的功率已按"吉瓦"规划 | 1 吉瓦(GW)≈ 一座中型城市的用电功率 |
| 我问一句话费多少电? | 单次问答耗电很小,量大才吓人 | 据 OpenAI 称平均约 0.3 瓦时/次,约等于烤箱工作 1 秒 |
| 我的手机能跑吗? | 小模型可以离线跑,旗舰模型必须在云端 | 手机可跑 10–70 亿参数的小模型;旗舰模型是它的百倍以上 |
表中数字为 2026 年 8 月前后的公开量级(约数),用于建立直觉,不作采购依据。
这解释了两件与你直接相关的事:① 为什么好模型要收费——你每次提问都在租用一屋子 GPU;② 为什么"深想模式"更贵更慢——它烧的 token 是普通回答的几倍到几十倍(第 2 课细讲怎么选)。
管理学者 Ethan Mollick 把 AI 的能力边界称为"锯齿状前沿"(jagged frontier):它能在专业资格考试里拿高分,却可能数不对一句话里有几个字母;能写出漂亮的战略分析,却会把你公司的名字搞错。边界不规则,而且只能靠试。
目标:面对满桌的模型、订阅、入口和档位,知道怎么点菜。本课结束时,你能回答四个问题:买哪家的什么档?API key 是什么?Codex 从哪个门进?"快答"和"深想"什么时候用哪个?
2026 年 8 月的版图。厂商爱起名字,但你不需要记模型名——每家聊天界面里,你真正要做的选择只有一个:"快答"还是"深想"。
| 厂商 | 聊天产品 | 当前主力模型 | 一句话定位 |
|---|---|---|---|
| OpenAI | ChatGPT | GPT-5.6 家族(Sol / Terra / Luna 三档) | 用户最多、生态最全;Codex 是本课主角 |
| Anthropic | Claude | Claude 5 家族(Fable / Opus / Sonnet 三档,轻量档 Haiku 仍为 4.5 代) | 长文档与写作口碑好;Claude Code / Cowork 对标 Codex |
| Gemini | 最新 Pro / Flash 两档(版本号常变,以官网为准) | 和全家桶打通;NotebookLM 是文档利器 | |
| 国产 | DeepSeek、通义、豆包、Kimi 等 | 各家旗舰 | 免费或极便宜,国内直连;敏感数据同样不能贴(第 6 课) |
| 档位 | ChatGPT(OpenAI) | Claude(Anthropic) | Gemini(Google AI) |
|---|---|---|---|
| 免费档 | $0,有限额 | $0,有限额 | $0,有限额 |
| 入门付费 | Go $8/月 | — | AI Plus $4.99/月 |
| 主力档(推荐个人) | Plus $20/月 | Pro $20/月 | AI Pro $19.99/月 |
| 重度档 | Pro $200/月 * | Max $100 / $200/月 | AI Ultra $100 / $200/月 |
| 团队档(推荐公司) | Business $25/席/月(年付 $20) | Team $20/席起,含 Claude Code 的 Premium 席 $100 | Workspace 集成,按席 |
| 企业档 | Enterprise 面议 | Enterprise 面议 | Enterprise 面议 |
* 价格为 2026 年 8 月调研快照,美元、月付口径;带 * 处来源互相矛盾(也有说 $100 起两档),开课前一周务必复核。团队/企业档的核心卖点不只是额度,而是合同承诺数据不用于训练——这是公司层面选型的第一理由,第 6 课展开。
先用免费档跑一周(第 1 课作业),确认自己会天天用,再上 $20 主力档。$20 档已含深想模式、Deep Research、Codex——对本课程全部内容都够用。重度档等你被限额卡了再说。
凡是要碰公司数据的使用,一律走 Business/Enterprise 档:数据不进训练、有管理后台、统一开票。中层试点期人均成本约 $20–25/月——大约一顿工作餐,和它能省下的时间相比可以忽略。另外,第 4 课的"交叉评审"需要第二家模型:试点期建议 ChatGPT + Claude 双供,或用国产模型当第二意见。
订阅是"包月自助餐",在聊天界面里用;API(应用程序接口)是"按量称重",给程序调用——你未来让 AI 做的自动化(第 5 课的定时巡检、批量处理)走的都是这条路。API key 就是一串字符形式的钥匙,谁拿到谁就能花你账上的钱。
| 模型档 | 输入 $/百万 token | 输出 $/百万 token |
|---|---|---|
| 旗舰(Fable 5) | 10 | 50 |
| 高端(Opus 5) | 5 | 25 |
| 主力(Sonnet 5) | 2 | 10 |
| 轻量(Haiku 4.5) | 1 | 5 |
来源:Anthropic 官方定价页,2026-08 核实。OpenAI / Google 的 API 同为"每百万 token 几美元"量级。
让 AI 用主力档模型通读一份中文文档并写 2000 字纪要,花多少钱?
按 1 汉字 ≈ 1.3 token、输入 $2 / 输出 $10 每百万 token 估算。结论:"AI 很贵"是错觉——贵的是人的时间。
Codex 是 OpenAI 的"干活型 AI"(agent,智能体):不只回答,还能真的操作文件、写程序、跑任务。付费档都带它(免费档也有极低的试用额度,以官网为准),你的 $20 订阅里已经含了。五个入口通向同一个大脑,区别只是你站在哪儿指挥。
| 入口 | 长什么样 | 适合谁 |
|---|---|---|
| ① ChatGPT 网页里的 Codex 从这开始 | chatgpt.com 侧边栏,像聊天一样派任务,云端替你干 | 所有人的第一站:零安装,手机也能派活 |
| ② 桌面 App 进阶主力 | ChatGPT 桌面端内置,能读写你电脑上的文件,可同时管理多个任务 | 需要 AI 处理本机文件的人——也就是你,第 5 课用它演示 |
| ③ IDE 插件 | 装在 VS Code 等编程工具里 | 程序员;本课程不用 |
| ④ 命令行(CLI) | 黑底白字的终端,开源 | 程序员和重度自动化玩家;知道它存在即可 |
| ⑤ 第三方集成 | GitHub、Figma 等工具里唤起 | 相应工具的使用者 |
额度:订阅内按 5 小时窗口滚动,大致 10–60 个任务/窗口(视任务大小);超出部分按积分计,1 积分 = $0.04。同类竞品:Anthropic 的 Claude Code(程序员向)和 Cowork(专为非程序员做的文件处理 agent)——理念相同,本课以 Codex 为主线。
聊天界面里是"快答/深想"两个按钮;到了 Codex 这类干活型 AI,思考力度(reasoning effort)分得更细,共五档。规律很简单:越往上,越慢、越贵、越不容易错。
| 档位 | 什么感觉 | 用在什么事上 |
|---|---|---|
| minimal | 秒回 | 纯机械活:格式转换、批量替换 |
| low | 秒回 | 改写润色、小修小补、简单摘要 |
| medium(默认) | 几十秒 | 日常任务的默认档,先用它 |
| high | 一到几分钟 | 复杂分析、多步骤任务、第一次做的事 |
| xhigh | 更久 | "宁可慢也要对":审计、迁移、大批量改动 |
一个参考数据:有第三方做过 90 次任务的小样本实验,档位从 high 提到 xhigh,一次做对率从 28% 升到 89%,成本只增加 9–29%——单一来源、未经复现,数字听个量级即可。结论本身是可靠的:难的事,别心疼那几分钟。
刚才动手环节你已经亲手体验过"快答 vs 深想"的差别——干活型 AI 的五档,只是把同一个旋钮拧得更细。
| 你要干的事 | 去哪儿 | 档位 |
|---|---|---|
| 随口问、查概念、改写文字 | ChatGPT 快答 | Instant |
| 认真分析、写方案、做决策参考 | ChatGPT 深想 | Thinking |
| 查最新行情、写带引用的调研 | Deep Research | 默认 |
| 读透一批文档、做播客/导图 | NotebookLM | 默认 |
| 处理文件、做表、建网页、批量活儿 | Codex(网页版起步) | medium 起步 |
| 要紧的大活儿,错不起 | Codex | high / xhigh |
| 长文档精读与写作,想要第二意见 | Claude | 深想 |
这张卡也在附录里,可单独打印,并会随团队使用经验持续更新(见第 6 课)。
这一课不讲道理,只摆事实。以下所有项目,都是讲师本人在过去一年多里,主要利用业余时间、全程不手写代码,指挥 AI 做出来的。今天的目标只有一个:让你在里面找到那个"这我也想要"的瞬间。
· 全场只现场打开 3 个站点:一个数据看板、LIMS、一个生活案例(对比度最大),其余口头带过——22 分钟内走完七组,节奏比完整性重要。
· 打开站点时重点让学员看三样:手机上也能看、有交互(点一下筛选)、有数字有出处。
· 观察哪几个案例让教室"抬头率"最高,课间记下来——第 6 课设计试点任务时对准这些方向。
只讲成功案例的培训都是布道。这三次翻车我记得比成功还清楚,每一次的教训都写进了后面的课里。
给要向上汇报的你准备一句能复述的话。下表的外部量级是常见市场报价区间(开课前可按最近询价更新),内部投入是真实记录。
| 项目 | 从外部获得同类东西 | 实际投入 |
|---|---|---|
| IPO 对标数据库(22 条申报记录) | 咨询公司对标研究:数十万元级,以周计 | 几个晚上 + 每月订阅费 |
| 301 家医院市场测算 | 市场调研外包:数十万元级,1–2 个月 | 两个周末 |
| GenomeTrack LIMS(演示级) | 商业 LIMS 采购+实施:百万元级,以年计 | 数周业余时间 |
诚实的注脚:AI 做的 LIMS 是演示级,不等于可直接上线的生产系统——但花一个周末"亲手看懂可行性与边界",这件事本身在过去就要花一份咨询费。
| 维度 | Word / PPT / Excel 附件 | 一个网址 |
|---|---|---|
| 打开成本 | 下载、找软件、找版本 | 点一下,手机也行 |
| 交互 | 静态,筛选靠收发新版本 | 自己点、自己筛、自己查 |
| 版本 | "最终版-v3-真最终版.pptx" | 链接永远指向最新版 |
| 传播 | 转发文件,越传越乱 | 转发一行字 |
| 制作成本(有 AI 后) | 低 | 同样低——这是关键变化 |
过去不做网站,是因为做网站贵——要程序员、要服务器、要运维。AI 把制作成本打到和写文档一样低之后,"能被点开的东西"就全面胜过"要被打开的东西"。这也是为什么本课程的讲义,本身就是一个网站。
以"新西兰家庭行程"为例,还原真实的工作过程。注意:没有一步需要懂技术,每一步都是普通的中文对话。(下方提示词为过程示意,非逐字记录)
网上流传的"神级提示词"大多是过时的咒语。真正稳定有效的只有一件事:把需求说清楚——这恰好是管理者最熟练的技能,你每天都在对下属做。本课把它拆成六个可复制的动作。
它读过的书比谁都多,却完全不了解你的公司、你的口径、你的目标。你给一个含糊指令,它就只能猜——猜错了不是它蠢,是你没交代。对下属怎么布置任务,对 AI 就怎么写需求,四个要素:
要什么产出?给谁看?什么场合用?
相关的材料、数据、前因后果,能给的都给
篇幅、口径、格式、语气、不许碰什么
怎样算做对了——最重要也最常被漏掉
模型有两种"知道":文件柜是训练时读过的整个互联网——像多年前的模糊记忆,面广但不新,也没有你公司的任何内部信息;桌面是当前对话窗口(术语叫上下文窗口,context window)——摊在桌上的东西它看得一清二楚。想让它答得准,就把文件拖进对话,把背景写进问题:别考它的记性,喂它材料。
现在的主流模型,桌面标称能摊开几十万到上百万 token——相当于几百页文档。但要注意:聊天网页版实际能吃下的往往比宣传数字小得多,拖一份 300 页年报进去可能报错或被截断。长文档要么拆开分批喂,要么交给专吃文档的 NotebookLM(第 2 课路由卡里那一行就是干这个的)。
| 动作 | 怎么做 | 一句话示范 |
|---|---|---|
| ① 说清"怎样算做对" | 把验收标准写进第一句话 | "做到管理层能直接据此讨论三选一" |
| ② 给材料 | 把文件拖进对话,把口径写进问题 | "以附件里的口径为准,和它冲突的以附件为准" |
| ③ 先让它复述 | 动手前先确认它理解对了 | "先用三句话复述你理解的任务,我确认后再开始" |
| ④ 让它先采访你 | 你不知道该交代什么时,让它来问 | "先问我 5 个你需要知道的问题,再动手" |
| ⑤ 小步走 | 大活儿拆段,每段验收后再继续 | "先出目录和第一节,我看过再写后面" |
| ⑥ 迭代,别追求一次成型 | 把它的产出当 v1,改到满意为止 | "第二段的口气太营销了,改成给董事会看的克制版" |
AI 有一个职业病:顺着你说,把方案说得都挺好。解药是引入第二个 AI 当审稿人,并明确要求它挑毛病。讲师的"创业百策"项目就是这么做的:一个 AI 起草 335 个点子,另一个 AI 按风投尽调标准逐条质询,最后只有 80 个存活——通过率 24%。被毙掉的 76% 里,就藏着你本来会踩的坑。
日常轻量版:不用换模型,追问一句"如果这个方案失败了,最可能的三个原因是什么?"也能逼出反面视角。
课堂玩法:先别看表——请大家先说说"你觉得 AI 最不靠谱的地方是什么",讲师把答案往下面五格里归类,一般八九不离十;归不进去的,当场讨论。
| 误区 | 症状 | 纠正 |
|---|---|---|
| 当搜索引擎用 | 只丢关键词,"mNGS 市场" | 它是助手不是搜索框:给任务、给背景、给标准 |
| 幻想一次成型 | 答案不满意就断定"AI 不行" | 把首答当 v1,平均改 2–4 轮才到能用 |
| 不敢改、不敢骂 | 对 AI 客气,将就着用 | 直说哪里不行,它没有情绪,改十遍也不烦 |
| 轻信具体事实 | 数字、引文直接进 PPT | 要求"给出处",对外数字一律回原始来源核对 |
| 贴入机密 | 把内部数据贴进个人免费账号 | 守第 6 课红线:公司数据只进公司合同档 |
前四课的 AI 只动嘴,这一课的 AI 动手。你将现场看到:一个 Excel 进去,一个网页出来;一套系统每天凌晨自己巡检、自己发报告。然后——轮到你自己上手派活。
聊天 AI 的产出是一段话;agent(智能体)的产出是做完的事。它能读写文件、运行程序、上网查资料,并且失败了会自己换个办法再试。Codex 就是 agent——你已经在第 2 课见过它的五个门。
| 聊天 AI | Agent | |
|---|---|---|
| 你给它 | 一个问题 | 一个任务 |
| 它给你 | 一段回答 | 做完的活儿:文件、表格、网页 |
| 中间过程 | 一问一答 | 自己拆步骤、执行、检查、重试 |
| 你的角色 | 提问者 | 验收者 |
| 风险 | 说错话 | 做错事——所以要设边界 |
· 提前用同一份文件排练过一遍;真机演示前把排练产物删掉,保证"当场生成"。
· 备一份录屏,现场网络或额度出问题就切录屏,不冷场。
· 学员问"它写的程序我看不懂怎么办"——标准答案:你也不看下属的 Excel 公式,你看结果对不对。抽查 3 个数字和原表核对,就是验收。
Agent 的下一层是定时自动化:活儿每天自己跑,人只看结论。以园区光伏日巡检为例——10 个电站、57 台逆变器、370 路组串、总装机 4600.99 千瓦,每天早上:
| 每天自动做的事 | 说明 |
|---|---|
| ① 拉取昨天全部发电数据 | 从电站云平台自动下载 370 路组串的发电量 |
| ② 排除天气干扰 | 阴天大家都低不算异常——用 370 路的中位数当"今天的天气基准" |
| ③ 和自己的历史比 | 每一路跟它自己过去的正常水平比,而不是跟别人比 |
| ④ 异常定位到具体组串 | 报告直接写"3 号电站 12 号逆变器第 4 路偏低 31%" |
| ⑤ 自动更新网页报告 | 上班前,当天巡检页面已经就位,手机可看 |
要点:这套东西的业务逻辑(怎么判断"不正常")是讲师用中文和 AI 讨论出来的,代码全部由 AI 写。你贡献领域判断,AI 贡献工程实现——这就是专业人士 + agent 的标准分工。同样的模式可以套在:每周销售数据、库存预警、舆情摘要、质控指标……
发布(deploy)就是把网页放上公网服务器,让任何人凭网址访问。听起来是最"技术"的一步,但它同样可以被自动化到零门槛。讲师的流水线现在是这样的:
落地路径(按省事程度排序):① 让 IT 部门照同样思路搭一个公司内部发布通道;② 用 Codex 云端版,它生成的页面可直接生成分享链接;③ 各类零代码托管服务。原则只有一条:交付物尽量是一个链接,不是一个附件。
凡是会改动、删除、发送的操作,要求 AI 先出一份"我打算做什么"的清单,你确认后才动手。讲师的邮件分拣工具就分 Preview / Apply 两档:预览只出清单不动邮箱。
数据清理类任务,让 AI 把可疑项标出来而不是直接删掉。发货看板处理重复记录的规则就是"标记待确认",最终裁决权在人。
给 agent 一个专门的工作文件夹,把要处理的文件复制进去再开工。它在圈内随便折腾,圈外碰不到你的其他东西。
派任务时加一句:"开始前,先告诉我这个任务最坏能出什么错,你打算怎么防。"AI 对自己的风险往往说得很诚实——讲师的一个桌面自动化工具,就是 AI 主动在说明书里写明风险,并给自己立了规矩:只做两件事,看屏幕、点鼠标。
课程的最后一小时不教新东西,只做三件事:看你们的作品,划清数据红线,把这五周的经验变成团队可以长期运转的制度。课程结束,使用开始。
分三组进行:先组内路演 10 分钟(每人 2–3 分钟:什么琐事、给 AI 说的第一句话、成品演示、翻车的地方),每组推选 1 个上台讲 3 分钟,讲师逐一点评。做砸了的项目优先讲——翻车现场是最好的教材。
· 提前收作品链接/截图;上台的三个尽量凑齐"一个成功、一个翻车、一个惊艳"。
· 每个作品追问一句:"这个工具每周替你省多少分钟?"——把收益钉在数字上,为试点期的推广储备内部案例。
· 班级超过 15 人时组内时间放宽到 12 分钟,点评压缩。
第 1 课讲过,AI 的能力边界是锯齿状的,只能靠试。所以真正的分水岭不是谁上过课,而是谁养成了每次遇事先问一嘴的习惯:开会前让它列议题,读文件前让它先总结,做表前问它能不能自动化。每天多问的那几次,一年就是上千次试探——你的个人能力地图,就是这么画出来的。
顺便把话挑明,这也是很多人不好意思问的:会被取代吗?诚实的回答分三层:① 被自动化的是任务,不是岗位——你们岗位的核心(判断、取舍、担责)恰恰是 AI 做不了的;② 但岗位的构成会变:琐事占比下降,判断和验收占比上升,不适应这个变化的人才有风险;③ 对管理者,用 AI 省下的时间是拿来做更重要的事的,不是拿来藏着的——把它算进目标,别当秘密武器。
2023 年三星员工把机密源码贴进 ChatGPT,公司随即全面禁用——教训不是"别用 AI",而是"用对通道"。我们手里有比源码敏感得多的东西:病人的临床信息和基因数据。分三色管理:
| 级别 | 包括什么 | 规矩 |
|---|---|---|
| 绿 · 随便用 | 公开信息:文献、法规、行业新闻、已发布的公司资料 | 任何工具、任何档位都可以 |
| 黄 · 走公司通道 | 内部非核心信息:流程文档、未发布的分析框架、内部报表 | 只用公司 Business/Enterprise 账号(合同承诺不用于训练);个人账号不碰 |
| 红 · 禁止入内 | 病人临床信息、基因数据、未公开财务、员工个人信息 | 不进任何外部 AI。确需处理:先脱敏(化名、去标识),或等公司私有化部署。这不只是公司规定:人类遗传资源和个人信息受《人类遗传资源管理条例》《个人信息保护法》约束,把基因/临床数据贴进境外 AI 本质上是一次数据出境 |
把"张三,58 岁,肺腺癌,EGFR 19del"改成"患者 A,50–60 岁,肺腺癌,EGFR 敏感突变"再提问——问题的专业价值一点没少,风险归零。让 AI 帮你批量脱敏也行:这本身就是个好任务。
① API key 等于钱包,不贴进聊天、邮件、共享文档;② 拿不准黄还是红,按红处理,先问信息安全负责人;③ 涉及对外合作或跨境传输的,先过合规部门。宁可多问一句,不赌一次。
你花三轮对话调教出的好结果,别让它烂在聊天记录里。讲师的做法是把成功过程提炼成"剧本"(playbook)——光伏产业研究的剧本就固化成了三步:A 轨独立研究、B 轨独立研究、交叉评审,下次换个题目直接套。团队版最简单的落法:
第 2 课发的路由卡、第 4 课的审稿模板、第 5 课的四条安全规矩,就是这个库的前三笔存款(全文见附录,可直接复制)。
"是 AI 写的"永远不是免责理由。对外的每一个数字、每一条引文,必须有具体的人签字确认核对过原始来源。
下属交来 AI 参与的产出,固定追问:哪些部分是 AI 写的?哪些数字回原始来源核对过?你自己改了什么?——三句问完,质量和责任都清楚了。
不把"用了 AI"当偷懒,也不把"没用 AI"当勤奋。考核的是结果的质量和速度;团队省下的时间,公开地投到更重要的事上。
| 周 | 目标 | 量化验收 |
|---|---|---|
| 第 1 周 | 习惯落地:遇事先问 | 每人每天 ≥3 个真实工作提问 |
| 第 2 周 | 文档任务:一份真实交付物全程 AI 协作 | 每人 1 份,含审稿环节记录 |
| 第 3 周 | 数据任务:一个报表/清单交给 Codex | 每人 1 个,验收抽查 3 处数字 |
| 第 4 周 | 工具沉淀 + 复盘会 | 模板库 ≥20 条;每人报一个"每周省 X 分钟"的数字 |
试点期用度量说话:30 天后拿"省下的小时数 × 人力成本"对比订阅费,向管理层汇报是否扩大范围。
这一页不用于课堂,供课后随时查阅:提示词模板可直接复制,术语表按出现顺序排列,最后是给讲师的开课前复核清单。
| 你要干的事 | 去哪儿 | 档位 |
|---|---|---|
| 随口问、查概念、改写文字 | ChatGPT 快答 | Instant |
| 认真分析、写方案、做决策参考 | ChatGPT 深想 | Thinking |
| 查最新行情、写带引用的调研 | Deep Research | 默认 |
| 读透一批文档、做播客/导图 | NotebookLM | 默认 |
| 处理文件、做表、建网页、批量活儿 | Codex(网页版起步) | medium 起步 |
| 要紧的大活儿,错不起 | Codex | high / xhigh |
| 长文档精读与写作,想要第二意见 | Claude | 深想 |
| 数据红线速查 | 绿=公开信息随便用;黄=内部信息走公司账号;红=病人/基因/未公开财务,禁止入内 | |
| 术语 | 一句话解释 |
|---|---|
| 大语言模型(LLM) | 读遍互联网后学会"猜下一个词"的模型,ChatGPT、Claude、Gemini 的核心 |
| token(词元) | AI 计数的基本单位,1 个汉字约合 1–1.5 个 token;计费和上下文长度都按它算 |
| 参数 | 模型内部的"旋钮",数千亿个,训练就是在调它们 |
| 训练 / 推理 | 训练=读书学习(一次性,极贵);推理=回答问题(每次几分钱) |
| 上下文窗口 | AI 的"桌面":当前对话里它能同时看到的内容上限,现在可达几百页文档 |
| 幻觉 | AI 一本正经地编造事实——它在"演得像",不是"查得到" |
| 提示词(prompt) | 你发给 AI 的指令;写好它=把需求说清楚 |
| GPU / 显存 | 并行计算芯片 / 芯片自带的高速内存;AI 时代的"地皮和厂房" |
| API / API key | 程序调用 AI 的接口 / 调用时用的付费钥匙,谁拿到谁花你的钱 |
| Agent(智能体) | 能自己拆步骤、动手执行、失败重试的 AI;Codex 就是 |
| Codex | OpenAI 的干活型 AI,含在 ChatGPT 订阅里,有网页、桌面、命令行等五个入口 |
| 思考力度(reasoning effort) | 让 AI 想多久的档位:minimal 到 xhigh,越高越慢越准 |
| Deep Research | 让 AI 自己上网查几十个来源后写带引用报告的功能 |
| 知识库问答(RAG) | 先从你的文档库里检索,再让 AI 依据检索结果回答——"开卷考试" |
| 发布(deploy) | 把网页放上公网服务器,让任何人凭网址访问 |
| Vibe coding | 2025 年度热词:用自然语言描述需求、让 AI 写程序、人不细看代码——本课程第 5 课教的正是它的稳妥版 |